文章导读
本文主要介绍了毫米波雷达射频架构、数据规模、实时传输和端侧算力的技术变迁，为什么正在重新定义能力边界？
基于这一判断，SuperRadar 社区提出了 AI 超级雷达开放平台：是一套由高性能射频硬件、开放雷达数据、端侧 AI 算力、算法模型和开发者生态共同构成的智能感知平台。
X100 是 8T8R、X100 Pro 是 16T16R架构打造的 AI Radar Kit，共同构成 SuperRadar 面向开发者打造的超级雷达平台底座。
每一次感知技术真正跨过一个阶段，都不只是因为某一个参数变得更高。
1826 年，第一张可以永久保存的照片出现，人类第一次把真实世界的视觉信息记录下来。
1966 年，MIT 启动 Summer Vision Project，尝试让计算机从图像中识别物体。
机器第一次不满足于“获得一张图片”，而开始尝试回答：图片里到底有什么？
2009年，李飞飞团队推动 ImageNet 计划，借助互联网规模的图像资源与人工标注，把庞杂、真实的视觉世界，用大规模图像和人工标注训练、评测视觉算法，系统地转化为机器可以训练、比较和学习的数据。
汽车、人、动物、植物、建筑……过去散落在真实世界中的视觉信息，逐渐形成一套可以不断训练算法的数据基础。
今天我们越来越强烈地感觉到：毫米波雷达，可能也正在走向类似的临界点。
当越来越多真实场景的雷达数据被采集、积累、标注、训练和复用，当射频、数据、算力和模型开始形成闭环，毫米波雷达的能力边界，可能不再只由出厂时的硬件参数决定。
这正是我们计划推动 AI 超级雷达开发套件与 SuperRadar 数据生态的原因。
从“看见”开始
毫米波雷达已经发展了很多年。
更远的探测距离、更高的精度、更大的带宽、更多的收发通道、更复杂的 MIMO 和天线阵列、更强的射频芯片……
这些技术不断推动毫米波雷达向前发展，也让它在汽车、交通、工业等领域建立起成熟的应用体系。
但过去大多数传统毫米波雷达，本质上仍然在解决几个非常明确的问题：
有没有目标？ 在哪里？
距离多少？ 速度多少？
机器要真正理解一个复杂的真实世界，仅仅知道“那里有一个目标”，还远远不够。
我们还想让机器感知到：目标是什么？正在做什么？多个目标之间是什么关系？这个场景里究竟正在发生什么？
甚至能不能直接让 AI 赋能毫米波雷达帮助机器理解真实世界？
如果这些问题要成立，雷达首先必须发生一个最基础的变化：它需要获得足够丰富的数据信息。
技术变革带来数据价值
当硬件有能力获取足够的丰富信息，系统可能没有能力处理那么多数据。
但今天，毫米波硬件底层技术正在发生变化，AI Radar Kit 超级雷达平台让一切变得可能。
计算平台变了
过去很多毫米波雷达系统依赖 SoC 架构，在有限的内存和算力里完成整个信号处理流程。
内存可能只有 MB 级别，计算资源也更多围绕固定信号处理任务设计。
而今天，X100已经接入并拥有 GB 级内存、GPU / AI 算力的计算平台。
不仅“算得更快”，而是让毫米波雷达拥有了端到端的端侧 AI 能力。
更重要的是：过去因为存不下、算不动的原始ADC和点云数据信息，现在有机会继续保留下来，并且有条件交给端侧 AI 实时处理计算。
X100 与 X100 Pro 作为 AI 超级雷达开发套件家族系列，正逐步完善相关能力与开发支持，打通从数据获取、实时处理到端侧 AI 部署的完整链路。
射频架构跨越
回看毫米波雷达的发展历程，行业已经经历了从 24GHz 单通道雷达、到 77GHz 射频雷达，再到 CMOS 架构雷达、4D 成像雷达的持续升级。
早期的单通道和低通道雷达，主要解决测距、测速和基础目标检测问题；
随着 2T4R、3T4R、4T4R 等架构逐渐成熟，毫米波雷达开始获得更高的距离与角度分辨能力，输出从少量目标结果走向更丰富的点云，并进一步支撑 4D 成像和复杂目标感知。
但当雷达需要看见更加完整的目标轮廓、精细结构和空间特征时，传统低通道架构能够获取的数据逐渐接近上限。
射频通道数，开始成为决定雷达信息获取能力的重要基础。
也正是在这个节点上，X100 的 8T8R 展现出了不同于传统雷达的平台级价值。
在相应的 MIMO、阵列和信号链设计下，更多收发通道意味着更大的虚拟阵列规模、更密集的空间采样，以及更多可以被算法利用的角度、结构和运动信息。
从 4T4R 到 8T8R，再到 16T16R，雷达获得的不只是更多目标点，而是更高的数据获取上限：
- 更大的虚拟阵列规模；
- 超高分辨率的高密度点云采集能力；
- 丰富点云信息及超高探测精度；
- 保留更多轮廓、结构和运动细节；
- 为复杂目标区分和高分辨点云提供更丰富的输入；
- 为 ADC 数据研究、算法开发和 AI 模型训练提供更大的数据空间。
与此同时，天线也从传统 PCB 板载方案，走向波导天线及更灵活的阵列设计，为天线效率、阵列布局和波束控制提供更大的工程空间。
因此，X100 与 X100 Pro 的价值，并不只是拥有更高的通道参数。
两者共同构成的是一套面向数据、算法和 AI 模型持续扩展的超级雷达平台。
AI开始理解雷达数据
传统毫米波雷达为了在有限算力和存储条件下高效完成任务，往往会通过 FFT、CFAR、聚类、跟踪等流程不断压缩原始信息，最终留下距离、速度、角度和目标列表等结果。
这种方式非常成熟，但也意味着很多微弱反射、频谱特征、微多普勒、目标内部运动等细节，可能在前处理阶段就被过滤掉。
原始 ADC 数据经过层层处理以后，最终可能只剩下少量目标结果。
现在有了 AI 加持，并不是要完全替代传统信号处理，而是让雷达有机会不再过早把原始数据压缩成几个结果。
模型可以直接从更丰富的数据中学习哪些特征真正有价值，从“人先定义特征”逐渐走向“模型从数据中学习特征”，也为分类、识别、行为分析等更复杂任务提供基础。
这也是传统算法与 AI 最大的区别之一。
数据革命
点云数量剧增
过去毫米波雷达看到的一个目标，可能只是一个点，后来变成一组点。
再后来，点开始组成目标的轮廓、结构和运动状态。
点云越丰富，意味着算法拥有更多可以利用的特征：
- 目标大小
- 空间结构
- 速度分布
- 运动连续性
- 不同目标之间的差异
高清时代
如果这种变化能够进入算法的数据，增加一个数量级，会发生什么呢？
这正是我们正在 X100 上尝试构建开放雷达硬件平台底座的探索。
CTSAI X100 采用 8T8R 雷达架构，集成式 AI 超级雷达开发套件，采用前沿波导天线方案，并在同一模组内集成 AI 算力核心（47TOPS 算力、4GB DDR4大缓存），以高达 6G ADC 数据带宽实现高分辨率原始数据采集，构成「雷达射频 + AI 算
力」一体化基盘。
添加小助手，提前获取 X100、X100 Pro 规格参数：superradar01
依托这些硬件优势，X100 整体数据规模相比过去的传统毫米波雷达，单次 ADC 原始数据规模可达到 8M 级别，提升了约30倍。
当描述真实世界的信息数据突然丰富不止一个数量级以后，毫米波雷达能够解决的问题肯定会随之改变。
就像人的眼睛，从模糊到清晰，真正重要的并不是“像素更多了”。
而是过去看不到的东西，开始进入大脑。
让数据流动
数据变多以后，新的问题马上出现。
传不出去怎么办？传出来了，但处理不过来怎么办？
海量数据本身，并不等于感知能力。
X100 的高速内部数据链路和实时外部接口，真正想解决的，并不是单纯提高某个传输数字。
而是：缩短真实世界和算法之间的距离。
X100 从目标发现至跟踪响应可达到约 33ms，并可通过千兆以太网输出点云、航迹及感知结果。
真实世界不会等算法慢慢处理，更多数据解决“看得丰富”，实时链路解决“连续地看”。
这也是为什么在 X100 上，高速数据传输不是一个孤立的产品功能。
计算进入雷达
过去，一套典型毫米波雷达系统通常是：
Radar → Data → External Computing → Perception → Result
但当数据规模越来越大、算法越来越复杂以后，我们开始思考：如果一颗雷达自己就拥有足够的计算能力呢？
如果计算能够直接运行在感知端呢？
那么整个感知链路就可能变成：雷达采集 → 端侧感知计算 → 结果
看起来只是少了几个环节，但对于机器人、低空、无人系统、工业安全等强调实时响应的场景来说，背后意味着完全不同的系统架构。
毫米波雷达的角色也开始发生改变，过去，它更像一个 Sensor。
现在，它开始同时拥有：感知 + 计算。
我们把这种角色理解为：Perception Computing Node——感知计算节点。
如果说更丰富的数据是在给雷达一双越来越好的眼睛，那么计算进入雷达之后，我们开始有机会给这双眼睛接上一个“大脑”。
模型定义能力
模型不会凭空产生能力，数据越单薄，AI 可以学习的特征就越少。
当毫米波雷达拥有更丰富的数据、实时链路和端侧 AI 计算能力，一个新的变量开始进入系统：模型。
同一套感知平台，通过不同数据和模型，就有机会承担不同任务。
一个模型研究目标分类，另一个模型面向低空目标；一个模型服务机器人环境感知，另一个模型针对工业安全场景。
于是，雷达能力开始不再只取决于芯片、通道和天线，还取决于：
- 它见过什么数据。
- 它运行什么模型。
我们坚信 AI 赋能毫米波雷达，在未来的范式一定是：更强的感知硬件 + 更丰富的数据 + 更大的计算平台 + 模型共同定义毫米波雷达能力
硬件并没有每天改变，但随着数据积累、模型训练和算法升级，它能够解决的问题可以继续增长。
场景开始生长
回到前面那个问题。为什么 AI 超级雷达有机会进入更多场景？
不是因为一颗硬件突然变得万能。
不同场景依然有自己的物理边界：探测距离、视场角、分辨率、功耗、安装条件，都不会因为 AI 消失。
真正发生变化的是：在硬件能力覆盖的范围内，越来越多场景差异，可以开始交给数据、算法和模型解决。
过去更像是：一个场景 → 定制一套雷达能力
未来希望变成：一个感知平台 → 不同数据与模型 → 不同场景能力
对于开发者，这意味着更低的开发门槛、更快的验证速度。
对于整个毫米波雷达行业而言，则意味着另一种可能：
一次底层研发，可以被更多场景复用，随着数据、模型和工具不断积累，进入下一个场景的边际开发成本可以持续下降。
为什么是社区？
这也是 SuperRadar 开源社区存在的真正理由。
一家公司可以定义硬件，但不可能定义整个真实世界。
假设你正在开发一个仓储机器人。
今天，如果你决定使用毫米波雷达，你可能需要从头解决：硬件、数据采集、解析、标注、训练、调参、部署、验证……
等这些基础问题全部完成以后，才真正开始解决自己的产品问题。
但我们希望未来可以变成另一种方式。
你拿到一套 AI 超级雷达感知硬件。
社区里已经有人积累过仓储环境的数据。
- 有人研究过人员、叉车和货架
- 有人完成过标注
- 有人训练过模型
- 有人验证过算法
你可以直接从已有成果开始，也可以继续采集自己的数据、训练自己的模型，再部署到 AI 超级雷达开发套件。
产品运行以后，又会产生新的数据。
新的数据让模型继续进化。
与此同时，另一个开发者可能在研究低空目标。
- 有人在研究道路
- 有人在做工业
- 有人做多传感器融合
- 有人尝试新的雷达算法
于是，一个飞轮开始形成：硬件 → 数据 → 模型 → 应用 → 新数据 → 更好的模型
更多真实场景产生更多数据，更多数据训练更多模型，更多模型进入新的场景。
新的场景再继续反哺整个体系：一个开发者的终点，成为另一个开发者的起点。
这才是 SuperRadar 社区真正希望形成的长期价值。
未来，我们希望逐步围绕这个方向建设：真实高质量场景数据集、模型与算法、开发工具、真实项目案例，以及只有真正进入场景以后才能积累的工程经验。
官方可以贡献，开发者可以贡献，高校可以研究，企业可以围绕自己的真实业务继续扩展。
社区只有越来越多真实使用者参与进来，我们才有机会不断扩展：毫米波雷达究竟能够理解多少真实世界。
超级雷达时代
回到文章最开始。
真正改变机器视觉的，从来不只是摄像头越来越高清。
当大规模数据、计算能力和模型开始在同一个时代相遇，机器视觉解决的问题才真正从：“获得一张图像”走向“理解图像中的世界”。
今天，我们看到毫米波雷达也正在出现类似的条件。
强大的射频、天线、芯片、带宽和信号链，仍然是所有事情成立的地基。
没有硬件能力，就没有数据。
但接下来真正决定毫米波雷达能走多远的，可能不再只有硬件。
还包括：它见过多少真实世界，积累了多少高质量数据，拥有多少能够被复用的模型，进入过多少真实场景。
以及多少开发者正在这个基础上继续创造新的能力。
当越来越多开发者开始贡献数据、训练模型、探索应用之后，毫米波雷达最终会变成什么？
我们现在还不知道所有答案。
但也正因为如此，这件事情才足够有意思。
X100，是以 8T8R 架构打造的 AI 超级雷达开发套件。
X100 Pro，则以 16T16R 进一步扩展空间采样、数据规模与复杂场景感知上限。
AI 超级雷达，是我们对下一代毫米波雷达产品形态的一次判断。
SuperRadar，是希望承载数据、模型、工具和开发者协作的开放社区。
我们真正想做的，不是一颗参数更高的雷达。
而是一个可以被数据训练、被模型扩展、被开发者持续重新定义的 AI 超级雷达平台。
接下来，我们想让它看见更多，最终开始看懂这个世界。
