Un radar milimétrico 4D con NPU de 10 TOPS integrada, que admite percepción con IA local, arquitectura satelital y múltiples modos de salida combinando ambos en paralelo.。
En términos sencillos, todo el pipeline de este radar, desde el diseño de la antena hasta la salida de la nube de puntos, está a cargo del modelo. Si tomamos prestada una expresión de la industria de la conducción inteligente, en cierto sentido también es «de extremo a extremo», e incluso puede mejorar continuamente su capacidad de percepción mediante OTA.
Tecnología familiar, tácticas familiares, pero juntas, ¿por qué se sienten tan extrañas?
Los chips de 3nm con cientos o miles de TOPS ya están subiendo a los autos: ¿tiene sentido que un radar de ondas milimétricas tenga todavía un «cerebro» independiente?
Mirando de cerca, no se trata de ningún experimento marginal de una pequeña empresa, sino deYin Qiy la que él gobiernaQianli Technologylos últimos avances.
En el camino de la IA física, además de Qianli están también StepFun, presidida por Yin Qi, y los escenarios de vehículos completos de Geely Automobile.
Más allá de las rutas convencionales de visión pura, integración vertical y desarrollo integral propio, Qianli Tech se parece más a una colaboración en cadena de una empresa de tipo plataforma.
Entonces hay que echar un vistazo, ¿de qué se trata exactamente?
¿Qué tipo de radar ha hecho Qianli?
Imagina una escena: vas conduciendo, por delante y por encima hay una estructura tipo pórtico, y en tu carril hay un coche detenido. Un radar de ondas milimétricas tradicional recibe dos ecos al mismo tiempo, con intensidades parecidas, pero no puede distinguir cuál está más arriba y cuál más abajo.
El resultado es o bien frenar de golpe tratando el pórtico como un obstáculo, o bien ignorar directamente el coche detenido tomándolo por una estructura superior. Este es el viejo defecto del radar de ondas milimétricas 3D más tradicional: es bueno midiendo distancia y velocidad, pero le falta la dimensión de «arriba y abajo».
Lo que el radar 4D complementa es precisamente esta dimensión; al añadirse el ángulo de elevación, el radar puede emitir información en cuatro dimensiones: distancia, velocidad, acimut y altura, y la nube de puntos pasa de extenderse en un plano a ser tridimensional.
El primer paso del radar con IA de Qianli fue justamente añadir esta dimensión clave. Pero al aumentar el número de canales y la cantidad de información, crece también la carga del procesamiento de señales; objetos fuertemente reflectantes como barreras, túneles, puentes, el suelo o el cielo introducen gran cantidad de clutter en los ecos.
Los esquemas tradicionales, que se basan en umbrales fijos y reglas hechas a mano, tienden a presentar en este tipo de entornos cuatro clases de problemas: fantasmas por trayectos múltiples, interferencia de clutter, pérdida de objetivos débiles y separación insuficiente de múltiples objetivos. La tabla de parámetros del sensor queda muy bien, pero en la carretera real sigue dando falsas alarmas cuando no debe y pierde objetivos cuando no debe.
El potencial de hardware del radar 4D lleva mucho tiempo sin poder liberarse, atascado en la etapa de procesamiento.
La solución de Qianli Tech consiste en introducir los algoritmos ya desde la fase de diseño de las antenas y de la forma de onda, y luego sustituir por modelos basados en datos las etapas clave como la detección de nubes de puntos, la medición angular, la mejora de la nube de puntos y el seguimiento y clasificación de objetivos, reduciendo la dependencia de reglas manuales y umbrales empíricos.
La IA de este radar interviene desde el punto más inicial de la generación de la señal y se extiende hasta el extremo final de la comprensión del entorno.
En comparación con el radar 4D de la generación anterior de Qianli, que usaba cálculo en el borde con DSP, la densidad de la nube de puntos aumenta 10 veces, la distancia de detección mejora un 40%, la eliminación de fantasmas llega al 95% y la resolución angular espacial mejora 12 veces.
Ahora viene la parte de este radar que más fácilmente se subestima: admite tres modos de funcionamiento. En el modo de borde, el eco recorre en el propio radar toda la cadena completa, desde el muestreo ADC hasta el seguimiento y clasificación de objetivos; en la NPU se despliegan modelos como AI Detector, medición angular asistida por IA y mejora de nubes de puntos mediante IA, y el radar emite directamente resultados de percepción estructurados. Su ventaja es que la cadena local es corta y la respuesta rápida, lo que reduce la carga de cálculo y comunicación en el lado del controlador de dominio, siendo adecuado para plataformas que necesiten interfaces a nivel de objetivo maduras o capacidades de percepción distribuida.
En el modo de arquitectura satélite, el radar se centra en la captura de front-end y la transmisión de alta velocidad, y entrega los datos más cercanos a la señal original al ADCU o al controlador de dominio central para su procesamiento unificado; la plataforma central puede usar modelos más grandes para realizar alineaciones espacio-temporales y razonamientos globales en fases más tempranas con información multifuente de cámaras, radares de ondas milimétricas y otros sensores.
El tercero es el modo de compatibilidad, que hace las dos tareas a la vez.
Los datos RAW, lo más crudo del radar, se entregan directamente al SOC para su procesamiento y fusión, y al mismo tiempo el procesador de borde del radar completa de forma independiente otro procesamiento por su cuenta.
¿Por qué hacer las dos pasadas a la vez? Porque las dos cosas requieren escalas de tiempo distintas.
El modelo central quiere los ecos sin procesar: busca hacer una fusión temprana multifuente y necesita una precisión de alineación a nivel de milisegundos y el mayor detalle de señal posible, por lo que naturalmente es más lento y la cadena es más larga. Pero la capa de ejecución del vehículo no puede esperar a ese ritmo; el frenado y la alerta necesitan conclusiones utilizables de inmediato, donde la rapidez importa más que la completitud.
Uno quiere «verlo todo lo mejor posible» y el otro quiere «poder darlo de inmediato»; estas dos necesidades no se pueden encadenar, solo pueden ir en paralelo. Cuando la industria hablaba antes de doble modo, solía referirse a cuatro palabras: «redundancia de seguridad», es decir, que si el sistema central fallara, el propio radar podría asumir la carga.
Pero la función de respaldo se refiere a intervenir cuando hay fallos, mientras que las dos escalas de tiempo hablan de que en condiciones normales cada lado tiene sus propias tareas; esto último es lo que realmente da peso a este diseño.
Detrás de esto surge una pregunta natural: ¿qué parte de las necesidades de computación de IA deben colocarse en el radar, y cuáles deben conservarse para que el controlador de dominio central participe en su procesamiento?
El modelo, ¿cómo cambia al radar?
El punto de partida del cambio es que los propios requisitos de la conducción inteligente han cambiado.
La evolución de L2 hacia L3 y L4 implica escenarios como lluvia y niebla, contraluz, noche, fuertes reflejos, cruces de tráfico y obstáculos estáticos, que exigen que la percepción no solo «vea», sino que «vea con claridad, juzgue con precisión y reaccione rápido».
Para satisfacer estos escenarios, la fusión temprana de múltiples sensores se convierte en un camino inevitable; no requiere solo sensores más sensibles, sino una forma de datos que conserve más información cruda y pueda ser comprendida de manera unificada por el modelo. Esto trae un nuevo problema.
La densidad de la nube de puntos del radar 4D salta de unas decenas de puntos por segundo de los radares tradicionales a decenas de miles o incluso 100,000 puntos por segundo; con arquitectura satélite, el volumen de datos crudos de entrada puede ser unas 100 veces mayor que el de un radar 4D tradicional, con un ancho de banda ADC de 6Gbps.
Los vehículos líderes en conducción inteligente superan los 30 sensores y generan más de 10TB de datos diarios; la plataforma de computación central enfrenta precisamente ese río de tráfico en explosión.
Por eso, incluso si solo se tratara de reducir la latencia de salida de los modelos de conducción inteligente y de aprovechar eficientemente la computación central, es necesario entregar tareas especializadas como el preprocesamiento de datos a los profesionales correspondientes, y no delegarlo todo al backend.
Ya no basta con que el radar responda, como antes, «qué objetivo detectó»; también debe responder «en qué forma y cuánta información útil puede entregar al modelo del backend».
Algunos podrían argumentar que los radares anteriores siempre han tenido un módulo de procesamiento de datos en el extremo, ¿no?
La diferencia está en quién escribe las reglas. El radar 4D tradicional toma decisiones mediante umbrales fijos y reglas manuales; las reglas las escriben personas, y estas solo pueden escribir los casos que han imaginado. Ante un corner case nunca visto, la biblioteca de reglas no da respuesta y el sistema solo puede actuar de la forma más conservadora: o frena por error, u omite. Cada nueva situación exige redefinir, recalibrar y reverificar, un proceso de varios meses por ciclo.
Con la transformación en AI, la naturaleza de esto cambia. El modelo aprende patrones de los datos y, ante combinaciones que no aparecieron en el entrenamiento, aún puede emitir juicios basándose en las características ya aprendidas, sin esperar a que se escriba una nueva regla. El ciclo de un problema de cola larga, desde la recopilación y el reflujo hasta el entrenamiento y el lanzamiento, se comprime de meses a semanas o incluso menos.
Lo primero que hizo Qianli Tech fue introducir la computación de AI dentro del radar, permitiendo que el sensor procese por sí mismo los datos que recoge a un nivel más profundo y entregue directamente resultados estructurados. Lo segundo fue decidir cómo entregar tras el cálculo: las tres modalidades mencionadas, cuánta tarea queda en el sensor y cuántos datos van a la central, configurado según la plataforma y el nivel de función.
La división de las tres arquitecturas puede analizarse a lo largo de tres líneas: nivel de función, arquitectura EE, y coste y control.
La salida a nivel de objetivo se ancla en la asistencia convencional a la conducción y las arquitecturas EE distribuidas, sensibles al coste; la arquitectura satélite parte de L2+ y se convierte en una elección rígida ante las necesidades de fusión temprana de L3/L4, porque solo enviando datos crudos a la central pueden las ecos de onda milimétrica fusionarse a nivel de características con los rasgos de imagen en un espacio BEV unificado.
El verdadero límite de ingeniería está en el ancho de banda y la capacidad de la plataforma: si la computación del controlador de dominio y las interfaces de alta velocidad no alcanzan, la arquitectura satélite pierde su base física de aterrizaje; si el nivel de función se detiene en L2 y no hay una necesidad real de fusión temprana, pagar el coste de transmisión y computación de datos crudos no se sostiene en la contabilidad de producción en masa.
Este radar de Qianli conserva simultáneamente las tres vías, correspondiendo justamente al período de transición de las plataformas vehiculares de distribuidas a centralizadas, donde un mismo hardware debe encontrar su lugar en distintos modelos y niveles de función.
El modo de compatibilidad es especial en este análisis, pues ocupa dos líneas a la vez: las plataformas que aún no completaron la centralización pueden usar directamente ese resultado del borde; y las plataformas que ya cuentan con computación de dominio pueden llevar los datos RAW a la central para la fusión temprana. En la transición, lo más valioso es precisamente ese «conectar por ambos extremos».
Por ejemplo, el radar AI de Qianli tiene una distancia estable de detección de niños estáticos de 100 a 150 metros, lo que significa que en escenarios de niños cruzando y de «aparecimientos fantasma», la AEB puede disponer de una ventana de reacción más larga.
El postprocesado con AI y el modelado de características multipath eliminan fantasmas y falsas alarmas en aproximadamente un 95%, y la mejora de la nube de puntos 4D también ayuda a determinar el espacio transitable.
El circuito cerrado de AI física de Yin Qi
La lógica más profunda del radar AI de Qianli Tech es que el «contenido de modelo» comienza a remodelar los sensores de base.
Al profundizar en la integración de software y hardware, todo el desarrollo del sensor cambia: desde la antena de guía de ondas, el frente射频, el SoC/NPU y el esquema de modulación, hasta el modelo y el circuito cerrado de datos, todo con diseño colaborativo. En la superficie es una mejora de hardware; en esencia, el sensor pasa de «informante a nivel de objetivo» a «colaborador a nivel de características».
La transformación en AI del radar no es opcional: el extremo de percepción es la puerta de entrada de los datos y la inteligencia, y el radar de onda milimétrica no puede esquivarse en este camino.
Ya en sus primeros años, Yin Qi adoptó «AI + terminal físico» como creencia de base: la cámara 3D es el puente entre el mundo digital y el físico, AIoT es «AI+IoT+espacio», y la estructura organizativa fue deliberadamente orientada a la combinación de software y hardware.
Pero el dilema del AI 1.0 era que, con profundidad algorítmica, faltaba un terminal que escalara y generara retroalimentación real de forma continua; el circuito nunca se cerró de verdad. Por eso dijo después: «los esplendores sin circuito cerrado son siempre temporales».
La combinación de Qianli y StepFun completa el lado que la creencia siempre careció. La clave está en las entradas preentrenadas homólogas del «modelo base nativo»: el corpus general y los datos reales de percepción y control de la conducción inteligente se introducen juntos, de modo que el modelo base nace con estructuras cognitivas de espacio tridimensional y series temporales.
Con Yin Qi al frente de ambas compañías, la brecha habitual entre la empresa de modelos y la de terminales queda eliminada, y el ciclo de «el cerebro define qué entrega el terminal, el terminal retroalimenta qué aprende el modelo» gira bajo un mismo timonel.
Esta es la extensión en amplitud de la filosofía de AI + terminal físico, y también ese otro camino fuera de la visión pura, la integración vertical y el desarrollo full-stack propio.
La expresión AI + terminal físico también tiene formulaciones similares en la industria, pero la discusión suele quedarse en el nivel de «AI como habilitador», considerando que la AI cambia el flujo de tareas y aporta una presentación de información más automatizada.
Partir de la iteración del paradigma de modelos para cambiar los sensores de base y las arquitecturas de cómputo es lo más digno de atención de este intento de Qianli.
Antes era «qué queremos que el radar vea»; ahora se retrocede desde la perspectiva de los modelos de AI y los Agent: qué tarea debe cumplir este sistema en el mundo físico, qué forma de información necesita, a qué distancia efectiva y con qué capacidad de resolución.
Así se bloquean de raíz las interferencias de la «perspectiva humana» y la «inercia de paradigma».
El AI digital avanza apoyado en parámetros masivos y datos casi al alcance de la mano.
Pero, en la etapa actual, el techo del AI físico lo determinan la velocidad del circuito cerrado de datos reales y la densidad de datos de alta calidad. Por eso, ya solo el hecho de este intento otorga a Qianli Tech un valor único difícil de sustituir.