رادار موجي ملّيمتري رباعي الأبعاد 4D مزوّد بمعالج NPU بقدرة 10 TOPS مدمج، ويدعم الإدراك المحلي بالذكاء الاصطناعي، وبنية الأقمار، إضافة إلى طريقتي إخراج متوازيتين。
بلغة مبسّطة: هذه الرادار سلّمت السلسلة كاملة، من تصميم الهوائيات إلى إخراج سحابة النقاط، إلى النموذج. وإذا استعيرنا مصطلحًا من صناعة القيادة الذكية، فيمكن القول إنها أصبحت بمعنى ما «端到端»، بل تستطيع حتى ترقية قدراتها الإدراكية باستمرار عبر OTA.
تقنية مألوفة، وأسلوب مألوف، لكن حين نضعها معًا، لماذا يبدو كل هذا غريبًا؟
ومع دخول شرائح بقدرات مئات وآلاف TOPS وتقنية 3nm إلى السيارات، هل ما زال هناك داعٍ لأن يمتلك رادار موجي ملّيمتري «دماغًا» مستقلًا؟
وبالتدقيق، لا يتعلق الأمر بمحاولة هامشية من شركة صغيرة، بل بـيين تشيوأحدث ما توصل إليه فيتشيانلي تكنولوجيالتي يقودها.
في طريق الذكاء الاصطناعي الفيزيائي، تقف خلف تشيانلي أيضًا شركة جي بيه ستار (StepFun) التي يرأس يين تشي مجلس إدارتها، وسيناريوهات المركبات الكاملة لدى جيلي للسيارات.
وإلى جانب المسارات السائدة كالرؤية البحتة والتكامل الرأسي والتطوير الذاتي الكامل، تشبه تشيانلي تكنولوجي أكثر التعاون المتسلسل للشركات ذات المنصات.
إذن يجدر النظر أكثر: ما القصة بالضبط؟
ما نوع الرادار الذي طوّرته تشيانلي؟
تخيّل مشهدًا: تقود سيارتك، وأمامك أعلى حاجز بوابات (Longmen)، وسيارة متوقفة في مسارك. يتلقى الرادار الموجي الملّيمتري التقليدي صدى مزدوجًا ب强度 متقاربة، لكنه لا يميّز أيهما أعلى.
فتكون النتيجة إما فرملة مفاجئة اعتبارًا للحاجز عائقًا، أو تجاهل السيارة المتوقفة باعتبارها بنية علوية. هذه مشكلة الرادار الموجي الملّيمتري ثلاثي الأبعاد 3D الأقدم: بارع في قياس المسافة والسرعة، لكنه يفتقد بُعد «الأعلى والأسفل» وحده.
البعد الذي يضيفه الرادار رباعي الأبعاد 4D هو هذا بالضبط؛ فمع إدخال زاوية الانحناء (Pitch)، يستطيع الرادار إخراج معلومات في أربعة أبعاد: المسافة والسرعة والزاوية السمتية والارتفاع، وتتحول سحابة النقاط من انتشار مستوٍ إلى مجسمة.
الخطوة الأولى لرادار تشيانلي الذكي كانت سدّ هذا البعد الحاسم. لكن مع ارتفاع عدد القنوات وحجم المعلومات، ارتفعت أيضًا كلفة معالجة الإشارات؛ فالحواجز والأنفاق والجسور والأرض والسماء، وهي عواكس قوية، تُدخل قدرًا كبيرًا من الضجيج إلى الموجات المرتدة.
الحلول التقليدية القائمة على العتبات الثابتة والقواعد اليدوية معرّضة في هذه البيئات لأربع فئات من المشاكل: الأشباح متعددة المسارات، وتشويش الفوضى، وفقدان الأهداف الضعيفة، وضعف فصل الأهداف المتعددة. فيبدو جدول مواصفات المستشعر مبهرًا، لكن على الطريق الفعلية تبقى الإنذارات الخاطئة إنذارات، وتضيع الأهداف كما تضيع.
وقد ظلت إمكانات الرادار رباعي الأبعاد 4D المادية عالقة لفترة طويلة عند مرحلة المعالجة دون أن تُطلق.
حل تشيانلي تكنولوجي كان إدخال الخوارزميات منذ مرحلة تصميم مصفوفة الهوائيات وشكل الموجة، ثم استبدال المراحل الحاسمة — ككشف سحابة النقاط وقياس الزاوية وتعزيز سحابة النقاط وتتبع الأهداف وتصنيفها — بنماذج مدفوعة بالبيانات، ما يقلّل الاعتماد على القواعد اليدوية والعتبات الخبرية.
فالذكاء الاصطناعي في هذا الرادار يتدخّل منذ أبكر نقطة في توليد الإشارة ويستمر حتى نهاية فهم البيئة.
وبالمقارنة مع رادار 4D من الجيل السابق لشركة تشيانلي والمعتمد على المعالجة الطرفية بشرائح DSP، ارتفعت كثافة سحابة النقاط 10 أضعاف، وتحسّن مدى الكشف 40%، وبلغ قمع الأشباح 95%، وارتفع التميّز الزاوي المكاني 12 ضعفًا.
يأتي بعدها الجزء الأكثر عرضة للتقليل من قيمة هذا الرادار: أنه يدعم ثلاثة أنماط عمل. في النمط الطرفي، تُنجز الموجة المرتدة عند الرادار السلسلة كاملة من أخذ العينات عبر ADC حتى تتبع الأهداف وتصنيفها، مع نشر نماذج مثل AI Detector وقياس الزاوية المساعد بالذكاء الاصطناعي وتعزيز سحابة النقاط بالذكاء الاصطناعي على الـNPU، فيخرج الرادار نتائج إدراك مهيكلة مباشرة. وتتمثل الميزة في قصر السلسلة المحلية وسرعة الاستجابة وتخفيف عبء الحساب والاتصال على وحدة التحكم في النطاق، ما يجعله مناسبًا للمنصات التي تحتاج واجهات على مستوى الأهداف ناضجة أو قدرات إدراك موزّعة.
أما في نمط بنية الأقمار، فيتمركز الرادار حول الجمع الأمامي والنقل عالي السرعة، وتُسلَّم البيانات الأقرب إلى الإشارة الخام إلى وحدة ADCU أو وحدة التحكم المركزية للمعالجة الموحدة، حيث تستطيع المنصة المركزية، بنماذج أكبر، إجراء محاذاة زمانية-مكانية مبكرة واستدلال شامل لمعلومات المصادر المتعددة كالكاميرات والرادارات الموجية الملّيمترية.
والنمط الثالث هو نمط التوافق، حيث ينجز المهمتين معًا.
تُسلَّم البيانات RAW الأصلية للرادار مباشرة إلى شريحة SOC للمعالجة والدمج، وفي الوقت نفسه يُنجز المعالج الطرفي على الرادار معالجة كاملة مستقلة.
لماذا التنفيذ مرتين معًا؟ لأن المقياس الزمني المطلوب لكل مهمة مختلف.
النموذج المركزي يريد الموجات المرتدة الخام غير المعالجة؛ فهو يريد الدمج المسبق متعدد المصادر، ما يتطلب دقة محاذاة بمستوى الميلي ثانية وأكبر قدر ممكن من تفاصيل الإشارة، وهو بطبيعته أبطأ وسلسلته أطول. لكن طبقة التنفيذ في السيارة لا تنتظر هذا الإيقاع؛ فالفرملة والتحذير يحتاجان نتيجة صالحة للاستخدام فورًا، حيث السرعة أهم من الاكتمال.
أحدهما يريد «رؤية أشمل ما يمكن»، والآخر يريد «نتيجة فورية»، وهذان الطلبان لا يمكن ربطهما تسلسليًا، فلا بد من التوازي. وعندما تحدث الصناعة سابقًا عن النمط المزدوج، كان الحديث غالبًا يؤول إلى «الأمان التكراري»، أي أنّ النظام المركزي إذا تعطل لأي سبب، يستطيع الرادار أن يغطي الموقف بنفسه.
لكن الفشل الاحتياطي يعني التدخل عند حدوث الأعطال، بينما "النطاقان الزمنيان" يعنيان أنه في الحالة الطبيعية لكل طرف عمله الخاص، وهذا الأخير هو الوزن الحقيقي لهذا التصميم.
ويطرح نفسه هنا سؤال طبيعي: أي جزء من احتياجات الحوسبة للذكاء الاصطناعي يجب وضعه داخل الرادار، وأيها يجب إبقاؤه ليتولى نظام التحكم المركزي المشاركة في معالجته؟
النموذج، كيف يغيّر الرادار؟
نقطة التغيير هي أن متطلبات القيادة الذكية نفسها تغيّرت.
مع تطور القيادة من المستوى L2 إلى L3 وL4، تفرض سيناريوهات مثل الضباب والأمطار، والإضاءة الخلفية، والليل، والانعكاس القوي، والعبور العرضي لحركة المرور، والعوائق الثابتة، أن لا يقتصر الإدراك على "الرؤية" فحسب، بل يشمل أيضاً "رؤية واضحة، وحكماً دقيقاً، واستجابة سريعة".
ولمطابقة هذه السيناريوهات، أصبح الدمج المسبق متعدد الحساسات مساراً لا مفر منه، وهو ما يحتاج إليه ليس فقط حساسات أكثر حساسية، بل صيغة بيانات تحفظ معلومات خام أكثر ويمكن للنموذج فهمها بشكل موحّد. وهذا يطرح مشكلة جديدة.
قفزت كثافة سحابة نقاط رادار 4D من عشرات النقاط في الثانية في الرادارات التقليدية إلى عشرات الآلاف أو حتى 100,000 نقطة في الثانية؛ وفي معمارية الأقمار، قد يكون حجم مدخلات البيانات الخام أكبر بنحو 100 مرة من رادار 4D التقليدي، مع عرض نطاق ADC يبلغ 6Gbps.
عدد الحساسات في سيارات القيادة الذكية السائدة تجاوز 30 حساساً، وتتجاوز كمية البيانات المُنتجة يومياً 10TB، ومنصة الحوسبة المركزية تواجه نهراً من التدفق المتضخم بهذا الحجم.
لذا، حتى لو كان الهدف فقط خفض تأخر مخرجات نموذج القيادة الذكية واستغلال الحوسبة المركزية بكفاءة، فمن الضروري تسليم مهام متخصصة مثل المعالجة المسبقة للبيانات إلى المتخصصين، بدلاً من دفعها كلها إلى الواجهة الخلفية.
لم يعد كافياً أن يجيب الرادار كما في السابق عن سؤال "ما الأهداف التي تم رصدها" فحسب، بل يجب أن يجيب أيضاً عن "بأي صيغة، وكم من المعلومات الفعالة، يمكن تسليمها إلى النموذج في الواجهة الخلفية".
قد يجادل البعض: ألم تكن منتجات الرادار السابقة تحتوي دوماً على وحدة معالجة بيانات على الجانب الطرفي؟
الفرق يكمن في من يكتب القواعد. كان رادار 4D التقليدي يعتمد على عتبات ثابتة وقواعد يدوية لإصدار الأحكام، فالقواعد يكتبها الإنسان، والإنسان لا يستطيع كتابة إلا الحالات التي فكر فيها. بالنسبة لحالة حدّية (corner case) لم يرها من قبل، لا تستطيع مكتبة القواعد تقديم إجابة، فيضطر النظام للتعامل بأكثر الطرق تحفظاً: إما فرملة خاطئة أو تفويت الهدف. ومع كل نوع جديد من الحالات، يجب إعادة التعريف وإعادة المعايرة وإعادة التحقق، وتستغرق الجولة أشهراً.
وبعد التحول إلى الذكاء الاصطناعي تغيّرت طبيعة هذا الأمر. يتعلم النموذج الأنماط من البيانات، وعند مواجهة توليفات لم تظهر في التدريب، لا يزال بإمكانه إصدار أحكام بناءً على الملامح المكتسبة، دون انتظار كتابة قاعدة جديدة. وانخفضت دورة حل مشكلة طويلة الذيل من التجميع والعودة والتدريب حتى الإصدار من شهر إلى أسبوع أو أقل.
أول ما فعله Qianli Technology هو إدخال حوسبة الذكاء الاصطناعي إلى داخل الرادار، ليجعل الحساس يعالج البيانات التي يجمعها إلى مستوى أعمق، ويخرج نتائج مُهيكلة مباشرة. والثاني هو تحديد كيفية التسليم بعد المعالجة، أي الأنماط الثلاثة المذكورة سابقاً: كم من المهام يبقى في الحساس وكم من البيانات يُسلَّم إلى المركز، ويُضبط ذلك حسب المنصة ومستوى الوظيفة.
يمكن النظر إلى الفارق بين المعماريات الثلاث على ثلاثة خطوط: مستوى الوظيفة، ومعمارية EE، والتكلفة وسلطة التحكم.
المخرجات على مستوى الأهداف تستهدف أنظمة المساعدة على القيادة المعتادة ومعمارية EE الموزعة، وهي حساسة للتكلفة؛ أما معمارية الأقمار فتبدأ من L2+ وتصبح خياراً إلزامياً في ظل متطلبات الدمج المسبق في L3/L4، لأن الحل الوحيد لإتاحة الفرصة لصدى الموجة الميليمترية للاندماج على مستوى الملامح مع ملامح الصورة في فضاء BEV موحّد هو إرسال البيانات الخام إلى المركز.
الحدود الهندسية الحقيقية هي عرض النطاق وقدرة المنصة: إذا لم تكن قوة حوسبة وحدة التحكم في المجال والواجهات عالية السرعة كافية، تفقد معمارية الأقمار أساسها الفيزيائي للتنفيذ؛ وإذا توقف مستوى الوظيفة عند L2 ولم تكن هناك حاجة حقيقية للدمج المسبق، فدفع تكلفة النقل والحوسبة للبيانات الخام لا يستقيم في دفاتر الإنتاج الضخم.
رادار Qianli يحتفظ في آن واحد بالمسارات الثلاثة، وهو ما يطابق تماماً الفترة الانتقالية لمنصات السيارات من التوزيع إلى التمركز المركزي، حيث يجب على نفس عتاد العتاد أن يجد مكانه في طرازات مختلفة ومستويات وظيفية مختلفة.
وضع التوافق خاص في هذا التحليل، فهو يحتل خطّين معاً: المنصات التي لم تُكمل المركزية بعد يمكنها استخدام النتيجة الطرفية مباشرة؛ والمنصات التي تمتلك قوة حوسبة لوحدة تحكم المجال يمكنها تمرير بيانات RAW إلى المركز للدمج المسبق. الأثمن في الفترة الانتقالية هو بالضبط هذا "القدرة على التوصيل من الطرفين".
على سبيل المثال، مدى كشف رادار Qianli AI المستقر للأطفال الثابتين يبلغ 100 إلى 150 متراً، ما يعني أن سيناريوهات عبور الأطفال والظهور المفاجئ (الشبح) يمكن أن توفر نافذة استجابة أطول لنظام AEB.
أما المعالجة اللاحقة بالذكاء الاصطناعي ونمذجة ملامح المسارات المتعددة فقد قضت على الأشباح والإنذارات الخاطئة بنسبة تقارب 95%، كما أن تعزيز سحابة نقاط 4D يمكن أن يساعد في تحديد المساحات القابلة للعبور.
حلقة Yin Qi المغلقة للذكاء الاصطناعي الفيزيائي
المنطق الأعمق في رادار Qianli Technology للذكاء الاصطناعي هو أن "الحمل النموذجي" يبدأ في إعادة تشكيل الحساسات الأساسية.
مع الغوص في تكامل البرمجيات والعتاد، تغيّر تطوير الحساس بأكمله: من هوائيات الموجة الموجهة، والواجهة الأمامية للترددات الراديوية، وSoC/NPU، وأسلوب التعديل، إلى النماذج وحلقة البيانات المغلقة، كلها تصميم متكامل. الظاهر ترقية عتادية، لكن الجوهر هو تحول الحساس من "مُبلِّغ على مستوى الأهداف" إلى "متعاون على مستوى الملامح".
تحويل الرادار إلى الذكاء الاصطناعي ليس خياراً اختيارياً؛ فطرف الإدراك هو مدخل البيانات والذكاء، ورادار الموجة الميليمترية لا يمكن تجاوزه في هذا المسار.
منذ سنوات مبكرة اتخذ Yin Qi من "الذكاء الاصطناعي + الأجهزة الطرفية الفيزيائية" مبدأً أساسياً: الكاميرات ثلاثية الأبعاد 3D هي جسر يصل العالم الرقمي بالعالم الفيزيائي، وAIoT هو "AI+IoT+الفضاء"، وشُيّدت الهيكل التنظيمي عمداً على أساس التكامل بين البرمجيات والعتاد.
لكن معضلة الذكاء الاصطناعي 1.0 كانت أنه يمتلك عمقاً خوارزمياً لكنه يفتقر إلى حامل طرفي واسع النطاق ينتج باستمرار تغذية راجعة حقيقية، فلم تُغلق الحلقة فعلياً. لذلك قال لاحقاً: "كل إشilarity لا تُغلق حلقتها مجرد نجاح مؤقت".
كما أن تكامل Qianli مع StepFun سدّى الجانب الذي افتقر إليه المبدأ. الجوهر يكمن في التدريب المسبق للنموذج الأساسي "المصدر الموحّد": تُغذّى المدخلات العامة اللغوية مع بيانات الإدراك والتحكم في القيادة الذكية الحقيقية معاً، فيولد النموذج الأساسي حاملاً بنية إدراكية ثلاثية الأبعاد وتسلسل زمني.
وما أن يتولى Yin Qi إدارة الشركتين معاً، تُسدّ الفجوة الشائعة بين شركة النماذج وشركة الأجهزة الطرفية، وتدور حلقة "الدماغ يحدد ما يخرجه الطرف، والطرف يغذي ما يتعلمه النموذج" تحت قيادة شخص واحد.
هذا امتداد لمفهوم الذكاء الاصطناعي + الأجهزة الطرفية الفيزيائية من حيث الاتساع، وهو أيضاً ذلك الطريق الثالث إلى جانب الرؤية البحتة والتكامل الرأسي والتطوير الذاتي الكامل.
ومصطلح الذكاء الاصطناعي + الأجهزة الطرفية الفيزيائية له تعبيرات مشابهة في القطاع، لكن النقاش غالباً يتوقف عند مستوى "الذكاء الاصطناعي كعامل تمكين"، حيث يُنظر إلى أن الذكاء الاصطناعي يغيّر تدفق المهام ويقدم قيمة تتمثل في عرض معلومات أكثر آلية.
الانطلاق من تكرار نماذج النموذج (paradigm) لتغيير الحساسات الأساسية ومعمارية الحوسبة، هذا هو الجزء الأكثر جدارة بالمشاهدة في محاولة Qianli هذه.
كان الماضي يتمحور حول "ما يريد الإنسان أن يراه الرادار"، أما الآن فهو استنتاج عكسي من زاوية نماذج الذكاء الاصطناعي والوكلاء (Agent): ما المهمة التي يجب أن ينجزها هذا النظام في العالم الفيزيائي، وما صيغة المعلومات المطلوبة، وما مدى المسافة الفعالة، وما مستوى القدرة على التمييز.
وبهذا يُحجب من الجذور التشويش الناتج عن "منظور الإنسان" و"قصور النمط السائد".
الذكاء الاصطناعي الرقمي يصعد اعتماداً على معاملات هائلة وبيانات شبه متاحة بسهولة.
لكن في المرحلة الحالية، يحدد سقف الذكاء الاصطناعي الفيزيائي سرعة حلقة البيانات الحقيقية المغلقة وكثافة البيانات عالية الجودة. لذا، مجرد هذه المحاولة بحد ذاتها يمنح Qianli Technology قيمة فريدة يصعب استبدالها.