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

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。

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。

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移至车端轻量模型，有望在保持高性能的同时显著降低计算开销，为VLA、世界模型等复杂模型在车端部署扫清算力障碍。在实现同等智驾体验的情况下，预计对车端算力的需求将降低；而同等算力下，或可以实现更多智驾功能，甚至可能通过ORIN-N或J6E等中算力芯片实现城市NOA功能，助力高阶智驾功能向10-20万元价格带车型下沉。

但需要注意的是，有学者认为，蒸馏技术虽然可以提高模型训练效率，但借此开发的模型无法超越基础模型的能力，且可能导致研发人员为了快速取得成果而放弃对基础模型的探索。故未来云端车端协同分工或将会是：云端模型负责复杂模型的训练和迭代，不断探索上限；车端模型则更注重效率和成本，将云端模型蒸馏到车端，负责实时推理和决策。

云端算力：短期或缓解云端算力紧缺，但长期云端算力需求仍将持续增长。在目前特斯拉在云端算力大幅领先的背景下，DeepSeek的低成本训练模式，使得国内厂商能够利用相对有限的算力资源开展大模型训练，获得追赶的重要窗口期。不过尽管DeepSeek技术降低了单次模型训练的算力需求，但长期来看，随着模型复杂度的持续提升、应用场景的不断拓展以及数据规模的指数级增长，自动驾驶对云端整体算力的需求仍将呈现长期增长趋势。

图表1：主流车企和供应商智算中心算力汇总

企业类型

企业

智算中心

形式

算力

车企

特斯拉

Dojo智算中心

自建

100000PFLOPS（截至2024年10月）

理想 理想智算中心 合作火山引擎 8100PFLOPS（截至2024年12月）小鹏 “扶摇”智算中心 合作阿里云 2510PFLOPS（截至2024年8月）蔚来 蔚来智算中心 合作腾讯云 1400PFLOPS（截至2024年5月）小米 金山云智算中心 合作金山云 4000PFLOPS（截至2024年12月）吉利 吉利星睿智算中心 合作阿里云 1020PFLOPS（截至2024年4月）

“雪湖·绿洲”智算中心 合作火山引擎 1640PFLOPS（截至2024年8月）共建毫末智行智驾供