随着具身智能与物理 AI 的爆发，毫米波雷达正经历从 SDR（软件定义雷达）向 MDR（模型定义雷达）的范式转移。通过将传统级联信号处理链替换为端到端 AI 模型，雷达正在从“出厂即定格”的测量仪器进化为具备场景理解能力的感知智能体。
传统雷达的功能由工程师将人工设计的规则写死在固件中，出厂即定格；而 AI 雷达的功能则由模型决定，被称为模型定义雷达（Model-Defined Radar, MDR）。
遵循几十年不变的处理步骤：
每一级均为物理简化假设（点模型、高斯噪声），逐级丢失信息并累积误差。
让数据自己说话：
底层开发门槛降低，雷达从专有技术转变为可广泛参与的通用技术。
针对业界常混淆的概念，技术路线的区别在于：4D 成像雷达解决硬件“看得清”，AI 雷达解决“看得懂与迭代快”。两者为相互成就关系。
“4D成像雷达把路修宽，AI雷达让路上跑起车来。”
AI 雷达在当前节点顺势而生，是由于需求端与供给端的技术要素首次完成交汇：
具身智能与机器人感知从“看得见”升级为“看得懂”。面对雨雾、逆光、强光、透明物等复杂环境，毫米波雷达的全天候特性被推至前台。
4D 成像雷达使单帧点云达到数千至数万点，单帧数据量逼近激光雷达级别。高密度的点云为深度学习模型提供了充足的训练“口粮”。
端侧雷达芯片内存与算力提升；同时车载架构走向中央计算，域控可提供数百 TOPS 算力，支持原始数据直传与相干融合。
PyTorch、ONNX 开源生态普及，ViT、Occupancy Network 等端到端感知架构成熟，向毫米波信号域迁移的路径完全打通。
数据说明：在物理 AI 体系中，中央算力单元统一处理多传感器原始信号，雷达数据不再在前端被过早切断或降维，满足了多模态融合的第一性原理。
对比传统算法，AI 模型的引入在以下六个关键物理维度完成了重构：
突破过去仅提取距离/速度/角度/RCS 的局限，完整保留并利用微多普勒、极化与散射中心分布等原始电磁维度。
不受限于物理孔径大小，通过超分辨学习机制提升数倍角分辨率，实现大目标旁小目标的精细化识别。
不再输出孤立的点云，而是直接输出“减速中的轿车”或“预计 1.2 秒后进入车道的儿童”，具备行为预测倾向。
自动区分低矮障碍与路面起伏，识别积水、结冰与沙石附着系数，在暴雨或黑暗中直接绘制可通行安全走廊。
将护栏样式、建筑立面等电磁纹理编码为语义路标。在 GPS 拒止环境中实现定位，并能动态标记施工区域。
新增功能从重新设计硬核信号链简化为追加迁移学习 Head，对恶劣天气具备数据驱动的自适应鲁棒性。
AI 雷达的开发者参与度正经历递进式演进，呈现出明确的阶梯式特征：
雷达通过标准接口输出点云，开发者在外置处理器上部署训练模型，接入门槛最低。
直接在雷达内置计算单元中通过 API 部署模型，集成度更高、延时更低。
经高速接口获取 ADC 原始信号，探索非视距感知与微动特征，面向深度研发场景。
在硬件形态层面，AI 雷达正分化为两大支流：带有端侧计算单元的“边缘雷达”，以及仅保留天线射频前端、将原始信号直传中央域控的“卫星雷达”。两者均以部署 AI 模型为核心标识。
类比视觉 AI 发展史，AlexNet 的突破依赖于 ImageNet 数据集与通用工具链的成熟。毫米波雷达若要跨越从学术演示到产业爆发的鸿沟，关键在于补齐底层基础设施：
实现天线、射频、计算模块的分离与独立组合。通过开放 SDK 与基于 CUDA 的工具链，降低底层开发门槛。
开发雷视融合一体机，利用视觉模型辅助雷达标注；建立开源数据标准，破解数据稀缺难题。
产业界正在通过开放软硬件接口、组建超级雷达社区等方式，推动雷达接口标准化与数据集共建，使开发者得以专注于算法与场景应用。
毫米波雷达的“AlexNet 时刻”取决于数据与工具链的平民化。传感器智能化并非单纯堆叠硬件，而是通过软硬件解耦释放原始信号全量价值。未来智驾与具身智能的竞争，将逐步从“传感器路线之争”演变为多模态物理 AI 的中央计算融合之争。