2025年被視為智慧化汽車的爆發拐點，而AI正作為未來汽車市場競爭的核心變數。DeepSeek以低算力、低成本的創新性大模型切入車圈，在成本最佳化和智駕座艙落地上展現顛覆潛力。與車企的合作加速智慧化普及，DeepSeek或重塑車企在AI時代的競爭格局
文｜《財經》特約撰稿人 包校千 實習生 晏玉婷 特約撰稿人 陳亮 記者 李皙寅
編輯｜李皙寅
汽車在變得更聰明，不用再生硬地反覆呼喚車機的名字，彼此對話越來越像真人，像有個智慧助理。不僅如此，自動駕駛也越發順滑、可靠，更重要的是這些體驗不再專屬於高階豪華汽車，而逐漸下探到普惠車型。
如上這些場景，距今並不遙遠，越來越多的汽車產業界人士寄希望於AI技術。2025年春節，DeepSeek這股風吹到汽車行業，讓上述暢想離現實更近一步。
2月10日，比亞迪董事長王傳福就公開表示，全系新車全系搭載智駕，接入DeepSeek，高階智駕開始覆蓋10萬元以下車型。
越來越多的車企宣佈接入DeepSeek大模型。從2月8日至2月10日的短短三天內，吉利、嵐圖、東風、智己、長安，這樣的名單正越來越長，近20家車企已在智艙端或AI運營領域深度融合DeepSeek。
在當前汽車行業中，頭部車企在智慧化領域的競爭已趨同化，難以凸顯差異或維持領先優勢。面對這一現狀，整個行業都在熱切期盼更高級別的智慧化技術湧現，為汽車行業帶來更為顯著和可觀的變革。在這樣的背景下，像DeepSeek這樣的AI技術逐漸成為車企眼中的“寵兒”。
長期以來，車企在智慧化佈局中面臨高昂成本，主要源於對高算力晶片及演算法資源的依賴。而以DeepSeek為代表的低算力方案，透過最佳化演算法結構，大幅降低了成本，為汽車智慧化的普及提供了突破口。
汽車裡的按鍵越來越少了，按照車廠的美好暢想，汽車能聽懂乘員指令，不但能夠調溫度、座椅角度、設定路線，還能輔助決策、理順日程，成為一個聰明的車載助理。現實並沒那麼美好，現有車機系統需要逐一呼叫車輛小名，回答內容簡單機械，既不方便也不智慧，甚至不如掛在支架上的手機。
為了打破如上瓶頸，車企將寶押在DeepSeek等新技術上，希望藉此更好地理解乘員提出的模糊指令，進而最佳化車輛控制、人車交流、售後等各種體驗。不只是最佳化既有功能體驗，車企更有意藉助DeepSeek完善自己的人工智慧系統，以便展開聯合訓練。
更懂乘員，能夠聽懂並說人話的智慧座艙，這恰恰是DeepSeek“上車”的抓手。目前，DeepSeek尚處於開發階段，作為純語言模型，其主要作用體現在智慧座艙的語言訓練中。
開源證券研報認為，座艙是智慧業務助理的載體，車企紛紛探索有關應用落地。R1模型有望帶來更優的座艙互動體驗，座艙智慧業務助理將實現前所未有的功能提升，並有望孕育全新應用場景。同時其對算力的節約也讓模型更容易在座艙端本地化部署，實現更優的體驗。
結合最近各大車企公佈的DeepSeek大模型融合情況，可以看到對於智慧座艙的顛覆具體表現為以下幾點：對話更絲滑，更像人與人交流，而不再機械和呆板，突破以往一問一答模式；同時，更懂車和乘員，能夠基於地理位置、氣象資訊、使用者過往習慣等，更聰明地控制車輛、建議售後維保等。
DeepSeek所採用的“蒸餾法”，允許在非安全領域內減少對高算力晶片的依賴，用國產工規或消費級晶片實現替代，進一步降低整體成本。
資料蒸餾是一種業內常見的技術做法，是指透過一系列演算法和策略，將原始的、複雜的資料進行去噪、降維、提煉等操作，從而得到更為精煉、有用的資料。資料蒸餾的目的是將複雜模型的知識提煉到簡單模型。
試舉一例，以前的大模型訓練相當於使用題海戰術，在大量的資料中訓練。而蒸餾就相當於讓在題海戰術裡磨鍊過的優秀大模型充當新模型的老師，篩選出有效題目，再讓新的大模型訓練。
與傳統AI訓練方法不同，DeepSeek降低成本的關鍵在於採用了全新的強化學習（RL）方式進行訓練，而非依賴於監督微調（SFT）或人工標註資料。這一模式不僅優化了訓練效率，更降低了對高階AI晶片的依賴，顛覆了算力市場一貫的發展邏輯。
高效能、低成本是DeepSeek模型開發的準則。其推理模型R1透過採用了一種名為“動態蒸餾”的技術，在已有的通用大模型V3基礎之上濃縮為精華版的小模型。由此一來，在沒有超強算力的情況下也能實施部署。
也就是說，DeepSeek向行業證明了一件事：不用堆疊算力也可以搞好大模型，AI晶片霸權或就此終結。
回看2024年，國產智駕集體進入“端到端”時代，有頭部智駕解決方案企業CEO表示，其應用深度的差異彷彿代表了技術領先性。當時，面對AI的高門檻和複雜性，國內的智駕玩家普遍以特斯拉為正規化，囤算力、囤資料，不斷訓練、不斷迭代。
在此之前，不少車企有意投入巨資、大量購買乃至囤積算力卡。理想智駕研發副總裁郎鹹朋曾表示，伴隨著智駕引數量的持續擴大，以及未來智駕向 L4 級的深入，理想每年單在算力叢集上的花銷就達到 10 億美元左右（摺合人民幣72.8億元）。
如今，把錢砸向算力不再是唯一的解題思路，許多AI轉型計劃因受限於算力、演算法和成本而面臨困境，DeepSeek的方案則為這些企業提供了本地化部署大模型的機會，自動駕駛領域同樣如此。有分析認為，DeepSeek開源、低成本、低算力的模型，有可能成為新能源汽車和自動駕駛行業智慧化躍遷的催化劑。
DeepSeek作為多模態大模型的代表，其核心價值在於透過端側高效推理能力，推動智慧駕駛系統從“感知驅動”向“認知驅動”升級。在黑芝麻智慧首席市場營銷官楊宇欣看來，有助於降低開發門檻：黑芝麻智慧專為下一代AI模型設計的 A2000晶片，已支援當前主流大模型的部署，透過軟硬體協同最佳化，幫助車企減少演算法適配成本，加速功能迭代。
DeepSeek的演算法為低成本訓練提供瞭解題思路，不過短期內要用DeepSeek+國產晶片的方案去替代英偉達晶片難度不低。羅蘭貝格全球合夥人時帥就向《財經》指出，目前全球80%以上的大模型是基於英偉達晶片訓練的。
自動駕駛行業雖然尚未提出結合Deepseek的相關技術應用，不過低成本、低算力、高效能模式，與當下高階智駕技術，逐漸向10萬元級車型普及的方向相一致。
顯而易見，這是Deepseek帶來的積極意義。何小鵬認為，DeepSeek有兩個技術細節和小鵬的判斷吻合，一是蒸餾是有效儲存模型能力的方法，二是巨大模型的蒸餾後效果強於小模型的強化學習。
開源證券2月5日研報指出，DeepSeek-R1模型的諸多最佳化方法有望為智駕行業所借鑑。目前自動駕駛玩家推動大語言模型甚至視覺語言動作模型（VLA）上車提升智駕演算法的認知能力，DeepSeek-R1有望作為優秀的教師模型，將其效能蒸餾給車端模型，進一步提升車端模型的能力。
2024年，中國高階智駕的滲透率突破了10%。按照中國電動汽車百人會的預測，這一數字將在2025年達到20%，提升近一倍。
而低成本、高效能的開源模型，將加速自動駕駛的迭代週期。傳統車企訓練自動駕駛模型需3—6個月，相比之下，DeepSeek的MoE（混合專家）架構可將訓練週期壓縮至45天。
與DeepSeek的融合，有望受益於DeepSeek R1的演算法最佳化和算力節約，全面提升自動駕駛系統的效能和使用者體驗，實現科技創新與市場價值的雙贏。
可見，在AI技術的驅動下，當下自動駕駛技術已告別硬體堆疊、比拼算力的時代，一場錨定AI融合的高階智駕、智慧座艙“新競賽”即將拉開帷幕。
儘管DeepSeek具備顛覆性特點，但它也並非萬能解藥。
一位國內領先智慧駕駛公司技術專家告訴《財經》，目前公司嘗試在一些專案中使用DeepSeek-R1。相較於ChatGPT4o模型來說，DeepSeek目前不穩定，對高併發情況（透過設計保證系統能夠同時並行處理很多請求）處理不如ChatGPT穩定。
純語言模型專注於文字資料的處理和生成。而現實物理世界還有影像、影片和音訊等多模態，多模態模型可以理解和處理除了文字以外的各種模態。因此，純語言模型應用場景不如多模態模型廣泛。
DeepSeek也曾推出過Janus Pro多模態模型，可以將文字生成圖片，但應用範圍在娛樂領域。上述人士表示，在自動駕駛這種嚴謹性高、安全係數高的場景中，目前的應用還頗為受限，但是其對自動駕駛研發具有借鑑意義。
不過，能看得出DeepSeek本身也在進化和迭代當中，為此智駕公司對其抱有不小的期待。在楊宇欣看來，DeepSeek有助於顯著提升智駕技術中的場景理解能力，具體來說DeepSeek可融合視覺、語音、環境等多維度資料，實現更擬人化的駕駛決策，例如在複雜路口動態調整路徑規劃，或在突發狀況中快速生成安全策略。
除卻技術難題待解，如何真正體現技術價值，而不是停留在紙面乃至營銷上，這是對於汽車在內諸多應用級玩家的挑戰。
當前車企對包括DeepSeek在內的諸多AI技術的理解和開發還處於初級階段，技術深度和實際應用仍有很大提升空間。例如部分車企追求營銷噱頭，將AI功能生硬地堆砌到產品中，不僅未能提升使用者體驗，反而使消費者對產品的實用性產生懷疑。
當一個又一個大模型在各行各業落地應用，大模型落地似乎沒有想象中的那麼難，難的是，落地後真正體現出價值。
對於所有車企來說，要持續思考三個問題：對於車主而言，是否真正提升了用車體驗？對於車企而言，是否真正提升了經營業績？對於生態而言，是否真正獲得了穩定利潤？
責編 | 張雨菲
題圖 | 視覺中國