在智能駕駛領域，當“AI上車”的故事已逐漸變得平淡無奇之時，DeepSeek如同一股清流，以其獨特的姿態(tài)震撼了整個智能駕駛產業(yè)。
就在不久前，DeepSeek震撼發(fā)布了其DeepSeek-R1模型，并慷慨地開源了模型權重。憑借其低廉的成本與卓越的性能，DeepSeek在短短七天內實現了用戶數量的億級增長，迅速成為全球范圍內備受矚目的應用。
DeepSeek在多模態(tài)領域的探索同樣引人注目。2024年12月，該公司推出了DeepSeek-VL2，一款專為高級多模態(tài)理解而設計的專家混合視覺語言模型。該模型在視覺問答、光學字符識別、文檔/表格/圖表理解以及視覺定位等方面展現出了更為出色的能力。
事實上，在DeepSeek尚未聲名鵲起之時，產業(yè)界就已經敏銳地察覺到了其旗下模型的潛力。一些自動駕駛公司已經開始嘗試探索這些模型的實際應用。
一家智能駕駛領域的龍頭企業(yè)高管透露：“效果真的超乎我們的預期！我們在年初進行了內部測試，DeepSeek最明顯的改進就是模型訓練效率的提升。它不僅將推理響應時間縮短了40%至50%，還降低了算力利用率?！?/p>
業(yè)內人士認為，作為開源基礎模型，DeepSeek有望大幅加速智能駕駛的訓練過程，降低訓練成本，從而成為智能駕駛訓練領域的重要工具。
對于智能駕駛系統(tǒng)的開發(fā)而言，復雜城區(qū)場景一直是個巨大的挑戰(zhàn)。傳統(tǒng)的感知模型在處理這類長尾場景時顯得力不從心。因此，許多企業(yè)都在嘗試開發(fā)VLM模型（視覺語言模型），以優(yōu)化系統(tǒng)對長尾場景的檢測和處理能力。
然而，開發(fā)這樣的系統(tǒng)需要巨大的云端算力和數據訓練成本，而部署到車端的模型也需要依賴高算力的硬件平臺。DeepSeek憑借其獨特的技術優(yōu)勢，如MoE（混合專家架構）、GRPO（群組相對策略優(yōu)化）和MLA（多頭潛在注意力機制）等，為智能駕駛系統(tǒng)的開發(fā)提供了強有力的支持。
知行汽車科技的系統(tǒng)總監(jiān)張偉表示：“簡而言之，DeepSeek能夠幫助我們以更少的數據和訓練成本，實現同等性能的城市自動駕駛功能?！?/p>
在云端訓練環(huán)節(jié)，自動駕駛模型訓練數據需要經過標注后才能進行模型訓練。DeepSeek降低了對數據標注的需求，從而有助于智能駕駛企業(yè)進行數據挖掘和生成，降低了數采和標注的成本。
在車端，DeepSeek通過蒸餾技術提升了模型能力，降低了車端計算資源需求，進而降低了車端部署成本。這使得模型單次調用的算力需求和訓練成本都大大降低。
在場景理解方面，張偉認為，經過跨模態(tài)遷移后的DeepSeek在邏輯性和場景理解力方面更強。在極端路況下，如斷頭路、罕見交通標志識別以及突發(fā)道路施工等情況，它的表現有望優(yōu)于傳統(tǒng)模型。
黑芝麻智能的首席市場營銷官楊宇欣也表示，未來DeepSeek可以用于融合視覺、語音、環(huán)境等多維度數據，實現更擬人化的駕駛決策。例如，在復雜路口動態(tài)調整路徑規(guī)劃或在突發(fā)狀況中快速生成安全策略。
楊宇欣認為，DeepSeek等大模型的核心價值在于其端側高效推理能力，這將推動智能駕駛系統(tǒng)從“感知驅動”向“認知驅動”升級。如果DeepSeek能夠通過低成本算力芯片實現規(guī)?；瘧?，那么智能駕駛功能將更快地滲透到大眾市場。
