在智能驾驶领域，当“AI上车”的故事已逐渐变得平淡无奇之时，DeepSeek如同一股清流，以其独特的姿态震撼了整个智能驾驶产业。
就在不久前，DeepSeek震撼发布了其DeepSeek-R1模型，并慷慨地开源了模型权重。凭借其低廉的成本与卓越的性能，DeepSeek在短短七天内实现了用户数量的亿级增长，迅速成为全球范围内备受瞩目的应用。
DeepSeek在多模态领域的探索同样引人注目。2024年12月，该公司推出了DeepSeek-VL2，一款专为高级多模态理解而设计的专家混合视觉语言模型。该模型在视觉问答、光学字符识别、文档/表格/图表理解以及视觉定位等方面展现出了更为出色的能力。
事实上，在DeepSeek尚未声名鹊起之时，产业界就已经敏锐地察觉到了其旗下模型的潜力。一些自动驾驶公司已经开始尝试探索这些模型的实际应用。
一家智能驾驶领域的龙头企业高管透露：“效果真的超乎我们的预期！我们在年初进行了内部测试，DeepSeek最明显的改进就是模型训练效率的提升。它不仅将推理响应时间缩短了40%至50%，还降低了算力利用率。”
业内人士认为，作为开源基础模型，DeepSeek有望大幅加速智能驾驶的训练过程，降低训练成本，从而成为智能驾驶训练领域的重要工具。
对于智能驾驶系统的开发而言，复杂城区场景一直是个巨大的挑战。传统的感知模型在处理这类长尾场景时显得力不从心。因此，许多企业都在尝试开发VLM模型（视觉语言模型），以优化系统对长尾场景的检测和处理能力。
然而，开发这样的系统需要巨大的云端算力和数据训练成本，而部署到车端的模型也需要依赖高算力的硬件平台。DeepSeek凭借其独特的技术优势，如MoE（混合专家架构）、GRPO（群组相对策略优化）和MLA（多头潜在注意力机制）等，为智能驾驶系统的开发提供了强有力的支持。
知行汽车科技的系统总监张伟表示：“简而言之，DeepSeek能够帮助我们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。”
在云端训练环节，自动驾驶模型训练数据需要经过标注后才能进行模型训练。DeepSeek降低了对数据标注的需求，从而有助于智能驾驶企业进行数据挖掘和生成，降低了数采和标注的成本。
在车端，DeepSeek通过蒸馏技术提升了模型能力，降低了车端计算资源需求，进而降低了车端部署成本。这使得模型单次调用的算力需求和训练成本都大大降低。
在场景理解方面，张伟认为，经过跨模态迁移后的DeepSeek在逻辑性和场景理解力方面更强。在极端路况下，如断头路、罕见交通标志识别以及突发道路施工等情况，它的表现有望优于传统模型。
黑芝麻智能的首席市场营销官杨宇欣也表示，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其端侧高效推理能力，这将推动智能驾驶系统从“感知驱动”向“认知驱动”升级。如果DeepSeek能够通过低成本算力芯片实现规模化应用，那么智能驾驶功能将更快地渗透到大众市场。
