4320线！6D全彩！禾赛这颗激光雷达，马斯克看了也得懵|传感器|单光子|埃隆_马斯克|禾赛|量子网络|雷达

贾浩楠发自副驾寺
智能车参考 | 公众号 AI4Auto

这是你未来的AI汽车，甚至是家用机器人看到的真实视角：

不像摄像头，而是激光雷达的3D点云……但，这点云图为什么是彩色的？

不但能“看到”彩色的3D场景，而且是4K高清分辨率。与今年宣称高端的千线激光雷达相比，最匪夷所思的是这款“眼睛”的线数直接提升4倍多&，最高4320线！

谁做的？

激光雷达出货、盈利一哥禾赛科技刚刚出的新品。

但是，这最有噱头的4320线，禾赛反而一笔带过，在他们看来，这款6D激光雷达，真正的价值是——

物理世界和AI最强链接功能件、数据入口。

AI汽车眼中的“6D世界”，什么样的？

传统激光雷达芯片只能感知三维空间X-Y-Z，长宽高三个维度，可以知道物体的位置和形状：

而禾赛则是在长宽高三个维度之外，增加了感知红-绿-蓝三色的能力，XYZ+RGB，这就是所谓6D激光雷达的出处：

能识别300米开外的水马（120x60 cm）、280米内的小动物（60x40 cm），甚至百米开外，能准确识别儿童玩具大小的（15x25 cm）小目标——远距离下对微小或低矮障碍物的强大识别能力，为自动驾驶、L2+系统争取了更多反应时间。

600米最远探测距离远超当前主流200-300米水平，而4320线标志着极高的垂直分辨率，使点云更密，能精细描绘物体轮廓。但禾赛首席科学家孙恺强调，高线数需匹配足够的探测距离，否则远处微小物体仍难以识别。

此外，单芯片原生支持2160线，最终4320线输出是通过芯片级联等技术实现的系统级能力。

2025年禾赛发布的800线版ETX角分辨率已达0.05°(H) x 0.025°(V)，这意味着在100米处能看清横向约8.7厘米的物体。4320线版本的角分辨率将更为精细，为高阶自动驾驶提供坚实的数据基础。

这些参数背后，反映出禾赛6D激光雷达看得更清晰，而且与传统激光雷达相比，不但能看到，而且看得懂。

AI汽车，只要这一个传感器其实就够了——和摄像头相比，不用复杂算法还原3D场景，直接输出真实无畸变的环境信息。

这也给6D激光雷达带来了超越AI汽车“眼睛”、“安全带”的意义：空间智能。

实际上，禾赛通过底层芯片级技术创新，把传统激光雷达，变成了物理世界和AI最强链接功能件、数据入口。

6D激光雷达，技术突破在哪里？

RGB三色感知能力的核心，来自激光雷达接收端芯片——毕加索 SPAD-SoC：

SPAD（单光子雪崩二极管）是一种对光极其灵敏的探测器，原理如同一个极灵敏的“光子开关”，工作在盖革模式下的它，一旦探测到一个光子，就能触发一次雪崩效应并输出一个清晰的数字脉冲。

从“几百个”到“一个”光子，这种探测灵敏度的数量量级提升，再叠加能耗、集成度、固态化、数字信号等等优势，使得SPAD成为下一代超高性能激光雷达的核心技术。

到这一步，一般的玩家就可以宣称实现了激光雷达“代际”进化，但禾赛的探索远不止于此。

禾赛6D全彩激光雷达芯片，并非简单地将一个传统的CMOS图像传感器和一个SPAD芯片封装在一起，而是在芯片设计的最底层——像素级别，将3D感知与颜色感知进行了原生融合。

SPAD像素本身对光的波长（即颜色）不敏感，只能计数光子数量。为了让它能区分颜色，禾赛的“毕加索”芯片在每个SPAD像素的上方，覆盖了一层极其微小的彩色滤光片阵列：

该阵列由红、绿、蓝（RGB）等不同颜色的微型滤镜组成，每个滤镜只允许对应颜色的光通过并到达下方的SPAD像素。

通过分析被不同颜色滤镜覆盖的像素接收到的光子数量，结合算法就能重建出该区域的真实色彩，这与数码相机的成像原理类似。

如何同时“测量距离”呢？

在SPAD探测到光子并产生信号的同时，芯片内部的精确计时器会测量从激光发射到光子返回的飞行时间（ToF）。这个时间信息直接转换成了物体的距离。

因此，在一个芯片上，每个像素点都并行执行着“计数颜色光子”和“测量光子飞行时间”这两项任务。这带来的结果就是，芯片生成的每一个点云数据点，都原生在空间和时间上完美对齐地包含了空间坐标和颜色信息。

这是一种激光雷达底层结构、范式级的革命。

“像素级原生融合”解决了传统“激光雷达+摄像头”方案中长期存在的痛点，带来了两个根本性的优势：

本质上的时空对齐：由于颜色和深度信息来自同一个物理像素，两者的数据在空间和时间上是“天生”对齐的。这避免了传统方案中，由于两个独立传感器位置和采样频率不同而产生的数据错位问题。
革命性的“超感光”能力：SPAD的“单光子探测”能力赋予了它极高的灵敏度，即使在极低光照环境下也能清晰成像。这使得搭载该芯片的激光雷达在夜间也能可靠地识别交通信号灯、路牌等带有颜色信息的关键目标，而这是传统摄像头难以做到的。

通过在芯片设计的最底层，即像素层面，对光电二极管的结构、滤镜层和计时电路进行了重新设计和深度融合，从而在一个芯片上实现了对物理世界更本质、更完整的数字表达。

激光雷达年初被热议，高线数方案在华为推动下，成为了被用户、车企追捧的“新”技术潮流。

但激光雷达“一哥”的选择，出人意料：率先开始在底层芯片架构层面进行创新，线数提高是随着芯片物理结构升维同步提高。

不以堆线数为目标进行迭代，禾赛最终的方案，却在“线数”这个维度对所有传统方案形成降维打击，给出了看似远超当下“车载”需求的性能、体验方案。

时代变了，激光雷达也变了

激光雷达跟AI技术、产品紧密结合在一起，大概经历过3个不同的历史阶段。

从DARPA挑战赛开始，第一代机械式激光雷达登场，展现出的是难以替代的“冗余”、“补盲”价值，并在Velodyne的推动下成为自动驾驶核心传感器之一。

后续随着自动驾驶从演示走向落地，在成本需求驱动下，半固态产品登场，赋予智能汽车“安全”内涵，代表玩家禾赛等中国玩家，彻底淘汰了Velodyne，让机械式激光雷达的线数扩张，永远停留在64线。

第三代，则是“固态化”——芯片化的突破，尤其是接收端的SPAD技术，让高线数激光雷达成熟落地。但也有局限性，比如成本、能耗等等。

禾赛的6D激光雷达，是行业向第四代方案探索的第一步：

试图终结激光雷达、摄像头路线之争，在物理架构层面完成二者统一。

更强的性能是水到渠成的结果，禾赛探索路径背后，更深刻的是自动驾驶、智能汽车、AI的技术浪潮趋势。

客观的事实也表明，每一代激光雷达“卷线数”的竞争，无一例外走不远，很快就会被全新技术架构从底层颠覆。

车的层面首先是舱驾融合，依托VLA、世界模型架构，产生了舱驾融合的超级智能体，彻底打破传统座舱与辅助驾驶割裂的行业瓶颈，构建“思考-感知-规划-执行”全域一体的全新体验。

驱动因素AI范式体系在代际更替中不断向物理世界逼近：刚火了一年的VLA，已经开始被快速迭代。

行业共识正在从语言模型转向能理解物理规律的多模态世界模型。从“预测下一个词”到“预测世界下一状态”，这一范式标志着AI开始掌握时空连续性与因果关系。

借助世界模型，AI从认知、识别转向理解、推理，成为具身智能和客观环境自主高效交互的基础，从“认知”到“推演”发生质变。

这也让AI汽车，成为物理AI落地的第一个物种：不再按照预设规则行驶的机器，而是能够自主理解环境的物理逻辑、预判行为、应对从未见过的长尾场景。

汽车之后，更波澜壮阔的浪潮已经在孕育——具身智能，正脱离实验室演示，进入产业筛选与落地阶段。

陪伴机器人、服务机器人、工业机器人……所有这些“身体”都需要一个理解物理世界规律的“大脑”，也都需要大量的物理交互数据来训练。

而过去的数据入口，有无法回避的三大瓶颈：

其一，三维空间数据稀缺。互联网上有海量的文字和图片，但几乎没有现成的、大规模的、高保真的三维场景数据。物理AI需要的不是像素，而是带有精确几何结构、材质属性、光照信息的三维世界。
其二，采集成本极高。学术界和工业界要获取三维场景数据，传统做法是用一圈上百个相机环绕被拍摄物体（电影《黑客帝国》中“子弹时间”首创的拍摄方式），从极多角度获取信息再靠算法重建三维环境，但设备极其笨重昂贵，根本无法让人带着它到处走，只能服务于少量实验室场景，无法规模化。
其三，标注效率低下且质量不足，如果要修改一个物体的位置，在照片中需要复杂的抠图操作，且由于没有结构信息，移动后的光影关系和位置关系很难真实。

而物理AI训练需要大量可编辑、可交互的三维场景，以生成合成数据和模拟物理交互，单一的摄像头或传统激光雷达很难满足需求。

所以，禾赛6D激光雷达诞生的真正原因，不是车端千线激光雷达不够用，而是需要以AI汽车为载体，落地第一个原生、前融合的物理AI数据入口。

从另一个角度看，这也是AI第一性原理的体现，而且是更符合AI、机器的第一性原理，而非马斯克从人类视角出发的纯视觉第一性原理。

未来的发展方向，禾赛也给出了参考：