近年来，"AI 雷达 " 成为行业热词。围绕它是什么、为何现在出现、将如何改变毫米波雷达产业，业界正在形成越来越多的讨论。本文基于公开研究、产业实践及超级雷达社区的行业讨论，对其中的核心观点进行梳理。超级雷达社区由承泰科技发起，面向雷达产业链、科研机构与开发者开放，关注技术交流、工具共建、数据协作与标准讨论。
AI 雷达 vs 传统雷达
AI 雷达，简单说是 AI 赋能的雷达，准确说是支持 AI 模型部署、由模型定义功能的雷达（Model-Defined Radar, MDR）。
传统雷达的功能由工程师把人工设计的算法和硬性规则写进固件，出厂即定格；AI 雷达的功能则由可训练、可迭代的 AI 模型实现，模型可部署、替换、持续升级，由开发者自行定义。
技术底层看，传统雷达遵循几十年不变的级联信号处理链：ADC 采样、2D-FFT、CFAR 检测、DOA 测角、聚类、跟踪、分类。每一级处理都是对物理世界的 " 简化假设 "（点模型、高斯噪声、多径可滤除），而真实世界从不按假设运行，逐级丢失信息、累积误差，形成能力天花板。
AI 雷达走另一条路：让数据自己说话。模型直接从原始信号中学习最优表征，信息无损传递、特征自学习，追求全局最优。类比上，网络有 SDN、汽车有 SDV，雷达则从 SDR（软件定义雷达）进一步发展为 MDR（模型定义雷达）。AI 的引入降低了雷达开发门槛，把雷达从少数算法专家的专业技术变成可广泛参与的通用技术。
相互成就：从 4D 到 AI 雷达
4D 成像雷达与 AI 雷达不是一回事。4D 成像雷达解决 " 看得清 "，是硬件能力升级；AI 雷达解决 " 看得懂、迭代得快 "，是开发范式变革。两者相互成就——高清数据为模型提供养料，模型让高清数据产生价值。"4D 成像雷达把路修宽，AI 雷达让路上跑起车来。"
承泰科技近年来持续探索中央计算雷达、超级雷达等技术路线，本质上也是在尝试解决同一个问题：如何让雷达保留更多原始信息，并让这些数据真正进入后端 AI 计算体系。
软硬件解耦打破封闭生态
让更多人参与雷达开发，需要软硬件解耦，这是 AI 雷达的另一支柱。软件与模型开发者面向应用独立开发，硬件交给专业厂家，形成类似 PC 产业的分层分工——在通用硬件基础上开发面向不同场景的应用模型，雷达从封闭生态走向开放生态。过去研发一款雷达须同时具备硬件、软件、射频、算法能力，只有少数企业和科研机构玩得起；解耦后不必组建全领域团队、不必购置昂贵射频环境，更多团队和个人得以参与。
在这一过程中，承泰希望通过超级雷达开发平台、SDK 以及相关开发工具，把过去相对封闭的雷达开发环境逐步开放出来，让更多 AI 开发者能够以更接近视觉 AI 的方式理解和使用雷达数据。
天时地利：AI 雷达时代已到来
AI 雷达直到现在才出现，是因为几股力量此刻才汇聚，可总结为 " 一个需求牵引，三个技术拐点 "。
需求牵引：物理 AI 爆发。 具身智能、机器人发展使感知需求从 " 看得见 " 升级为 " 看得懂 "，而跨越门槛的钥匙正是 AI 模型。物理 AI 必然遭遇雨雾烟尘、逆光闪光、透明障碍物等复杂环境感知挑战，把雷达感知推到台前。
数据拐点。 毫米波雷达近年探测精度与分辨率实现数量级飞跃，点云可达每帧数千至数万点，成为真正的成像雷达，单帧数据量达激光雷达级别。高清数据是 AI 的口粮。
算力拐点。 一端在雷达本体，内存与算力提升千百倍，端侧具备部署 AI 模型的硬件环境；另一端在系统架构，如汽车从分布式 ECU 走向中央计算 + 区域控制，整车演化为 " 移动数据中心 "，中央计算单元提供数百乃至上千 TOPS 算力，雷达原始数据可经车载高速网络直传域控，多节点原始数据甚至可相干融合、联合处理，实现虚拟孔径扩展与全局优化。
算法拐点。 AI 技术平民化与基础模型跨模态能力。模型能力增强、算力成本下降，PyTorch、ONNX 等开源工具链成熟；GPT、ViT、Occupancy Network 等已证明端到端学习在感知任务上的压倒性优势，迁移到雷达数据域路径清晰。
需求在牵引，数据、算力、算法三个条件同时具备，AI 雷达顺势而生。
AI 雷达正迎来 "ImageNet" 时刻
类比视频 AI：2012 年 AlexNet 在 ImageNet 一鸣惊人，开启视觉 AI 十年突破。但爆发的前提是两个——高质量标注数据积累（ImageNet 本身）与工具链普及（千万开发者可参与）。
雷达正站在类似门槛。学术界早有尝试：卡内基梅隆用 100 万帧原始雷达数据预训练出首个毫米波雷达 " 基础模型 "，可微调复用于检测、分割等任务；谷歌 Soli 把毫米波雷达装进手机实现隔空操控；近年还有学者用雷达无接触测出心电信号；顶级机器人会议工作已能让自然语言直接指挥 4D 雷达。这些说明雷达与 AI 结合的天花板远高于想象。
但需强调：学术演示到产业爆发之间，隔着数据、工具和生态。视觉 AI 爆发不是模型某天突然变聪明，而是千万开发者手里有了数据、工具和平台。在承泰科技看来，雷达行业当前缺少的正是这样的基础设施，而这也是承泰科技希望长期投入并联合产业各方共同补上的环节。
更开放的雷达开发模式
AI 雷达开发将分三个阶段：
初级 · 点云外置处理： 雷达经标准接口输出点云，开发者在外置处理器上训练部署模型，门槛最低。
中级 · 模型上机部署： 开发者直接在雷达内置计算单元部署模型，数据经 API 获取，集成度更高、成本更低、实时性更好。
高级 · 原始信号开放： 开发者经高速接口获取原始信号，探索微动特征、非视距感知等前沿方向，面向科研机构与深度研发团队。
生态越成熟，走向深水区的开发者越多，如同视觉领域大多数调用成熟模型、少数研究底层架构，两者相互支撑。
AI 雷达的核心能力
1. 信息利用。 传统雷达只用人工特征（距离、速度、角度、RCS）；AI 雷达利用原始信号全部电磁信息，包括微多普勒、极化、散射中心分布等工程无法触及的维度，数量级提升。
2. 角分辨率。 传统受物理孔径（瑞利极限）限制；AI 可通过超分辨学习突破，提升数倍，直接价值是小目标检测——大目标旁也能看清小目标。
3. 输出能力升维。 传统输出 " 点目标 "（距离 / 速度 / 角度）；AI 输出 " 语义实体 " ——不是 " 这里有反射点 "，而是 " 一辆正在减速的轿车 "" 一个奔跑的儿童，预计 1.2 秒后进入车道 "，甚至判断 " 这是被风吹动的灌木丛，可通行 "。
4. Free Space 可通行区域。 传统告诉你 " 前面有东西 "，AI 告诉你 " 哪里可以走 " ——区分低矮障碍与路面起伏避免误刹，识别积水结冰沙石并估计附着系数，在黑暗或暴雨中绘制可通行走廊，端到端原生输出。
5. 语义 SLAM。 雷达开始具备 " 记忆 "，把回波纹理（护栏样式、路面接缝、建筑立面）编码为语义路标，在 GPS 拒止环境高精度定位；回到同一场景能 " 认出 " 并调取历史语义地图融合，自动标记施工区、临时障碍，让语义地图实时演化。
6. 工程效率。 传统调参以周计，AI 数据驱动训练以天计；新增功能从重新设计信号处理链变为新增任务头做迁移学习，即插即用。恶劣天气下传统性能下降、虚警增加，数据驱动让雷达对雨雪自适应，鲁棒性成倍提升。
物理 AI 时代：AI 雷达蓄势待发
充分发展后，AI 雷达将带来四方面改变：
感知更丰富高阶。 弱信号、离散信号、多次反射、杂散信号过去被过滤丢弃，如今大算力大内存使其可被保留累积利用，支持语义输出、Free Space、SLAM 定位建图、Occupancy 占用网格建图。
更多人参与。 做雷达不再硬件软件射频算法样样自己来，解耦后开发者专注模型与应用，硬件交专业厂家——就像 PC 产业没人为了写软件去造电脑，开发从独门手艺变通用技能。
一键部署、多场景适用。 雷达全天候工作、直接测速、不采集图像天然保护隐私，是视觉感知不可或缺的补充，在具身智能、工业智能中需求将爆发。
成本与周期下降。 通用硬件规模化量产摊薄成本；模型可复用迭代，产品从 " 一次性工程 " 变 " 持续演进 "，售出后还能 OTA 升级——一次硬件部署，长期能力增长。
物理 AI 需要多模态融合感知
需求侧：雨雾烟尘、逆光闪光、透明障碍需毫米波全天候能力；高响应场景需直接测速；隐私场景需不采集图像。更重要的是，物理 AI 多与人类协同，安全需求要求增加感知多样性——不只摄像头，还要雷达等，如同人类不只靠眼睛，还有耳朵鼻子。
融合感知：物理 AI 拥有超强中央算力。摄像头、雷达前端是感知单元，计算单元是中央处理器，感知与计算分离。汽车智驾中毫米波雷达必配，新名词 " 卫星雷达 / 中央计算雷达 " 即实现感知计算分离——前端将电磁信号 ADC 采样数据直传中央域控，与光学信号做多模态融合。承泰科技已实现中央计算架构雷达的规模化量产交付，并持续推进原始雷达数据在中央计算平台上的统一处理、模型训练和多平台适配。在此基础上，承泰进一步提出 AI 超级雷达架构，将天线、射频和计算模块进行解耦，使边缘 AI 雷达与卫星 AI 雷达能够共享更开放的开发基础。第一性原理：人类大脑统一处理多感官，物理 AI 中央处理器也应统一处理多传感器。
产品形态：若 AI 雷达独立处理并出结果，含前端 + 计算单元，即 " 边缘雷达 "；若做多模态融合，只保留前端感知单元，信号交中央计算统一处理，即 " 卫星雷达 "。无论哪种，只要部署 AI 模型做信号处理，就是 AI 雷达。
推动 AI 雷达的初心
推动 AI 雷达，既有理性也有情怀。理性上，雷达结合 AI 能做过去做不了的事，物理 AI 大发展必然产生大量雷达感知需求，供需相互促进；但供给端跟不上——雷达研发过去是小众行业，传统模式难度大、周期长、投入高，行业需要生力军，而开放生态恰恰能动员它。情怀上，对这门技术有感情。推动 AI 雷达是情怀，更是行业领军者的责任：承泰希望做长期主义者，与生态伙伴一起扩大 AI 与雷达行业边界。
从企业实践走向行业共建：建设 AI 雷达生态基座
基于近十年的毫米波雷达研发、量产于中央计算架构实践，承泰科技把推动 AI 雷达从概念走昂可开发、可验证、可应用，归纳为三项基本工作：建设开发开发平台、运营超级雷达社区、推动训练数据与评测协作。三折分别解决 " 用什么开发 "" 与谁交流 "" 用什么训练与验证 " 的问题。超级雷达社区是承泰发起的开发连接平台，承泰则作为技术与工程资源的首批投入者和共建者之一。
超级雷达开发平台。承泰科技推出面向 AI 模型开发与部署的超级雷达架构和开发平台，实现天线、射频、计算三模块分离、独立替换组合，支持大算力大内存以满足模型上机部署，开放 SDK、文档与示例，支持从点云读取到模型部署全流程；并进一步将前端拆分为天线模块与射频模块，三分离架构可支撑边缘与卫星两类 AI 雷达开发。平台基于 CUDA 工具链，让雷达信号处理像图像一样便捷，输出标准数据快速接入 AI 模型；未来将推出多厂家多算力规格计算单元。
开发者社区。 社区围绕 AI 雷达、4D 成像雷达、中央计算、机器人感知等共同议题，连接芯片企业、雷达厂商、整车及机器人企业、高校和独立开发者。运营 AI 雷达开发者社区，聚合行业内外力量共建生态，推动点云数据格式与模型接口标准化，降低集成迁移成本。社区的公信力将来自持续产出有价值的技术内容，以及越来越多外部专家和生态伙伴的共同参与。
AI 训练数据集。 这是当前最要害的一环。有综述判断，毫米波感知下一个瓶颈不在模型架构，而在高质量数据集与标准化评测。承泰科技正在从软硬件两端推进：硬件上开发雷视融合一体机，用视频模型辅助雷达标注——以视觉长板补雷达数据短板；软件上训练雷达数据标注模型实现自动化标注，并搭建雷达标注数据开源平台，带动各方参与，提供统一标准数据集。
结语
视觉 AI 用十年让机器 " 看懂 " 平面世界；AI 雷达将让机器 " 看懂 " 立体的物理世界——全天候、可测速、懂语义。其终极形态不是更精确的雷达，而是更聪明的雷达：不再是一台测量仪器，而是一个感知智能体——理解场景、预测行为、记忆地图、适应环境，让电磁波拥有语义、毫米波拥有智慧。当行业争论 " 激光雷达还是纯视觉 " 时，AI 雷达开辟第三条道路：不是用更多传感器，而是用更智能的传感器；不是堆叠硬件，而是释放数据的全部潜能。道阻且长，行则将至。
雷峰网 雷峰网
