从“有没有人”，到“人在哪里、在做什么”，再到理解人的状态和意图，毫米波正在经历的，可能并不只是一次技术升级，而是一场感知范式的变化。

当AI还停留在屏幕里的时候，算力、模型和数据是最核心的竞争要素。但当AI开始走进真实世界，问题突然变了。机器人进入家庭，需要知道前方有没有人、障碍物在哪里；空调需要知道人的位置和状态，避免冷风直接吹向儿童；康养设备需要判断一个人是否跌倒、是否处于异常状态；工业和安防系统，则需要在复杂环境中持续追踪目标。

这些问题有一个共同前提：AI首先必须“感知”真实世界。

这也是毫米波正在迎来的新机会。

在国庆长假前夕，贸泽芯英雄联盟直播间围绕毫米波感知演进举行了一场特别有意义的对话，本次直播邀请矽典微CEO徐鸿涛博士到场，在这次对谈中，一个颇值得关注的判断是：传感器正在从单纯的数据采集，走向对物理世界的理解；毫米波的角色，也可能从传统意义上的“存在检测器”，逐渐变成连接碳基生命与硅基智能的底层数据入口。

如果这个判断成立，那么今天讨论毫米波，就不能只盯着2T4R、3T8R、24GHz这些参数。

更值得关注的是：当物理AI真正进入现实世界，谁来持续给它提供数据？

主持人电子创新网CEO张国斌在直播中指出过去几年，大模型的能力突飞猛进。语言模型能够理解文字、生成内容，视觉模型能够识别图像，世界模型则试图进一步模拟现实世界的状态变化。

但无论模型多么强大，它最终都必须面对一个问题：虚拟世界里的模型，如何知道现实世界正在发生什么？而这正是物理AI和传统AI最大的不同。

徐鸿涛博士补充说传统AI面对的是数字世界里的数据；物理AI面对的是一个不断变化、充满噪声、存在遮挡和不确定性的真实环境。模型可以提前构建一个房间的“世界模型”，但当一个人走进房间、坐下、躺下、跌倒，甚至把椅子推到另一个位置时，这些实时变化必须重新进入模型。

于是，物理AI实际上需要一个持续循环：真实世界 → 传感器 → 数据 → AI理解 → 决策 → 执行 → 新的真实世界状态。

传感器就是这个闭环的入口。

徐鸿涛博士在直播中把这个关系讲得非常直接：物理世界模型可以在虚拟环境中构建对真实世界的模拟，但最终仍然需要把现实世界中的交互和变化重新感知，并把数据送回模型，才能形成真正意义上的物理世界闭环。这意味着，物理AI时代的传感器，重要性正在被重新定义。

过去传感器解决的是“测量”。未来它解决的可能是“让机器理解正在发生什么”。

徐鸿涛博士表示毫米波最早进入消费电子和智能家居时，最典型的应用其实非常简单：这里有没有人？有人，就开灯；没人，就关灯；有人靠近，就唤醒设备。这类应用已经足够实用，但它本质上仍然属于“存在检测”。

而随着收发通道增加、点云能力增强以及AI算法介入，毫米波开始获得更多维度的信息。

比如：一个目标在哪里？距离多远？移动速度是多少？是一个人还是多个人？站着、坐着还是躺着？是否正在移动？甚至能不能进一步判断这个人的状态？他在直播中展示的2T4R点云方案已经能够从俯视、侧视等维度识别多目标，并通过目标高度、活跃度等信息进一步区分人的状态。

这时候，毫米波的价值已经发生变化。它不再只是告诉机器：“有人。”而是在告诉机器：“这里有一个人，他在这个位置，他正在移动，而且他的状态可能正在发生变化。”这就是从“感知”走向“认知”的第一步。

徐鸿涛博士把这一过程进一步概括为三个阶段：感知——认知——守护。先判断有没有人，再理解人的状态，最终进一步帮助人变得更健康、避免危险。这其实已经超出了传统传感器的定义。

当然，物理AI的感知入口绝不只有毫米波。视觉、红外、热成像、声学、激光雷达，都可以承担感知任务。但毫米波有一个非常特殊的优势：它感知的是物理世界，却不需要像摄像头那样“看见”人。

这带来两个重要价值：第一个是环境适应能力。光线、黑暗、一定程度的遮挡、烟雾、复杂室内环境，都可能成为视觉系统的挑战，而毫米波并不完全依赖光学条件。

第二个，也是越来越重要的，是隐私。家庭、卧室、卫生间、养老空间这些场景，人们未必愿意长期暴露在摄像头之下。但如果机器只需要知道“有人”“人在什么位置”“是否跌倒”“是否正在移动”，毫米波提供了一种更低侵入性的感知方式。

直播两位嘉宾也特别讨论了这一点：在很多室内场景，视觉和声学并不能完全发挥优势，尤其涉及隐私时，毫米波天然具有一定差异化价值。

这也是为什么，毫米波的机会可能不只是“替代某一种传感器”。它更可能成为多模态物理AI感知体系中的重要底层数据源。

徐鸿涛博士指出从技术演进来看，毫米波正在进入一个很有意思的阶段。过去更多是单发单收、一发两收这样的基础配置。如今，2T4R已经开始进入更高规格的点云感知，而3T8R级联则进一步把空间分辨率、多目标检测和远距离探测能力推向更高水平。

矽典微最新一代产品的演进，本质上就是在不断增加机器从真实世界获得的信息维度。直播中，徐鸿涛博士提到，未来室内场景更重要的方向之一，是同时追踪更多的人，并进一步识别每个人的姿态；极端情况下，甚至希望能够在两个人同时躺在床上、基本不动的情况下，分别识别两人的状态和呼吸心跳。

这背后的逻辑很清楚：

收发通道越多，不只是“看得更远”，更重要的是能够获得更丰富的空间信息。从单点到点云，从点云到多目标，再从多目标到姿态和状态识别，最终进入行为理解。所以2T4R、3T8R真正值得关注的地方，不是参数表上的“4”和“8”。

而是：机器从真实世界获得的数据维度正在增加。而数据维度的增加，又给AI提供了更多理解现实世界的基础。

如果说硬件提供了更多数据，那么AI正在改变的是：机器如何理解这些数据。这是毫米波产业一个非常关键的变化。传统毫米波算法已经发展了几十年，大量算法建立在明确的数学模型和电磁传播规律之上。

问题在于，真实室内环境远比理想模型复杂。桌子、椅子、墙壁、金属、电器、风扇都会产生反射；人移动时会产生多径和强反射；人离开之后还可能留下目标残影。

传统算法当然可以不断增加规则，但规则越来越多之后，系统也越来越复杂。这也是矽典微较早尝试“原生AI算法”的原因。

直播中徐鸿涛博士博士展示的一个典型场景是：人在复杂室内环境中走动，强反射物会形成假目标；人在离开后，目标还可能残留；甚至人推动椅子等可移动物体，也可能让雷达误认为出现新的目标。

这些问题很难靠无限增加规则解决。而AI提供了另一种路径：让模型从大量数据中学习“什么是真正的人，什么只是环境变化”。因此，毫米波的AI化并不是简单地在雷达芯片旁边加一个AI模块。

它更深层的变化是：毫米波开始从“基于规则解释信号”，走向“让AI理解信号”。这可能是下一阶段毫米波真正的技术分水岭。

直播中还有一个很有代表性的争论：既然60GHz、77GHz等更高频段能够提供更高带宽和更高空间分辨率，为什么还要坚持24GHz？徐鸿涛博士指出这个问题实际上反映了毫米波产业一个很容易被忽视的事实：频率不是越高越好，关键在于场景。

如果目标是汽车雷达或者高精度空间成像，对距离分辨率、角分辨率的要求非常高，高频段当然具有优势。但如果目标是室内的人体感知，问题就完全不同。一个人的尺寸本身就是几十厘米到两米级别。此时真正重要的未必是把空间切得无限细，而是：能不能稳定检测到人？能不能穿透一定程度的环境干扰？能不能降低成本和功耗？能不能覆盖足够大的空间？

直播中给出的一个关键判断是，24GHz在室内覆盖范围、穿透能力以及信噪比方面具有优势；对于人体这种尺度的目标，真正影响检测精度的也不只是带宽，信噪比同样非常关键。

所以，毫米波未来并不存在一条简单的“频率越高、技术越先进”的路线。真正的竞争，是：用什么样的频段、通道数、波形、算法和成本，解决什么样的问题。

这也是毫米波从“芯片竞争”走向“场景竞争”的一个重要标志。

如果说智能家居是毫米波过去几年最成熟的应用之一，那么下一阶段更大的想象空间，可能来自机器人、康养、工业和安防。

原因很简单：这些场景都要求机器理解真实世界。机器人不能只依赖摄像头。它需要知道一个人距离自己多远、从哪个方向靠近；在黑暗、遮挡、复杂环境中，它需要持续感知；在家庭场景里，它还要面对隐私问题。

康养则需要判断跌倒、姿态、呼吸和睡眠状态。工业需要面对粉尘、遮挡、复杂环境和目标追踪。安防则可能需要在视觉不适合的环境里，完成周界和远距离目标探测。

直播中徐鸿涛博士提到，未来室内毫米波可能进一步向多人、多姿态乃至多人生命体征识别发展；室外则可能走向无人机探测、周界安全等更远距离的场景。这意味着一个很重要的产业变化：毫米波正在从“一个产品功能”，变成物理AI系统的基础能力。

徐鸿涛博士指出从实验室Demo走向真正的物理AI产品，还有一道很长的鸿沟。客户最终需要的不是一个漂亮的点云。而是：低成本、低功耗、小尺寸、稳定、可靠、合规，并且能够快速开发。

这也是芯片厂商竞争越来越“重”的原因。从芯片到参考设计，再到算法、开发工具和开发生态，产业链正在逐渐向上延伸。

他表示矽典微目前的路径也比较典型：底层是SoC芯片，上面提供参考硬件和算法，再进一步通过OneLab开发体系降低开发门槛，包括标准硬件、软件工具、开源实例以及API等。其核心目的，是把过去只有专业雷达工程师才能做的事情，逐渐变成更多开发者可以参与的事情。

这件事情的重要性甚至不亚于芯片本身。

因为物理AI的应用不会由一家芯片公司全部定义。真正决定市场边界的，很可能是：有多少开发者拿到传感器之后，能够创造出芯片厂商原本没有想到的应用。这也是毫米波真正走向普及的关键。

把视角拉得更远一点，会发现毫米波和物理AI之间其实存在一个非常有意思的关系。今天大家谈AI，往往首先想到GPU、算力、大模型。

但物理AI的逻辑不完全一样。一个机器人拥有再强的模型，如果它不知道前面站着一个人，它依然无法做出正确决策。一个家庭AI拥有再强的推理能力，如果它不知道老人刚刚跌倒，它也无法真正提供帮助。

一个世界模型拥有再精确的虚拟环境，如果现实世界发生变化之后没有新的数据进入模型，那么这个“世界”很快就会和现实脱节。

所以，物理AI真正需要的是一个持续运行的数据闭环：传感器感知现实 → 生成空间与行为数据 → AI理解状态和意图 → 世界模型更新 → 系统做出决策 → 再次感知。

毫米波恰恰处于这个闭环最前端。它不负责替代大模型，也不负责单独完成所有推理。它负责的是：把现实世界发生的事情，变成机器能够理解的数据。从这个意义上说，毫米波不是物理AI的大脑。它更像是物理AI伸向现实世界的一组“神经末梢”。

这或许也是这场直播中最值得留下来的一个观点。主持人张国斌指出过去人与机器之间的交互，主要靠命令。人说一句话，机器执行一个动作。但真正成熟的物理AI，可能并不是这样。未来的机器人、空调、家电和各种智能设备，不一定需要人不断告诉它“我要什么”。它应该能够通过人的位置、姿态、行为和状态，主动判断需求。

徐鸿涛博士补充说应该是人走到空调前，空调知道应该调整风向；儿童跑到冷风口附近，系统知道应该避让；老人跌倒，设备知道需要报警；机器人看到一个人走过来，知道应该主动避让。

这背后，本质上是一个变化：机器开始从“听懂人说什么”，走向“理解人在做什么”。而这恰恰是毫米波最有机会参与的一场变化。从这个角度看，毫米波的未来并不只是智能家居里多装几个雷达。

更大的机会是：让机器真正拥有感知现实世界的能力。

过去十多年，毫米波解决的是一个相对明确的问题：如何让机器知道“这里有没有东西”。下一阶段，它要解决的问题则变成：这个东西是什么？在哪里？正在做什么？接下来可能发生什么？

而当AI开始参与其中，毫米波又获得了新的可能：从采集数据，到理解数据；从检测目标，到理解场景；从感知空间，到连接真实世界与世界模型。这也解释了为什么2T4R、3T8R、多目标点云、原生AI、参考设计和开发者生态会同时出现。

它们看起来是不同的技术点，实际上都在服务同一个方向：让机器获得越来越丰富、越来越准确、越来越低成本的现实世界数据。所以，真正值得关注的可能不是“毫米波能不能成为下一个爆发的传感器”。

而是另一个更大的问题：当AI开始从数字世界走向物理世界，谁来成为它进入现实世界的第一道数据入口？至少在家庭、机器人、康养、工业和安防等大量场景中，毫米波正在成为一个越来越值得认真研究的答案。

而这场革命，可能才刚刚开始。

对此，大家怎么看？欢迎评论区留言讨论！