当下，车企直接把DeepSeek做智驾接入的可能性不大。文丨智驾网 王欣编辑 | 雨来

春节期间，DeepSeek 在全球科技圈引发强烈震动。此热议从国内蔓延到欧美科技圈乃至西方主流媒体如《自然》、《纽约时报》、《经济学人》等。尽管全球来自科技、金融、政府等领域的专家对其评价各有侧重，但其出圈和影响力已不容忽视。

DeepSeek-R1的横空出世更是让中国智驾圈悄然上演了一场算力起义。

01.DeepSeek为智驾带来了算法、算力和数据多维度的借鉴

2025年全民智驾爆发之际，截至现在，长安、长城、吉利、比亚迪、东风、通用等十几家车企官宣了与国内大模型公司DeepSeek深度融合的合作。

今年1月，国内大模型公司DeepSeek发布了DeepSeek-R1，并同步开源。这一推理模型拥有思维链输出，在数学、代码、自然语言推理等任务上拥有不弱于美国OpenAI o1的表现。

在车企被算力规模受制的当下，DeepSeek模型百万Token输出仅需16元，远低于OpenAI O1及O1 mini的价格（分别为438元及88元）让整个行业期盼下一个更高级别的智能化技术涌现时刻。尤其是对汽车行业来说，当低算力、低成本的创新性大模型涌入车圈，更为当下业界都在呼唤的智驾平权摁下了加速器。

DeepSeek的到来为智驾产业带来了算法、算力和数据多维度的借鉴，在智驾算法和算力上可体现为：

DeepSeek对智驾算法提升主要集中在感知层多模态融合、决策层策略优化、知识蒸馏等多个方面。DeepSeek的多模态模型能够整合道路图像、交通标识、车辆传感器数据等多种信息，促进车端场景理解能力提升。而在决策与控制方面，DeepSeek能够自行涌现出长思维链能力，模拟人类驾驶员对突发事件的反思与策略调整，优化自动驾驶的决策逻辑。从算力维度出发，Deepseek极大降低了大模型对于算力的需求，为此，也有了英伟达的市值一夜之间蒸发了6000亿美元的现象级事件。

2月6日，吉利汽车已经宣布，其自研大模型与DeepSeek已完成深度融合，成为节后首个官宣与DeepSeek合作的国内车企。

按照吉利官方公布的信息，与DeepSeek-R1模型深度融合之后，吉利将对星睿车控FunctionCall大模型、汽车主动交互端侧大模型等进行蒸馏训练，融合后的吉利汽车AI，能够主动分析用户的潜在需求，提供更全面的智能服务。

开源证券2月5日研报指出，DeepSeek-R1模型的诸多优化方法有望为智驾行业所借鉴。目前自动驾驶玩家推动大语言模型甚至视觉语言动作模型（VLA）上车提升智驾算法的认知能力，DeepSeek-R1有望作为优秀的教师模型，将其性能蒸馏给车端模型，进一步提升车端模型的能力。

总结而言：

车端算力需求下降：可提供开源模型（如Deepseek R1），通过知识蒸馏压缩大模型，降低车端部署成本。

算力需求降低，云端模型训练成本下降：相同算力下，推理速度提升。算力需求少，大幅节省成本。

多模态能力更强：跨模态迁移后Deepseek逻辑性与场景理解更强，极端路况（如断头路）表现优于传统模型。

这些都对于DeepSeek推动高阶智驾实现商业化落地和普及有积极作用。

当前智驾开发难度最大的是复杂的城区场景，依赖传统的感知模型很难去解决那些长尾场景，各家都有去尝试去开发训练VLM模型以优化对类似复杂的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，并且部署到车端的模型也依赖较大算力的硬件平台。

因此知行汽车科技系统总监张伟认为，DeepSeek通过其独特的技术优势，如MOE、MLA、GRPO等，可以很好赋能智能驾驶的开发。

但即便在优化云端 「教师模型」环节中，也仍需要对世界模型、VLA模型等核心模型进行训练并优化训练成果。在云端模型优化过程中，训练算力规模、数据规模仍是云端教师模型能力提升的核心参数指标。

可以预料到，未来车企、供应商的核心差距将取决于数据规模与模型优化能力。

往往，在智能驾驶的浪潮中，算法、传感器、高精地图等技术常常成为讨论的焦点，而数据的力量却往往被忽视。

智能驾驶的核心在于「智能」，而智能的本质是数据。无论是感知、决策还是控制，智能驾驶的每一个环节都依赖于海量数据的支持。DeepSeek的独特之处在于，它不仅仅是一个数据处理工具，而是一个从数据采集、清洗、分析到应用的全链条解决方案提供商。

传统的数据采集方式往往局限于车辆自身的传感器，而DeepSeek通过整合车端、路端和云端的多源数据，构建了一个多维度的数据生态。

例如，通过车联网技术，DeepSeek能够实时获取车辆的行驶数据、环境数据以及驾驶员行为数据，同时结合路侧单元（RSU）和云端的高精地图数据，形成一个完整的「数据闭环」。

这种多维数据采集方式，不仅提高了数据的丰富性，还为智能驾驶系统提供了更全面的环境感知能力。例如，在复杂的城市道路场景中，单一传感器可能无法准确识别障碍物，而DeepSeek的多源数据融合技术可以通过交叉验证，显著提升感知精度。

数据采集只是第一步，如何从海量数据中提取有价值的信息，才是关键。

DeepSeek通过自研的AI算法和机器学习模型，能够对原始数据进行高效清洗、标注和分析。例如，在自动驾驶训练中，DeepSeek的算法可以自动识别和标注道路上的行人、车辆和交通标志，大幅降低了人工标注的成本和时间。

此外，DeepSeek还开发了基于边缘计算的数据处理技术，能够在车端实时完成部分数据处理任务，减少对云端的依赖。这种「边云协同」的模式，不仅提高了数据处理的效率，还增强了智能驾驶系统的实时性和安全性。

02.DeepSeek的方法论有望重塑智驾生态

DeepSeek的影响力不仅仅局限于技术层面，它正在通过数据的力量，重塑整个智能驾驶生态。

自动驾驶算法的训练需要大量的场景数据，而DeepSeek通过其庞大的数据平台，为车企和自动驾驶公司提供了丰富的数据资源。例如，DeepSeek的「场景库」中包含了数百万公里的真实道路数据，涵盖了各种极端天气、复杂路况和突发场景。

从算法开发者角度而言，这些数据可以帮助他们更快速发现和修复模型的缺陷，从而加速算法的迭代和优化。

更重要的是，DeepSeek还通过数据共享机制，推动了行业内的协同创新。例如，多家车企可以通过DeepSeek的平台共享匿名化的驾驶数据，共同提升自动驾驶算法的性能。这种「数据共赢」的模式，正在打破传统车企之间的数据壁垒，推动整个行业的技术进步。

DeepSeek的野心不仅仅局限于数据本身，它正在通过数据的力量，构建一个全新的智能驾驶生态。未来，DeepSeek可能会在以下几个方面继续发力：

一是数据标准化。

目前，智能驾驶行业的数据标准尚未统一，这给数据共享和协同创新带来了很大的障碍。DeepSeek有望通过其技术优势，推动行业数据标准的制定和普及，从而打破数据孤岛，实现更高效的数据流通。

二是AI模型的轻量化。

随着智能驾驶技术的普及，如何在资源有限的车端设备上运行复杂的AI模型，成为了一个重要的挑战。DeepSeek正在研发轻量化的AI模型和高效的压缩算法，以降低计算资源的消耗，从而推动智能驾驶技术在更多车型上的应用。

03.调用DeepSeekAPI接口称不上深度融合

不过，回到现实，目前国内汽车公司能够快速实现DeepSeek上车，大概率只是调用了DeepSeek开放的API（应用程序编程接口），往DeepSeek充值了一些费用，还没有完全做到真正意义上的定制化深度融合。

正如何小鹏的评论：「有十家宣布深度融合DeepSeek的汽车，他们的方法只是通过外部调用了一下接口，这个对最终的Driver（驾驶者）没有那么大价值。真正做到用户的体感是非常优秀的才行。」

日前，轻舟智航官宣了基于J6M中算力平台做安全的端到端方案，同时采用基于运动模拟的世界模型做离线训练。轻舟也坦承表示：「和DeepSeek是类似的方法，但并不是已经用了DeepSeek，智驾上没人敢这么吹。」

所以当下，车企直接把DeepSeek做智驾接入的可能性不大。毕竟DeepSeek还处于大型语言模型阶段，其更快的应用场景仍是在座舱层面，提供更优的座舱交互以及孕育全新应用场景，而想要直接应用自动驾驶还有更漫长的探索过程。

因此，DeepSeek可以被视为当前智驾的重要工具，但还远没到改变格局的时候。

目前，智能驾驶在安全性方面要求很高，为确保功能安全可靠，需要投入较长时间进行训练。而且，由于不同车型在算力和架构上存在差异，即便采用蒸馏技术，后续仍要依据具体车型完成有针对性的开发工作。

尾声：

DeepSeek产生的影响是多方面的，但对于智能汽车产业而言，各主机厂积极接入当然是一件好事，但是在当下意图通过某一项技术的接入而实现“研发、产出的平权”并给消费者带来相同的体验，是不现实的。

在DeepSeek之前，英伟达推出的Cosmos模型也宣称可以极大的降低智驾研发投入，降低数据需求。

不过换个视角，无论是DeepSeek还是Cosmos都是工具，对于没有正向研发能力的车企而言，除了跟踪热点并不能改变自己在整个产业中的弱势地位。

还是那句话，在研发方面，虽然并非一分投入一分收获，但对于建立了完整研发体系的主机厂而言，DeepSeek的方法论远比API接入要有价值的多。