汽车行业2025年智能驾驶系列：DeepSeek对智能驾驶影响几何？.pdf

汽车

DeepSeek：开源大模型新星，或催化中高阶智驾加速渗透

DeepSeek为智驾算法-算力-数据多维度带来借鉴，催化行业创新

智能驾驶是AI技术最具前景且能快速落地的应用场景之一。DeepSeek的横空出世，实

现了成本和技术上的双突破，不仅为智驾领域带来了技术层面的直接借鉴，更在发展思路

等方面提供启示，有望催化智驾领域的技术创新和产业变革，加速中高阶智能驾驶的渗透。

本报告主要探讨DeepSeek对于智驾算法、算力、数据等多维度带来的影响；然后分析其

有望加速中高阶智驾渗透并助力后发企业加速追赶，给出具体投资建议；最后则补充介绍

DeepSeek的重要贡献供参考。

1）算法层面

MOE/MLA/MTP等方式提升模型性能和训练效率，有望借鉴相关技术加速智驾模型训练速

度并降低训练成本。在架构设计方面，DeepSeek-V3采用了MLA（多头潜在注意力）来

确保推理效率，并使用DeepSeekMoE（混合专家架构）来实现经济高效的训练，此外还

开发并验证了MTP（多token预测）训练目标。即使无法直接利用DeepSeek模型进行开

发，但通过对DeepSeek相关技术的借鉴，各家企业有望提升对于云端模型的训练速度并

降低训练成本，从而加速智驾系统迭代。

DeepSeek有可能替代此前车企选择的VLM/VLA模型。DeepSeek-R1系列模型基于

Qwen/Llama等开源框架，并采用MIT许可协议。目前理想部署“端到端+VLM”双系统，

VLM负责复杂场景的逻辑推演（如交通规则、施工改道），端到端模型负责实时响应；极氪

计划在2025年引入VLM，用于处理可变车道等语义信息；此外元戎启行计划25年推出

VLA系统上车（VLA较VLM增加了对物理动作的生成与控制能力，能够直接将视觉和语

言输入转化为具体的动作指令）。理想汽车VLM模型基座是通义千问开源模型，而

DeepSeek模型表现出的高效训练、良好的多模态处理能力、高效的蒸馏方式，有望吸引

车企的尝试，甚至后续直接替代车企原有的VLM/VLA的模型选择。但需要注意的是，由

于车企智驾模型的研发和上车需要考虑全面的安全验证，短期内或较难出现直接基于

DeepSeek模型开发的智驾系统，并且DeepSeek-R1推理能力虽强但也有较多的幻觉，基

于DeepSeek-R1模型开发时需应对此问题。

2）算力层面

车端算力：DeepSeek高效的蒸馏技术可启发车企创新，使得车端算力要求降低，加速VLA、

世界模型等上车。DeepSeek的蒸馏技术可将云端大模型的推理能力高效迁