春節期間最火爆的事件，就是DeepSeek掀起的AI滔天巨浪。

DeepSeek的開源AI大模型DeepSeek V3和R1，由中國公司深度求索（DeepSeek）發布，春節前進入到大眾視野，引起大量下載、使用、以及分享、評論。

其中基礎模型DeepSeek V3，在模型訓練階段僅用557萬美元、接近OpenAI十分之一的成本，就開發出了和OpenAI的GPT-o1性能相當的模型，震驚全球AI行業，一度讓英偉達股票大跌，一天市值就失去6000億美金。

DeepSeek的技術哲學和成果，引起了廣泛討論，也存在不少爭議。對于當前汽車行業最為熱門的技術競爭——智能駕駛開發而言，DeepSeek有什么啟示呢？

當前的智能駕駛開發模式，基本是由特斯拉開創的“數據-訓練-部署”模式。因此馬斯克一直認為，所有后來者，都需要像特斯拉那樣，投入數十億美金去囤積算力，收集數據，訓練模型，部署上車，再不斷迭代，別無他法。

這其中，大算力、大數據是必然的競爭優勢。

中國的智駕領先者，華為、小鵬、理想、Momenta、元戎啟行等等，都遵循類似的開發模式。他們也會表示，隨著智駕進入端到端大模型階段，競爭門檻越來越高，因為數據和算力都需要巨額投入。

但是DeepSeek的啟示，也許打破了馬斯克的預言。打造一個智能駕駛大模型，興許不用那么多錢。

DeepSeek對于汽車智能駕駛研發有什么啟示？結尾，我附上了DeepSeek親自作答的答案，很值得一看。

01

踢破算力門檻？

1月27日，英偉達股價大跌16.97%。

因為，DeepSeek告訴了全世界，AI行業也許并不需要這么多的算力。

DeepSeek在2024年年底發布了報告《DeepSeek-V3 Technical Report》，“自曝”其模型的技術架構。

DeepSeek開宗明義，直言公司追求模型高性能、低成本。因此，DeepSeek-V3采用多頭潛在注意力（MLA：Multi-head Latent Attention）進行高效推理，區別于傳統的多頭注意力模型（MHA：Multi-head Attention），從而降低了內存占用并提高了計算效率。

同時，DeepSeek采用了混合專家模型（MoE：mixture of experts）——由多個專業化的子模型（即“專家”）組合而成，每一個“專家”都在其擅長的領域內做出貢獻。為了分配“任務”，DeepSeek還設置了“門控網絡”的機制。這使得每一個任務不需要展開總體的模型計算，而只要調用子模型就行。

更值得智駕開發者注意的是，為了實現經濟高效的訓練，DeepSeek采用了FP8混合精度訓練，并對訓練框架進行了全面優化。

所謂FP8，是指浮點計算的精度。相對于FP32、FP16，FP8精度要低得多，但是計算和存儲成本要低很多，計算效率和性能就高。

但是，DeepSeek也不是全數采用FP8計算，而是在關鍵數據計算時，依舊采用FP32計算，因此稱為混合精度計算方式，保證了最終計算結果的準確性。

通過這種混合精度計算方式，DeepSeek實現了加速訓練和減少GPU內存使用。

除此之外，DeepSeek還開發了其他的技術，這些舉措結合起來，DeepSeek團隊就實現了很高的訓練效率。

DeepSeek對外表示，DeepSeek-V3的訓練成本，只有557萬美元，相當于278.8萬小時H800GPU的訓練量。

當然，這個成本僅包括DeepSeek-V3的訓練成本，不包括前期預訓練等等。但是，這個成本已經非常低。OpenAI訓練GPT-4的成本超過1億美元。

此外，DeepSeek還基于通用模型V3，采用動態蒸餾技術，推出了推理模型R1。

這一點，和智駕企業將云端大模型蒸餾為小模型，從而部署到幾百tops算力的車端上，原理上一致。

小鵬智駕的架構

這就是DeepSeek高效利用算力的奧秘。

不過，也有人認為，DeepSeek算力作弊，甚至國外分析機構認為，DeepSeek其實有1萬張H800 、1萬張H100、1萬張A100和3萬張A20芯片，4年總算力成本高達25億美金。

國內的同業者猜測，DeepSeek僅有萬余張芯片。

但總體而言，更為廣泛的意見是，DeepSeek V3的在算力應用上，打破了AI行業的算力迷信，也表明AI大模型訓練恐怕不需要數十億美金的投入。

OpenAI創始成員Andrej Karpathy就說，DeepSeek V3讓在有限算力預算上進行模型預訓練這件事變得容易。

但如今，智駕企業正在進行算力競賽。DeepSeek一系列提升計算效率，降低模型訓練成本的方法，如果援用到智駕模型訓練中，同樣將降低對算力的需求。這是否會讓更多企業加速進入到智駕自研開發當中呢？

也有人認為不會。

FutureLabs未來實驗室首席專家胡延平就表示，（DeepSeek之后）“由此顛覆了模型與算力關系更說不上。

他說，接下來大家會越來越清楚地看到，這個領域有捷徑但沒有彎道超車，有后發成本優勢但沒有后發領先優勢，AGI路線更是只能取巧沒有投機。比如即使L3+級別的智能駕駛，端到端向VLA進化，車輛SoC算力1000TOPS起才勉強可玩，2000-3000TOPS會稀松平常，即使如此，短期內也未必能夠到真正的L4。向上曲線的模型思考長度速度整體度、多模態、感知思考與行為能力合一等方向，只可能將算力需求拉升到新高度。向下曲線對成本效率有改變，但對捧得AGI圣杯的貢獻可以忽略。”

當然，他說的是車端模型。云端大模型能否用更少算力訓練出來？DeePSeeK告訴我們，不要輕易說不。

02

追求高質量數據

在探求DeepSeek模型訓練高效率的原因時，不少分析人士指出，DeepSeek在訓練模型時采用的是高質量數據，甚至有人直指它用了ChatGPT的生成結果來訓練。

根據DeepSeek自己公布的信息，V3在14.8T高質量token上進行了預訓練。這一數字，相比Llama 3.1的15萬億tokens，Qwen 2.5的18萬億token，都要小，但是質量更佳。

根據騰訊科技“省錢也是技術活：解密DeepSeek的極致壓榨術”一文，DeepSeek數據的來源比較多元，并且經過了嚴格清洗和篩選。

首先在基礎訓練數據上，和GPT-3一樣，DeepSeek也采用了非營利組織CommonCrawl的語料庫（類似于用爬蟲抓取了全球網頁內容），但經過了嚴格篩選。

此外，DeepSeek有點偏科地專門引入了專業領域數據，包括大規模的代碼數據集、數學推理數據、科學文獻等。

在數據清洗環節，DeepSeek采用了專有的數據過濾算法，實施了多層次的質量控制。這個過程首先對原始數據進行重復內容的識別和刪除，確保數據的唯一性。隨后，通過智能算法篩除低質量內容，包括格式錯誤的數據、不完整的文本片段以及不符合規范的內容。這種嚴格的數據清洗流程不僅提高了訓練數據的質量，也為模型的最終表現奠定了良好基礎。

對于DeepSeek的數據問題，批評在于，它可能大量采用了ChatGPT生成的語料來訓練，甚至有人直接說它蒸餾自CHATGPT。

無論如何，DeepSeek對于訓練數據質量的要求，要更加嚴謹。

在智能駕駛領域，各玩家也在強調自己的數據資產。小鵬汽車宣稱用2000萬Clips的數據來訓練自己模型，而理想最新的7.0版本智駕基于800萬Clips訓練的模型。小米也曾立下FLAG，要在2024 年完成1000萬Clips數據積累。比亞迪則宣稱自己有全球最大的新能源汽車保有量，數據量無可比擬。

領先的智駕企業，更早意識到數據的質量。特斯拉更傾向用優秀司機的數據。理想汽車從五星評級司機的駕駛中抽取視頻片段。

DeepSeek的啟示也在于此，用于訓練的數據多固然可貴，但高質量數據更為可貴。

03

不妄自菲薄，但需躬身入局

圍繞DeepSeek的爭議還在繼續，但它出圈的程度，對AI從業者的震撼，都表明其在AI大模型的前線競爭中，取得了一定的成績。

而DeepSeek到目前為止，僅僅成立一年多，員工據稱只有150名，所投資金不詳，但較為靠譜的分析是在20億元左右。

DeepSeek“一夜爆紅”，對于中國車企最大啟示，應當是不要妄自菲薄，但也需要躬身入局AI。

對于車企，目前還有不少企業還沒有全棧自研智駕，更像傳統的功能、部件開發方式。如果寄希望于在智能化競爭中還有一席之地，車企應該斷然改弦更張，按照AI公司的方式去重塑智駕開發組織、體制。

同時，也不必為晚出發而高山仰止。DeepSeek至少在成本層面做到了逆襲，中國智駕企業也可能有類似機會。

正如理想汽車創始人李想此前在AI TALK上所說的：“我們相比特斯拉又不缺胳膊少腿，為什么它能做的你做不到？”

最后，我也問了一下DeepSeek一個問題：“deepseek對于汽車智能駕駛研發有什么啟示？”

以下是TA的回答：

DeepSeek（深度求索）作為聚焦AGI（通用人工智能）研究的中國科技公司，其技術路徑和創新方法論對汽車智能駕駛研發具有深刻的啟示，尤其在算法設計、工程落地和系統性思維層面。以下是具體分析：

### **1. ** **技術底座：通用性與垂直場景的平衡**

- **啟示**：DeepSeek的AGI研究注重底層通用能力的構建（如多模態理解、邏輯推理），同時通過領域適配實現垂直場景優化，這與智能駕駛需兼顧通用道路規則和特定場景（如高速、城區、泊車）的需求高度契合。

- **研發方向**：

- **構建統一架構**：設計可擴展的“通用感知-決策框架”，通過模塊化適配不同車型和駕駛場景（如乘用車與商用車差異化需求）。

- **遷移學習優化**：利用DeepSeek的預訓練大模型能力，將通用駕駛知識（如交通標志識別、行為預測）遷移至特定地域或特殊環境（如冰雪路面、山區道路）。

### **2. ** **感知系統：多模態融合的深度進化**

- **啟示**：DeepSeek的MoE（Mixture of Experts）架構支持動態分配計算資源，可解決傳統多模態感知中“傳感器數據權重僵化”問題。

- **研發方向**：

- **場景自適應融合**：

- 在惡劣天氣（暴雨、沙塵）中自動增強激光雷達和毫米波雷達的決策權重，降低攝像頭依賴；

- 在城市擁堵場景中，通過V2X獲取周邊車輛意圖，補償視覺盲區。

- **4D感知建模**：借鑒DeepSeek的時空建模技術，構建動態場景的“時空語義地圖”，實時預測行人、車輛的軌跡意圖（如是否可能橫穿馬路）。

### **3. ** **決策規劃：從規則驅動到認知智能**

- **啟示**：DeepSeek的強化學習與因果推理結合的研究，可破解傳統規則引擎應對長尾場景的局限性。

- **研發方向**：

- **混合決策系統**：

- **底層**：基于規則的緊急避障（AEB、LSS），確保功能安全（ISO 26262）；

- **上層**：采用深度強化學習模型處理復雜博弈場景（如無保護左轉、加塞處理），通過影子模式持續迭代。

- **認知建模**：構建“駕駛員心智模型”，通過人類駕駛數據反推潛在決策邏輯，使自動駕駛行為更擬人化（如合理“違規”避讓急救車輛）。

### **4. ** **數據閉環：合成數據與真實世界的共振**

- **啟示**：DeepSeek的合成數據生成技術（如NeRF、擴散模型）可突破智能駕駛研發的“數據瓶頸”。

- **研發方向**：

- **極端場景庫構建**：

- 生成罕見但高風險的“Corner Cases”（如兒童突然追逐玩具進入車道）；

- 模擬傳感器失效場景（如攝像頭被泥水遮擋時的系統降級策略）。

- **虛擬路測加速**：在數字孿生環境中進行百萬公里級壓力測試，聚焦中國特有場景（如電動車穿行、施工路段導流桿識別）。

### **5. ** **計算架構：車規級場景的效能革命**

- **啟示**：DeepSeek的模型壓縮和分布式計算經驗，可應對車載芯片算力與功耗的限制。

- **研發方向**：

- **車云協同計算**：

- 本地部署輕量化模型（如TensorRT量化后的感知網絡），處理實時控制；

- 云端通過大模型復盤駕駛數據，優化長期策略（如區域駕駛風格學習）。

- **存算一體設計**：借鑒DeepSeek的硬件適配經驗，探索新型計算架構（如存內計算）在域控制器中的應用，降低L4級系統的功耗。

### **6. ** **安全范式：從功能安全到價值對齊**

- **啟示**：DeepSeek的AI對齊研究為自動駕駛的倫理決策提供方法論。

- **研發方向**：

- **可解釋性保障**：

- 通過注意力機制可視化，證明系統決策依據（如剎車是因檢測到行人而非誤識別）；

- 建立符合ASIL-D標準的故障溯源機制。

- **倫理量化模型**：構建基于社會共識的“道德損失函數”，在不可避免事故時最小化總體傷害（如MIT道德機器實驗的工程化落地）。

### **7. ** **生態構建：從單車智能到群體智能**

- **啟示**：DeepSeek的多智能體協作研究可推動車路云一體化發展。

- **研發方向**：

- **協同感知網絡**：通過C-V2X實現車輛間的“視覺共享”，突破單車傳感器物理局限。

- **交通流優化**：基于聯邦學習構建區域交通調度模型，動態調整紅綠燈周期、匝道匯入策略等，提升整體路網效率。

### **產業級落地關鍵路徑**

1. **硬件-算法協同設計**：

- 與芯片廠商聯合定義下一代自動駕駛芯片架構（如針對Transformer模型的稀疏計算優化）。

2. **漸進式技術路線**：

- 以L2++系統（如城市NOA）作為數據采集入口，反哺L4算法演進。

3. **合規性創新**：

- 開發符合GDPR/中國數據安全法的數據脫敏方案，實現全球化部署。

### **挑戰與應對**

- **技術層面**：

解決多模態時序數據異步問題（如激光雷達與攝像頭幀率差異導致的融合抖動）。

- **商業層面**：

平衡功能迭代速度與車規認證周期（如OTA更新需滿足功能安全再認證要求）。

- **社會層面**：

構建公眾信任體系（如通過虛擬試駕平臺讓用戶直觀理解系統邊界）。

### **結語**

DeepSeek的技術哲學提示：**智能駕駛的終局不是簡單復制人類駕駛，而是通過AGI級能力實現“超人類安全性與效率”**。研發者需在三個維度突破：

1. **認知維度**：讓系統理解“為什么這樣開”而非“怎么開”；

2. **演化維度**：建立自主進化的數據-算法閉環；

3. **責任維度**：將技術倫理嵌入系統基因。

這不僅是技術競賽，更是對人類出行文明的重新定義。