过去两年，聊智驾技术基本绕不开这几个词：端到端、VLA、世界模型，还有一张比一张贵的训练卡。
讨论几乎全在模型那一侧。
可有个问题很少有人正面问：模型换了，传感器要不要跟着换？
最近有消息称，千里科技发布了一款 AI 毫米波雷达（4D），千里称这是首次在雷达里集成 10 TOPS 的 NPU。
我把手头能拿到的材料从头读到尾，也对了一遍千里科技的收购公告和合作信息。看完我觉得，这颗雷达正好是这个问题的一个样本。
所以，本文深挖下，端到端之后，传感器交给模型的东西该怎么变。
一句话总结文章
现在的做法：传感器按自己的标准处理完，再让模型去适配
千里的做法：把判断这一步挪进雷达，交出模型要的四维特征
原始数据也没丢：卫星模式把中频数据直接交给中央域控
下面我们拆解分析。
先看现在的通行做法。
传感器先按自己的标准把数据处理完：摄像头交图像，毫米波雷达和激光雷达交点云。模型再在前融合或后融合里，把这些格式统一起来。
规则时代，这套流程没什么问题。判断本来就是人写的，工程师可以顺着传感器的输出去写。
端到端不一样。它把摄像头像素直接送进模型，中间那套「先检测框、再跟踪、再规划」的流水线被拿掉，输出直接就是轨迹。
判断交给了模型，问题也跟着来了：传感器在前端按固定规则丢掉的信息，模型得花算力和精度去补，有些根本补不回来。
打个比方，就像厨师接手了一批已经配好的菜，但是食材不对或者配比不对，后面手艺再好也做不出一道地道的菜。
说白了，端到端之后，传感器交什么，开始决定模型的上限。
摄像头是被动感光，拿到的是二维投影加亮度。
距离要靠三角测量或对物体尺寸的先验去推，速度要靠相邻两帧的位移去推。光线好的时候够用，到了雨、雾、逆光和夜里，信噪比一掉，误差就上来了。
毫米波雷达补的正是这块。77GHz 的电磁波波长约 4 毫米，穿透雨雾的能力远好于可见光。
更关键的是，它靠多普勒效应直接测速。测出来的是物理量，没有推算误差。
前车是停着还是在慢慢挪，处置差别很大，而自动紧急制动（AEB）最怕的就是这个判断出错。
那雷达自己没毛病吗？有。
传统 3D 雷达只测距离、速度和水平方位角，没有俯仰角，分不清前面那个回波是路上的铁板，还是站在铁板上的人。角分辨率又粗，几个目标挨近了就糊成一团。
结果就是两类误判：把铁板、井盖、龙门架当障碍，出现「幽灵刹车」；或者把并排的车和两轮车当成一个，漏掉其中危险的那个，这种我们之前讲4D毫米波的文章《4D 成像毫米波雷达 - 101》讲多了。
很多车企的办法是给雷达降权，让它在 AEB 里少说话。
4D 雷达补上了俯仰角，雷达第一次有了高度信息。这两年它的装车量在快速爬坡，不过各家机构的统计口径差得很远，我这里只讲趋势。
雷达留在车上靠的是物理，它的问题一直在于交给模型的数据太粗。
千里的说法是，这颗雷达从信号检测到目标分类，整条链路都交给模型。
这句话要拆开看，因为市面上不少「AI 雷达」，只是在传统链路的输出后面加一层模型做二次判断，前端还是老办法。
传统雷达处理信号分五步：ADC 采样、FFT 变换、CFAR 门限检测、聚类、跟踪。
核心是 CFAR。它按一个固定门限决定哪个回波算目标。
门限定高了，行人、两轮车、低反射的锥桶这类弱目标会被过滤掉；定低了，杂波和多径鬼影又全留下来。调参只能在两头之间挑一个位置。
铁板就是典型：铁板反射强，稳稳越过门限；站在上面的人回波弱，反倒可能被压下去。
判断依据变了，从「回波强度有没有超过阈值」，变成「这组回波的特征像不像一个目标」。
模型可以在训练里学到多径鬼影长什么样、弱目标的回波有什么规律，不再靠一个数字一刀切。
千里称，这颗雷达能把铁板和站在上面的行人区分开；对儿童这类小目标，传统 3D 雷达稳定探测约 50 米，它能做到 100—150 米。
交付物也跟着变了。10 TOPS 的 NPU 在雷达端完成点云解析、目标分类、轨迹预判和占用估计，输出从原始点云变成了和模型对齐好的四维特征。
我觉得这是整颗雷达最关键的一处改动，让模型来决定哪些回波值得留下。
读到这里，懂行的朋友可能会问一句。
端到端不是主张让模型自己学吗？那干脆把最原始的回波全部交给中央大模型好了，雷达端先处理一遍，算不算另一种信息损失？
我的理解是：区别在于这一步能不能训练。
CFAR 是写死的规则，丢掉什么由工程师事先定好。雷达端的模型可以和下游模型一起训练、一起升级，丢什么、留什么由数据决定。
另外，千里也没把原始数据这条路堵死，它给了两种模式。
•边缘计算模式：NPU 在雷达端完成判断，直接交结构化结果，链路短、响应快，也不用搬大块点云
•卫星架构模式：雷达只采集和传输，把未做目标检测的中频数据送到中央域控统一处理，信息更完整，算法也能统一
两种模式用同一套硬件，按整车的算力配置来选。此外，卫星模式下雷达端的算力仍在线，域控或链路异常时还能自己发预警，不过主路径仍是中央融合。
OTA 也一样，检测交给网络后，升级改的是模型参数。我推断升级会更细、更快，但得等量产车来验证。
千里回答的是交什么数据，看多远只是结果。
先看已经有的。
•算法：阶跃星辰的基座模型，双方 2026 年 4 月宣布共建原生智驾基座模型
•感知：今年 6 月 11 日，千里智驾以 2590.8 万元收购融感科技 100% 股权
•整车：吉利体系的场景和数据
千里自己做智驾算法、端侧芯片适配和系统集成。模型要什么数据、雷达怎么改、改完上哪辆车验证，可以在一个体系里转起来。
它走的路介于全栈自研和纯整合之间，用股权和统一开发体系把几家串起来，自己抓定义权。好处是不用从零投入，代价是协同成本高。
体系已经能转起来，量产、成本和外部客户这三样证明，我们拭目以待。
端到端把模型推到了智驾的主角位置。主角换了，配角交的东西也得换。
传感器过去做的，是把看到的东西尽量完整地交出去；现在要考虑的，是按模型需要的格式交数据。
千里这颗雷达，是这个转变在硬件上的一次样本。当然，参数写在发布材料里，路上表现还得靠量产车来证明。
不过，这一次千里也算是作为中国智驾的新秀打开了一道新的产品技术方向
