行业观察|“AI‘上车’”DeepSeek将为智驾带来什么?

　　“AI‘上车’”的叙事已经平淡、甚至近乎泛滥之际，DeepSeek以异军突起之姿，强势“搅动”智驾产业。

　　1月20日，DeepSeek正式发布DeepSeek-R1模型，并同步开源模型权重。凭借低廉的成本价格和异常强悍的性能，DeepSeek仅用7天实现用户增长破亿，成为全球现象级的应用。

　　在多模态方面，DeepSeek于2024年12月发布了用于高级多模态理解的专家混合视觉语言模型——DeepSeek-VL2，模型的视觉问答、光学字符识别、文档/表格/图表理解以及视觉定位等能力得到进一步提升。

　　实际上，在DeepSeek名不见经传时，产业界已经关注到了其旗下模型，部分自动驾驶公司已开始提前探索该模型的应用潜力。

　　“效果超出预期!我们今年初在内部进行了实际测试，DeepSeek最直观的变化就是对模型训练效率的提升，它可以将推理响应时间缩短40%，甚至50%，同时算力利用率也有一定的下降。”一位某智驾龙头企业高管透露说。

　　在业内看来，DeepSeek作为开源基础模型，有望加速智能驾驶的训练速度，降低智能驾驶的训练成本，成为智驾训练的重要工具。

　　就智驾系统的开发而言，知行汽车科技系统总监张伟分析称，复杂城区场景是当前开发难度最大的地方，依赖传统的感知模型很难去解决此类长尾场景。各个企业都在尝试开发训练VLM模型(视觉语言模型)，以优化系统对长尾场景的检测及处理能力。

　　但开发这样一套系统，依赖极大的云端算力及数据训练成本，部署到车端的模型也要依赖较大算力的硬件平台。而DeepSeek通过其独特的技术优势，例如MoE(混合专家架构)、GRPO(群组相对策略优化)、MLA(多头潜在注意力机制)等，可以更好赋能智驾系统开发。

　　“一言以蔽之，DeepSeek有助于以更少的数据和训练成本，实现同等性能的城市自动驾驶功能。”张伟说。

　　具体来看，在云端训练环节，用于自动驾驶模型训练的数据，要经过标注后才能进行模型训练，最后才得到能够识别车辆和行人的深度学习模型。DeepSeek本身降低了对数据标注的需求，因此可以帮助智驾企业进行数据挖掘和生成，降低数采和标注的成本。

　　在车端，DeepSeek可以通过蒸馏提升模型能力，降低车端计算资源需求，并降低车端部署成本。模型单次调用算力需求和训练成本都因此大大降低。

　　在场景理解上，张伟认为，跨模态迁移后DeepSeek逻辑性与场景理解力更强，在极端路况(如断头路、罕见交通标志识别、突发道路施工等)的表现有望优于传统模型。黑芝麻智能CMO(首席市场营销官)杨宇欣同样表示，未来DeepSeek可以用于融合视觉、语音、环境等多维度数据，实现更拟人化的驾驶决策，例如在复杂路口动态调整路径规划，或在突发状况中快速生成安全策略。

　　杨宇欣认为，DeepSeek等大模型的核心价值在于通过端侧高效推理能力，推动智能驾驶系统从“感知驱动”向“认知驱动”升级。若DeepSeek能通过低成本算力芯片实现规模化应用，将加速智驾功能向大众市场渗透。