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