賈浩楠 發自 副駕寺
智能車參考 | 公眾號 AI4Auto

這是你未來的AI汽車，甚至是家用機器人看到的真實視角：

不像攝像頭，而是激光雷達的3D點云……但，這點云圖為什么是彩色的？

不但能“看到”彩色的3D場景，而且是4K高清分辨率。與今年宣稱高端的千線激光雷達相比，最匪夷所思的是這款“眼睛”的線數直接提升4倍多&，最高4320線！

誰做的？

激光雷達出貨、盈利一哥禾賽科技剛剛出的新品。

但是，這最有噱頭的4320線，禾賽反而一筆帶過，在他們看來，這款6D激光雷達，真正的價值是——

物理世界和AI最強鏈接功能件、數據入口。

AI汽車眼中的“6D世界”，什么樣的？

傳統激光雷達芯片只能感知三維空間X-Y-Z，長寬高三個維度，可以知道物體的位置和形狀：

而禾賽則是在長寬高三個維度之外，增加了感知紅-綠-藍三色的能力，XYZ+RGB，這就是所謂6D激光雷達的出處：

能識別300米開外的水馬（120x60 cm）、280米內的小動物（60x40 cm）， 甚至百米開外，能準確識別兒童玩具大小的（15x25 cm）小目標——遠距離下對微小或低矮障礙物的強大識別能力，為自動駕駛、L2+系統爭取了更多反應時間。

600米最遠探測距離遠超當前主流200-300米水平，而4320線標志著極高的垂直分辨率，使點云更密，能精細描繪物體輪廓。但禾賽首席科學家孫愷強調，高線數需匹配足夠的探測距離，否則遠處微小物體仍難以識別。

此外，單芯片原生支持2160線，最終4320線輸出是通過芯片級聯等技術實現的系統級能力。

2025年禾賽發布的800線版ETX角分辨率已達0.05°(H) x 0.025°(V)，這意味著在100米處能看清橫向約8.7厘米的物體。4320線版本的角分辨率將更為精細，為高階自動駕駛提供堅實的數據基礎。

這些參數背后，反映出禾賽6D激光雷達看得更清晰，而且與傳統激光雷達相比，不但能看到，而且看得懂。

AI汽車，只要這一個傳感器其實就夠了——和攝像頭相比，不用復雜算法還原3D場景，直接輸出真實無畸變的環境信息。

這也給6D激光雷達帶來了超越AI汽車“眼睛”、“安全帶”的意義：空間智能。

實際上，禾賽通過底層芯片級技術創新，把傳統激光雷達，變成了物理世界和AI最強鏈接功能件、數據入口。

6D激光雷達，技術突破在哪里？

RGB三色感知能力的核心，來自激光雷達接收端芯片——畢加索 SPAD-SoC：

SPAD（單光子雪崩二極管）是一種對光極其靈敏的探測器，原理如同一個極靈敏的“光子開關”，工作在蓋革模式下的它，一旦探測到一個光子，就能觸發一次雪崩效應并輸出一個清晰的數字脈沖。

從“幾百個”到“一個”光子，這種探測靈敏度的數量量級提升，再疊加能耗、集成度、固態化、數字信號等等優勢，使得SPAD成為下一代超高性能激光雷達的核心技術。

到這一步，一般的玩家就可以宣稱實現了激光雷達“代際”進化，但禾賽的探索遠不止于此。

禾賽6D全彩激光雷達芯片，并非簡單地將一個傳統的CMOS圖像傳感器和一個SPAD芯片封裝在一起，而是在芯片設計的最底層——像素級別，將3D感知與顏色感知進行了原生融合。

SPAD像素本身對光的波長（即顏色）不敏感，只能計數光子數量。為了讓它能區分顏色，禾賽的“畢加索”芯片在每個SPAD像素的上方，覆蓋了一層極其微小的彩色濾光片陣列：

該陣列由紅、綠、藍（RGB）等不同顏色的微型濾鏡組成，每個濾鏡只允許對應顏色的光通過并到達下方的SPAD像素。

通過分析被不同顏色濾鏡覆蓋的像素接收到的光子數量，結合算法就能重建出該區域的真實色彩，這與數碼相機的成像原理類似。

如何同時“測量距離”呢？

在SPAD探測到光子并產生信號的同時，芯片內部的精確計時器會測量從激光發射到光子返回的飛行時間（ToF）。這個時間信息直接轉換成了物體的距離。

因此，在一個芯片上，每個像素點都并行執行著“計數顏色光子”和“測量光子飛行時間”這兩項任務。這帶來的結果就是，芯片生成的每一個點云數據點，都原生在空間和時間上完美對齊地包含了空間坐標和顏色信息。

這是一種激光雷達底層結構、范式級的革命。

“像素級原生融合”解決了傳統“激光雷達+攝像頭”方案中長期存在的痛點，帶來了兩個根本性的優勢：

• 本質上的時空對齊：由于顏色和深度信息來自同一個物理像素，兩者的數據在空間和時間上是“天生”對齊的。這避免了傳統方案中，由于兩個獨立傳感器位置和采樣頻率不同而產生的數據錯位問題。
• 革命性的“超感光”能力：SPAD的“單光子探測”能力賦予了它極高的靈敏度，即使在極低光照環境下也能清晰成像。這使得搭載該芯片的激光雷達在夜間也能可靠地識別交通信號燈、路牌等帶有顏色信息的關鍵目標，而這是傳統攝像頭難以做到的。

通過在芯片設計的最底層，即像素層面，對光電二極管的結構、濾鏡層和計時電路進行了重新設計和深度融合，從而在一個芯片上實現了對物理世界更本質、更完整的數字表達。

激光雷達年初被熱議，高線數方案在華為推動下，成為了被用戶、車企追捧的“新”技術潮流。

但激光雷達“一哥”的選擇，出人意料：率先開始在底層芯片架構層面進行創新，線數提高是隨著芯片物理結構升維同步提高。

不以堆線數為目標進行迭代，禾賽最終的方案，卻在“線數”這個維度對所有傳統方案形成降維打擊，給出了看似遠超當下“車載”需求的性能、體驗方案。

時代變了，激光雷達也變了

激光雷達跟AI技術、產品緊密結合在一起，大概經歷過3個不同的歷史階段。

從DARPA挑戰賽開始，第一代機械式激光雷達登場，展現出的是難以替代的“冗余”、“補盲”價值，并在Velodyne的推動下成為自動駕駛核心傳感器之一。

后續隨著自動駕駛從演示走向落地，在成本需求驅動下，半固態產品登場，賦予智能汽車“安全”內涵，代表玩家禾賽等中國玩家，徹底淘汰了Velodyne，讓機械式激光雷達的線數擴張，永遠停留在64線。

第三代，則是“固態化”——芯片化的突破，尤其是接收端的SPAD技術，讓高線數激光雷達成熟落地。但也有局限性，比如成本、能耗等等。

禾賽的6D激光雷達，是行業向第四代方案探索的第一步：

試圖終結激光雷達、攝像頭路線之爭，在物理架構層面完成二者統一。

更強的性能是水到渠成的結果，禾賽探索路徑背后，更深刻的是自動駕駛、智能汽車、AI的技術浪潮趨勢。

客觀的事實也表明，每一代激光雷達“卷線數”的競爭，無一例外走不遠，很快就會被全新技術架構從底層顛覆。

車的層面首先是艙駕融合，依托VLA、世界模型架構，產生了艙駕融合的超級智能體，徹底打破傳統座艙與輔助駕駛割裂的行業瓶頸，構建“思考-感知-規劃-執行”全域一體的全新體驗。

驅動因素AI范式體系在代際更替中不斷向物理世界逼近：剛火了一年的VLA，已經開始被快速迭代。

行業共識正在從語言模型轉向能理解物理規律的多模態世界模型。從“預測下一個詞”到“預測世界下一狀態”，這一范式標志著AI開始掌握時空連續性與因果關系。

借助世界模型，AI從認知、識別轉向理解、推理，成為具身智能和客觀環境自主高效交互的基礎，從“認知”到“推演”發生質變。

這也讓AI汽車，成為物理AI落地的第一個物種：不再按照預設規則行駛的機器，而是能夠自主理解環境的物理邏輯、預判行為、應對從未見過的長尾場景。

汽車之后，更波瀾壯闊的浪潮已經在孕育——具身智能，正脫離實驗室演示，進入產業篩選與落地階段。

陪伴機器人、服務機器人、工業機器人……所有這些“身體”都需要一個理解物理世界規律的“大腦”，也都需要大量的物理交互數據來訓練。

而過去的數據入口，有無法回避的三大瓶頸：

其一，三維空間數據稀缺。互聯網上有海量的文字和圖片，但幾乎沒有現成的、大規模的、高保真的三維場景數據。物理AI需要的不是像素，而是帶有精確幾何結構、材質屬性、光照信息的三維世界。
其二，采集成本極高。學術界和工業界要獲取三維場景數據，傳統做法是用一圈上百個相機環繞被拍攝物體（電影《黑客帝國》中“子彈時間”首創的拍攝方式），從極多角度獲取信息再靠算法重建三維環境，但設備極其笨重昂貴，根本無法讓人帶著它到處走，只能服務于少量實驗室場景，無法規模化。
其三，標注效率低下且質量不足，如果要修改一個物體的位置，在照片中需要復雜的摳圖操作，且由于沒有結構信息，移動后的光影關系和位置關系很難真實。

而物理AI訓練需要大量可編輯、可交互的三維場景，以生成合成數據和模擬物理交互，單一的攝像頭或傳統激光雷達很難滿足需求。

所以，禾賽6D激光雷達誕生的真正原因，不是車端千線激光雷達不夠用，而是需要以AI汽車為載體，落地第一個原生、前融合的物理AI數據入口。

從另一個角度看，這也是AI第一性原理的體現，而且是更符合AI、機器的第一性原理，而非馬斯克從人類視角出發的純視覺第一性原理。

未來的發展方向，禾賽也給出了參考：

禾賽的空間智能AI硬件KOSMO，顯得格外前瞻和合理，能夠完整拍攝記錄3D世界的便攜設備，集成了自研激光雷達與攝像頭模組，結合空間感知算法與AIGC算法，可對真實物理空間進行三維掃描與重建，生成高保真三維模型。

讓三維數據采集從“奢侈品”變成“標準資源”，且數據具備可編輯和可交互的屬性。

同理，這樣的數據入口，可以在車端，可以手持，可以在機器人身上、甚至可以佩戴在智能眼鏡上……

在激光雷達行業，有一條看似簡單的競爭路徑——堆線數。從128線到512線，再到最近的近千線甚至超千線產品，線數成為消費者最容易感知的指標。

但禾賽始終知行合一：行業卷PPT的時候，禾賽卷量產交付；行業卷交付的時候，禾賽拼線數；行業卷線數、卷低價的時候，禾賽卷技術、卷體驗。

激光雷達的確是智能汽車、具身智能浪潮中給“淘金者”賣“鏟子”的聰明生意。

但當這項賣鏟子的生意，變成比“誰的鏟子更大、更便宜”的時候，禾賽最先意識到問題，又最早抓住新的技術浪潮——開始搭建那個讓淘金者真正能挖到金子的基礎設施。