汽车行业DeepSeek对智能驾驶影响几何？.docx

正文目录

TOC\o1-2\h\z\uDeepSeek有望加速高阶智能驾驶落地 4

DeepSeek引领AI产业技术革新 4

DeepSeek技术创新对智能驾驶有重要借鉴意义 10

DeepSeek是智驾重要工具，而非颠覆格局 15

模型蒸馏：高质量教师模型、低数据损失成为重要因素 18

成本优化：DeepSeek成本优势拓宽智驾工程化应用边界 21

投资建议：推荐积极布局且智能化技术领先的公司 24

整车：关注技术领先且销量兑现的车企 24

零部件：关注积极布局智能驾驶产业的供应商 26

风险提示 27

图表目录

图表1：DeepSeek-V3与不同模型性能对比 4

图表2：DeepSeek-R1与不同模型性能对比 5

图表3：DeepSeek-R1训练流程 6

图表4：DeepSeek-V3基本架构示意图 7

图表5：DeepSeek多Token（MTP）预测架构 8

图表6：采用FP8数据格式的混合精度训练框架 9

图表7：DeepSeek-R1-Zero与OpenAIo1系列模型在推理相关基准测试中的对比9图表8：DeepSeek-R1蒸馏模型与其他可比模型在推理相关基准测试中的对比.10图表9：DeepSeek在数据增强和合成方面潜在应用 11

图表10：知识蒸馏实时数据处理和增量学习中的应用 12

图表11：模型蒸馏在自动驾驶开发场景中的应用 13

图表12：知识蒸馏助力自动驾驶开发 14

图表13：人类驾驶与现有自动驾驶系统之间的关系 16

图表14：DriveDreamer世界模型 17

图表15：DriveDreamer世界模型整体框架 17

图表16：世界认知模型可以实现更好地帮助端到端大模型认知世界 18

图表17：大模型阶段后，智能驾驶从车端模型向车云协同模型升级 19

图表18：云端蒸馏后完成车端模型的部署 19

图表19：各家AI车企云端训练算力部署规模 20

图表20：各家车企智能驾驶2023年至今累计里程数据 20

图表21：多模态模型蒸馏流程 21

图表22：多模态模型蒸馏降损流程 21

图表23：智能化发展过程中，学术化——工程化——商业化落地节奏 22

图表24：DeepSeek通过深度优化算法架构实现成本的下探 23

图表25：华为小艺介入DeepSeek 23

图表26：吉利汽车与DeepSeek加速融合 23

图表27：特斯拉重要版本迭代间隔逐步缩短 24

DeepSeek有望加速高阶智能驾驶落地

DeepSeek引领AI产业技术革新

DeepSeek技术创新引领AI产业变革。随着2024年底以及2025年初深度求索发布DeepSeek-V3和DeepSeek-R1模型，凭借一系列独创性和改进性技术以及精妙的策略，实现了与全球最强AI模型的匹敌，标志着我国在AI大模型领域实现技术突破。训练端，DeepSeek通过自研DualPipe训练框架、8位浮点量化技术、改进的MoE和

MTP等创新技术，有效提升了计算效率，大幅降低训练成本。推理端，DeepSeek通过MLA技术、改进的RL和蒸馏技术，大幅提升了推理效率，其性能可与全球顶尖AI模型匹敌。我们认为，凭借架构和算法的优化以及全面开源策略，DeepSeek有望引领全球AI大模型技术革新，加速AI大模型在各个领域的应用落地。

图表1：DeepSeek-V3与不同模型性能对比

DeepSeek-V3TechnicalReport》，

图表2：DeepSeek-R1与不同模型性能对比

DeepSeek-R1》，

DeepSeek通过技术创新实现高性能和低成本。架构方面，DeepSeek-V3基于Transformer框架，通过多头潜在注意力（MLA）、DeepSeek混合专家模型

（DeepSeekMoE）、无辅助损失的负载均衡策略以及多令牌预测（MTP）等核心创新进行架构设计。训练方面，通过自研DualPipe算法和基于FP8数据格式的混合精度训练框架，减少训练内存需求，提升训练效率。推理方面，DeepSeek-R1基于DeepSeek-

V3基础模型，通过大规模强化学习技术增强推理能力，成功地将强化学习带来的强推理能力泛化到其他领域；同时采用模型蒸馏技术，显著提升小模型的推理能力。

图表3：DeepSeek-R1训练流程

智东西，

DeepSeek-V3架构创新

公司在模型架构设计