10TOPS做端到端，算力門檻被拉低
方案的核心動作，是將AI算力放進4D毫米波雷達內部，讓傳感器直接處理更多原始信號，減少對人工設計規則的依賴。傳統做法是先將雷達回波聚類成點雲，再交給下游模型做檢測，中間每一步都有人為規則的損耗。千里科技這顆雷達支援邊緣側、衛星架構及兼容模式，邊緣側模式下回波在雷達端走完從ADC採樣到目標跟蹤與分類的全鏈路，衛星架構下則將更接近原始信號的數據交給域控處理。端到端把這段鏈路壓縮成模型，理論上保留了更多原始資訊，也讓算力需求大幅下降。
對比主流Orin平台動輒數百TOPS的算力，10TOPS意味著這套感知方案可以下放到入門級車型或低速無人車。若真能穩定運行，單車感知成本有機會從萬元級壓到數千港元。這對機場無人拖車、園區物流車這類價格敏感的場景，吸引力直接寫在賬面上。
但端到端訓練需要大量帶標註的雷達原始數據，這類數據集的公開規模遠小於攝影機數據。10TOPS能跑推論，不等於能訓練出收斂的模型。印奇團隊沒有公佈訓練數據的來源和規模，這是一個關鍵空白。沒有足夠的原始雷達標註，低算力優勢只停留在推論端，訓練端仍然是燒錢的無底洞。
4D雷達補的是光學方案的盲區
4D毫米波雷達可輸出距離、方位、高度與都卜勒速度，在雨霧與強光下的衰減比攝影機小。香港的實際場景把這個優勢放大了：青馬大橋及大老山隧道一帶的暴雨與濃霧，攝影機畫面經常只剩一片灰白，雷達回波卻仍能給出目標的距離和速度。紅磡海底隧道內無GPS的場景，雷達的相對定位同樣比光學方案穩定。
端到端處理可保留傳統流程丟棄的相位與微都卜勒資訊，理論上對行人與靜止障礙物更敏感。傳統點雲聚類會把微弱的都卜勒特徵當成噪聲濾掉，端到端模型則有機會從原始相位中學到這些細節。問題是雷達點雲稀疏，直接端到端容易過擬合，模型在訓練集上表現漂亮，換一條隧道就可能失準。
若10TOPS方案能壓低單車成本至數千港元，港大、科大的車聯網研究以及機場無人拖車項目，都有條件先做小規模驗證。但驗證歸驗證，雷達端到端要與攝影機特徵融合才能穩定，單靠雷達一條腿走路，現階段看不到取代光學路線的可能。
香港場景的驗證價值
香港年均降雨日數約140天，青馬大橋與大老山隧道一帶的暴雨濃霧，正是雷達相對光學方案的優勢場景。隧道與高架密集，GPS遮擋情況普遍，4D雷達的高度維度有助區分天橋與地面車道，這些都是本地測試的獨特價值。
若10TOPS方案能把單車成本壓至數千港元，港大、科大的車聯網研究，以及機場無人拖車項目，都有條件先做小規模驗證。機場禁區內低速、路線固定的環境，比開放道路更適合驗證雷達端到端的可靠性，失敗成本也較低。
不確定之處在於數據。本地缺乏雷達原始數據的標註能力，端到端訓練需要大量帶標籤的原始回波，香港幾乎沒有這類數據集，短期內只能依賴內地數據或跨境合作。場景驗證的價值真實存在，但訓練閉環不在香港手裡，這是本地研究團隊要面對的結構性限制。
把4D毫米波雷達端到端化，真正的意義不在算力數字，而在於用10TOPS的低成本換取感知冗餘。攝影機加光達的路線已經成熟，雷達端到端是差異化選擇，不是替代方案。印奇團隊跳過點雲流程，理論上保留更多原始資訊，但雷達原始數據的稀疏與噪聲特性，令訓練收斂難度遠高於攝影機，短期內更可能是輔助角色。
香港的價值在於場景而非技術。暴雨、濃霧、隧道無GPS，這些環境把雷達的優勢放大，機場無人拖車與學界車聯網研究有條件先做小規模驗證。但本地缺乏原始雷達數據的標註能力，訓練閉環依賴內地，量產與車規認證亦無時間表。若成本真能壓至數千港元，驗證值得做；若不能，這條路線在香港只會停留在論文與示範階段。
