1個の4Dミリ波レーダーに10 TOPSのNPUを内蔵し、ローカルAI知覚、サテライトアーキテクチャ、さらに両者を並行させる複数の出力方式に対応。
わかりやすく言えば、このレーダーはアンテナ設計から点群出力まで、チェーン全体をモデルに任せているのだ。自動運転業界の言葉を借りれば、ある意味でこれも「エンドツーエンド」であり、さらにはOTAによって知覚能力を継続的にアップグレードすることもできる。
見慣れた技術、見慣れたやり方なのに、組み合わせると、なぜかこんなに未知のものに感じられるのはなぜか？
3nm、数百から数千TOPSのチップがすでに車載されている今、1個のミリ波レーダーが独立した「脳」を持つ必要はあるのか？
よく見ると、これは小さな会社の辺縁的な試みなどではなく、印奇とその舵を取る千里科技の最新の進展である。
フィジカルAIという道において、千里の背後には印奇が董事長を務めるStepFun（阶跃星辰）と、吉利汽車の車両全体のシーンがある。
純ビジョン、垂直統合、フルスタック自社開発という主流路線のほかに、千里科技はむしろプラットフォーム型企業のチェーン状のシナジーに近い。
ならばなおさら見ておくべきだ、一体どういうことなのか？
千里が作ったのはどんなレーダーなのか？
ある場面を想像してほしい：車を運転していて、前方頭上には龙门架（ゲート構造）があり、車線には1台の車が停まっている。従来のミリ波レーダーは2つの反射波を同時に受け取るが、強度がほぼ同じで、どちらが高くどちらが低いかを区別できない。
その結果、ゲート構造を障害物とみなして急ブレーキを踏むか、あるいは停まっている車をoverhead構造とみなして無視してしまうかのどちらかになる。これは最も伝統的な3Dミリ波レーダーの古い欠点で、距離測定も速度測定も得意だが、唯一「上下」という次元が欠けている。
4Dレーダーが補うのはまさにこの次元であり、俯仰角が加わることで、レーダーは距離、速度、方位角、高さという4つの次元の情報を出力でき、点群は平面に広がるものから立体的なものに変わる。
千里のAIレーダーの第一歩は、まさにこの決定的な次元を補うことだった。しかしチャンネル数と情報量が増えると、信号処理の負担もそれに伴って増大し、ガードレール、トンネル、橋、地面、空といった強反射物が、反射波の中に大量のクラッターを混入させる。
以前のような固定閾値と人工ルールで判断する従来の方式では、こうした環境で4種類の問題が起きやすい：マルチパスのゴースト、クラッター干渉、弱いターゲットの見落とし、複数ターゲットの分離不足。センサーのスペック表はきれいでも、実際の路上では誤報は誤報のまま、ターゲットの取り逃しも取り逃しのままになる。
4Dレーダーのハードウェアの潜在力は、長い間、処理段階で足踏みし、発揮できていなかった。
千里科技の解決策は、アンテナアレイと波形の設計段階からアルゴリズムを取り入れ、その後、点群検出、角度測定、点群強化、ターゲット追跡と分類といった重要な段階をデータ駆動モデルに置き換え、人工ルールと経験的閾値への依存を減らすことだ。
このレーダーのAIは、信号が生成される最前線から介入し、環境理解の末端まで一貫して貫いている。
DSPによるエッジ側計算を採用した千里の前世代4Dレーダーと比べて、点群密度は10倍に強化され、探知距離は40%向上し、ゴースト除去は95%に達し、空間角分解能は12倍向上した。
次は、このレーダーで最も見落とされやすい部分だ：3つの動作モードに対応している。エッジ側モードでは、反射波がレーダー側でADCサンプリングからターゲット追跡と分類までの全チェーンを通過し、NPU上にAI Detector、AI補助測角、AI点群強化などのモデルを配置し、レーダーが構造化された知覚結果を直接出力する。利点はローカルのチェーンが短く応答が速いことで、ドメコン側の計算と通信の負担を減らせるため、成熟したターゲットレベルのインターフェースや分散型知覚能力を必要とするプラットフォームに適している。
サテライトアーキテクチャモードでは、レーダーはフロントエンドの収集と高速伝送を中心とし、より原始的な信号に近いデータをADCUまたは中央ドメコンに渡して統合処理させ、中央プラットフォームはより大規模なモデルでカメラやミリ波レーダーなどの多ソース情報に対して、より早期の段階で時空間アラインメントと全局推論を行うことができる。
3つ目は互換モードで、2つの仕事を同時に行う。
レーダーのもっとも原始的なRAWデータは直接SOCに渡されて処理と融合が行われ、同時に、レーダー上のエッジ側プロセッサが独立して一通り処理を完了する。
なぜわざわざ2回処理するのか？この2つの作業が求める時間スケールが異なるからだ。
中央モデルが求めるのは未処理の原始反射波であり、マルチソースの前段融合を行うにはミリ秒級のアラインメント精度と可能な限り完全な信号詳細が必要で、必然的に遅く、チェーンも長くなる。しかし車上の実行層はこのペースを待てない。ブレーキと警報は今すぐ使える結論を求めており、完全さより速さが重要だ。
一方は「できるだけ全体を見る」こと、もう一方は「すぐに提供する」こと、この2つの要求はつなげられず、並行するしかない。業界で従来「デュアルモード」と言えば、通常は「安全冗長」という4文字に落ち着き、中央側が万一对途切れても、レーダー自身で支えられるという意味だった。
ただし「兜底」とは故障時に代わって担うことを指し、二つの時間軸の話は正常時には両者がそれぞれの役割を担うということであり、後者こそがこの設計の真の重みである。
この背景には自然な疑問がある：一体どの部分のAI計算需要をレーダーに組み込み、どれを中央ドメインコントローラーの処理参与として残すべきなのか。
モデルは、どうレーダーを変えるのか?
変化の起点は、知能運転そのものへの要求が変わったことにある。
L2からL3、L4への進化に伴い、雨霧、逆光、夜間、強反射、横断する車流、静止障害物といったシナリオでは、知覚は単に「見える」だけでなく、「はっきり見え、正確に判断し、素早く反応する」ことが求められる。
これらのシナリオに応えるには、マルチセンサーの前段フュージョン（前融合）が避けて通れない道となるが、そこで必要なのはより感度の高いセンサーだけではなく、より多くの原始情報を保持し、モデルが統一的に理解できるデータ形式である。ここに新たな問題が生じる。
4Dレーダーの点群密度は、従来レーダーの毎秒数十ポイントから、毎秒数万ポイント、さらには100,000ポイントへと躍進した。サテライトアーキテクチャでは、入力される生データ量は従来の4Dレーダーより約100倍多くなる可能性があり、ADC帯域幅は6Gbpsに達する。
主流のスマート運転車両のセンサー数は30個を突破し、1日あたりの発生データ量は10TBを超える。中央計算プラットフォームが直面しているのは、まさにこのような流量が急増する河川なのである。
したがって、たとえスマート運転モデルの出力遅延を低減し、中央の計算能力を効率的に活用するためだけであっても、データ前処理のような専門的な仕事は専門の担当者に任せ、すべてをバックエンドに押し付けるべきではない。
レーダーは以前のように「どんなターゲットを探知したか」だけに答えるのではもはや不十分で、「どんな形式で、どれだけの有効情報をバックエンドのモデルに引き渡せるか」にも答えなければならない。
議論する人がいるかもしれない。従来のレーダー製品には、端末側のデータ処理モジュールがずっと搭載されていなかったか、と。
違いは、ルールを誰が書いたかにある。従来の4Dレーダーは固定閾値と人為的なルールで判断しており、ルールは人間が書いたものであり、人間は自分が考えついた状況しか書き込めない。一度も見たことのないcorner caseに対して、ルールライブラリは答えを出せず、システムは最も保守的な方法で処理するしかなく、誤ブレーキを踏むか、見逃すかのどちらかになる。新しい状況のタイプに遭遇するたびに、再定義、再キャリブレーション、再検証が必要となり、一巡するのに数か月かかる。
AI化によって、この仕事の性質は変わった。モデルはデータから法則を学び、訓練で現れなかった組み合わせに遭遇しても、すでに学習した特徴に基づいて判断を下すことができ、新しいルールが書かれるのを待つ必要がない。一つのロングテール問題が、収集・還流・訓練への投入からリリースまで、周期は月単位から週単位、さらにはそれ以下へと圧縮された。
千里科技（Chili Technology）が最初に行ったのは、AI計算をレーダー内部に組み込み、センサー自身が取得したデータをより深いレベルまで処理させ、構造化された結果を直接出力させることだった。第二は、計算後にどう納品するかを決めることであり、すなわち前述の三つのモードにおいて、タスクをどれだけセンサー内に残し、データをどれだけ中央に渡すかを、プラットフォームと機能等級に応じて設定する。
三つのアーキテクチャの境界は、機能等級、EEアーキテクチャ、コストと制御権という三つの線に沿って見ることができる。
ターゲットレベル出力は、通常の運転支援と分散型EEアーキテクチャに位置づけられ、コスト重視である。サテライトアーキテクチャはL2+から始まり、L3/L4の前段フュージョン需要のもとで必須の選択となる。生データを中央に送らなければ、ミリ波のエコーが画像特徴と統一BEV空間で特徴レベルのフュージョンを行う機会がないからである。
真のエンジニアリングの境界は帯域幅とプラットフォーム能力にある。ドメインコントローラーの計算能力と高速インターフェースが不十分であれば、サテライトアーキテクチャは実装の物理的基盤を失う。機能等級がL2でとどまり、前段フュージョンへの実際の需要がなければ、生データのために伝送と計算のコストを払うことは、量産の帳簿上成立しない。
千里のこのレーダーは三つの経路を同時に保持しており、これはまさに、車両プラットフォームが分散型から中央集中型へ移行する期間において、同一のハードウェアが異なる車種、異なる機能等級で居場所を見つけなければならないことに対応している。
互換モードはこの分析の中でやや特殊であり、二つの線を同時に占めている。中央化がまだ完了していないプラットフォームでは、エッジ側の結果をそのまま使うことができ、すでにドメインコントローラーの計算能力を持つプラットフォームでは、RAWデータを中央に入れて前段フュージョンを行うことができる。過渡期に最も価値があるのはまさにこの「両方に接続できる」ことである。
一例を挙げると、千里AIレーダーの静止している子供に対する安定した探知距離は100～150メートルであり、子供の横断や飛び出し（鬼探头）のシナリオにおいて、AEBにより長い反応ウィンドウを提供できることを意味する。
AI後処理とマルチパス特徴モデリングにより、ゴーストと誤報は約95%排除され、4D点群の強化は通行可能空間の判断も支援する。
印奇（Yin Qi）のフィジカルAIループ
千里科技のAIレーダーの最も根源的な論理は、「モデル含有量」が基盤センサーを作り変えつつあるということである。
ソフトウェアとハードウェアの一体化に深く踏み込むことで、センサー全体の開発も変化した。導波管アンテナ、RFフロントエンド、SoC/NPU、変調方式から、モデルとデータループまで、すべてが協調設計される。表面上はハードウェアのアップグレードだが、実質はセンサーが「ターゲットレベルの報告者」から「特徴レベルの協働者」へと転換しているのである。
レーダーのAI化は選択肢ではなく、知覚側はデータと知能の入り口であり、ミリ波レーダーはこの道において避けて通れない。
印奇は早年から「AI＋フィジカル端末」を根底の信条としていた。3Dカメラはデジタル世界とフィジカル世界をつなぐ橋であり、AIoTは「AI＋IoT＋空間」であり、組織形態は意図的にソフトウェアとハードウェアの結合寄りに作られてきた。
しかしAI 1.0のジレンマは、アルゴリズムの深みはあるものの、規模化され継続的に実際のフィードバックを生み出す端末の担体を欠いており、ループが本当に閉じなかったことにある。だから彼は後に、「ループが閉じない栄光はすべて一時的なものだ」と語ったのである。
千里とStepFun（階躍）の組み合わせは、信条がずっと欠いていた側を補った。要は「ネイティブ基盤モデル」の事前学習における同源入力である。汎用コーパスと、実際のスマート運転の知覚・制御データを一緒に投入することで、基盤モデルは誕生時から三次元空間と時系列の認知構造を備えている。
印奇は同時に二社を統括しており、モデル企業と端末企業の間にありがちな溝は埋められ、「脳が端末に何を出力させるか、端末がモデルに何を学習させるか」というループが、同じ舵取りの人のもとで回り始めた。
これは、「AI＋フィジカル端末」の理念の広がりにおける延伸であり、ピュアビジョン、垂直統合、フルスタック自社開発以外のもう一つの道でもある。
「AI＋フィジカル端末」という表現は、業界にも類似の言い方があるが、議論の多くは「AIによるエンパワーメント」のレベルにとどまっており、AIが変えるのはタスクの流れであり、提供する価値はより自動化された情報提示だとみなしている。
モデルパラダイムの反復を出発点として、基盤センサーと計算アーキテクチャを変えていくこと、これこそが千里の今回の試みで最も注目に値する部分である。
以前は「人間がレーダーに何を見てほしいか」であったが、今はAIモデルとAgentの視点から逆算する。このシステムがフィジカル世界でどんなタスクを完成させるべきか、どんな形式の情報が必要か、どれだけの有効距離、どれだけの解像能力が必要かを問うのである。
これにより、根源から「人間の視点」と「パラダイムの慣性」による干渉を遮断できる。
デジタルAIは膨大なパラメータと、ほぼ手に入りやすいデータによって成長してきた。
しかし現段階では、フィジカルAIの天井は、リアルデータループの速度と高品質データの密度によって決まる。だからこそ、単にこのような試みそのものだけで、千里科技には代替が困難な独特の価値があるのである。