圖片系 AI 生成
技術革命的浪潮正加速席卷汽車行業。
春節過後，已經有超過 20 家車企與 DeepSeek 達成深度合作，其中包括但不限于比亞迪、吉利、奇瑞、東風集團、長城汽車、寶駿汽車、極氪、岚圖、智己等。
在競争日益激烈的汽車市場環境中，車企越來越重視智能化營銷，DeepSeek 成爲車企追求智能化的 " 萬能鑰匙 "，并不難理解。
然而，狂熱的資本追逐之下，DeepSeek 的真實落地情況如何？其技術紅利能否真正推動行業變革？是開啓智駕新時代的關鍵變量，還是一場概念先行的營銷狂歡？
對此業内有些專家已經開始反思，商湯絕影 CEO 王曉剛一針見血地指出：目前車企與 DeepSeek 的結合僅是原始模型的簡單接入，距離汽車産品體驗層面的深度結合仍有顯著差距。
小鵬汽車 CEO 何小鵬更直言：" 很多隻是通過 Web 調用一下接口，這種方式對最終的 driver 沒有那麽大價值，真的要做到用戶體感非常優秀才行。"
DeepSeek 帶來的技術紅利真實存在，但落地後真正體現出的價值還需要進一步縷清。一位不願透露姓名的智駕公司技術負責人也向钛媒體 App 證實："DeepSeek 接入确實簡單，誰都能搞定。關鍵是看應用領域、數據有效性和場景對錯誤的容忍度。"
智艙立竿見影，智駕任重道遠
梳理車企與 DeepSeek 的合作内容發現，主要集中于智能座艙的交互功能。
傳統車載語音助手常常遭受 " 人工智障 " 的诟病，而 DeepSeek 本身就是一個大語言模型算，它的語義理解能力可以使得車載系統更具人性化，對話更絲滑，不再機械和呆闆。
例如，吉利的星睿大模型在與 DeepSeek-R1 融合後，能根據車主最新的駕駛路線，回答車主關于路過湖泊的問題；廣汽的 ADiGO SENSE 與 DeepSeek-R1 融合後，讓汽車從 " 響應指令的工具 " 進化成了 " 預見需求的夥伴 "；上汽的斑馬智行接入 DeepSeek 後，能精準把握用戶的模糊意圖，提供合适的服務組合。
比亞迪智駕負責人楊冬生在介紹璇玑架構接入 Deepseek-R1 大模型的能力時，也着重提到，比亞迪車型可借助 R1 大模型的推理能力，更好理解用戶的模糊意圖和隐性需求，提供更加精準和個性化的服務。
這背後主要是依靠 DeepSeek 自身的能力——通過引入強化學習擁有長思維鏈、慢推理的能力，能夠産生一些更高層次的認知，達到情感上的支持。通俗理解，思維鏈就像是一條無形的線，将問題的各個關鍵節點串聯起來，使模型在處理任務時能夠有條不紊地進行邏輯推導，抽絲剝繭，逐步找到問題的答案。
然而，這裏面涉及兩個問題，一個是 " 慢 "，一個是 " 準 "。
一方面，現在 DeepSeek 本身能夠支撐的訪問量是比較有限的，因爲用戶量非常多，所以提問的話整個反饋的時間延遲也都是比較長。另一方面，DeepSeek 是一個長推理的模型，在推理的時候輸出相對慢一些。
延遲對于智能座艙來說，關乎的體驗好壞的問題，但對于自動駕駛安全，則關乎安全與否。一般來說，人類駕駛員的反應時間受到生理限制，通常在 0.5 秒到 1 秒之間，而人們對自動駕駛系統的反應時間顯然需要更快。
另外，一個是 " 準 " 的問題。" 如果是智能座艙的人機交互，端側部署幾個 B 的版本都是 OK 的，但輸出精準性遠不如大尺寸的模型，一般要達到比較好的效果，需要 32B 及以上的版本，但對端側算力要求較高。" 東土科技集團副總經理兼具身智能公司總經理張人傑解釋說。
張數也表示，除了 671B 的版本，其餘的小 size 參數的版本基本上輸出準确度很低，而 671B 要想在設備端側 ( 包括汽車這類 ) 部署目前可能性不大而且自動駕駛是安全領域的應用，不是内容輸出類應用，二者容錯性不可同日而語。
因此，在目前的汽車應用中，DeepSeek 主要是用于智能座艙的人機交互，而自動駕駛的場景仍然需要重新規劃才能有可能享受大語言模型快速發展帶來的技術紅利。
從 ChatGPT 到 DeepSeek，" 思路 " 很重要
人工智能的發展始終是算法、算力和數據進行螺旋式交替作爲技術驅動力，推動技術不斷演進。車企蜂擁 DeepSeek 的場景，與 2023 年 ChatGPT 爆火時的場景類似。
" 在 ChatGPT 出來之前并不存在通用大模型，哪怕當時也有端到端自動駕駛，但是多數指的是一個純自動駕駛模型。" 零一汽車智能駕駛合夥人王泮渠向钛媒體 App 解釋兩波技術熱潮時表示，"ChatGPT 出現之後，标志着所有東西都能統一到語言這個框架裏面，而且它還能通過一個比較好的 Scaling law ( 尺度定律 ) 生出一個非常強的基礎模型。"
然而，從 ChatGPT 再到 DeepSeek 橫空出世，這段時間裏 " 大模型行業的發展實際是遇到了一些瓶頸——主要是在于互聯網的數據價值被榨幹。" 王曉剛說到。
他進一步解釋說，原來通過尺度定律，在它的指引通過擴大模型的規模以及增加單純的算力，但得到的收益相對來說是比較有限的。
" 端到端就是要有海量的數據去模仿人類的這個行爲。但是從中國的實際情況來看，我們很難像特斯拉一樣，要有 700 萬台車，有大量數據的回流。"
相比 DeepSeek 在智艙上 " 立竿見影 " 的效果，DeepSeek 在智駕領域的作用更多是讓人們意識到以前需要非常多資源才能完成的事情，門檻降低了。" 它真正從一個精英精英去做的事情變成一個大衆的公司也能做的事情。" 王泮渠說到。
一方面，因爲大模型對于算力的依賴在降低，衆所周知，車載上端側的算力是有限的，但是由于實時性、安全性、還有隐私性這方面的要求，對于端側模型運行的要求是比較高的，那麽 DeepSeek 的出現，在這個端側上其實也帶來比較大的機會。
當然，這并不意味着算力需求降低是絕對的。王曉剛指出，DeepSeek-R1 的慢思考長思維鏈裏面就是要一個強大的雲端模型，所以在雲端，其實并不能夠去降低它的算力，反而對算力有更高的要求。然而，它可以通過 " 蒸餾 " 一系列的手段，通過一個強大的雲端模型去産生一個合适的端側模型，DeepSeek-V3 就是通過數據的蒸餾去降低算力。
DeepSeek 采用的 " 蒸餾法 "，核心目标是将複雜模型的知識提煉至簡單模型中。如果說以前的大模型訓練用的是題海戰術，蒸餾法并不是簡單複制參數，而是篩選出有效的問題，再訓練新的大模型。
何小鵬此前說過，小鵬的雲端大模型和 DeepSeek 的技術是一樣的，用一個雲端超級大模型蒸餾出來，再下放到車端。
不過，想要直接把 DeepSeek 應用到自動駕駛，還需要很漫長的探索過程。王泮渠以零一汽車在做的研發爲例，介紹說正在做兩個嘗試：
第一， DeepSeek 是一個大語言通用模型，然而自動駕駛是一個垂直模型，需要把通用的大模型變成垂直領域模型。
張人傑也表示，如果要在自動駕駛中真正實現端到端，世界模型和 VLA 需要能夠得到真正的應用，而 DeepSeek 類的大語言模型的開發思路可以被參考用于開發适合自動駕駛的多模态大模型。
第二， DeepSeek 是一個長推理的模型，在推理的時候輸出相對慢一些，接下來要嘗試如何把推理的時間縮短。
能否叩開 " 全民智駕 " 大門？
2025 年，中國汽車産業正經曆一場由 AI 驅動的智能化浪潮。在這場變革中，DeepSeek 的崛起成爲關鍵變量。憑借其 " 低成本、高性能 " 的特性，DeepSeek 不僅重構了智能座艙的交互邏輯，更在自動駕駛領域掀起技術平權的風暴。
DeepSeek 的核心競争力源于其技術創新與工程化能力。其研發的 DeepSeek-R1 模型通過混合專家架構（MoE）和動态蒸餾技術，在降低算力需求的同時提升推理效率。
例如，相比傳統模型需要數萬塊 GPU 的訓練成本，DeepSeek 僅用 2048 塊 GPU 即可完成 6710 億參數模型的訓練，費用低至 557.6 萬美元。這種高效性直接降低了車企的研發門檻，使得中小廠商也能快速部署高階智駕功能。
與此同時，DeepSeek 所采用的 " 蒸餾法 "，允許在非安全領域内減少對高算力芯片的依賴，用國産工規或消費級芯片實現替代，進一步降低整體成本。
然而，車企争相擁抱 DeepSeek 的背後，也暗藏着風險。
車企若僅将 DeepSeek 視爲營銷噱頭，忽視硬件研發與數據積累，可能重蹈安卓系統同質化覆轍。當前，多家車企宣稱 " 首搭 DeepSeek"，但實際僅用于語音交互優化，核心智駕能力未見突破。這種 " 表面智能化 " 可能透支用戶信任，反噬行業長期發展。
更深層的矛盾在于技術普惠與産業升級的平衡。DeepSeek 推動的 " 全民智駕 " 本質是存量市場的内卷，而真正的革命需突破更高階自動駕駛技術并重構交通生态。
若車企能以 DeepSeek 爲跳闆，而非救命稻草，這場 AI 驅動的智駕革命或将真正改寫出行曆史。正如歐陽明高所言：" 智能化的終局不是壟斷，而是讓技術回歸服務本質。" 唯有如此，" 全民智駕 " 才不會淪爲一場資本遊戲，而是成爲普惠社會的技術裏程碑。
（本文首發于钛媒體 App 作者｜韓敬娴 編輯｜李玉鵬）
