摘要：DeepSeek的开源AI大模型DeepSeek V3和R1，由中国公司深度求索（DeepSeek）发布，春节前进入到大众视野，引起大量下载、使用、以及分享、评论。

春节期间最火爆的事件，就是DeepSeek掀起的AI滔天巨浪。

DeepSeek的开源AI大模型DeepSeek V3和R1，由中国公司深度求索（DeepSeek）发布，春节前进入到大众视野，引起大量下载、使用、以及分享、评论。

其中基础模型DeepSeek V3，在模型训练阶段仅用557万美元、接近OpenAI十分之一的成本，就开发出了和OpenAI的GPT-o1性能相当的模型，震惊全球AI行业，一度让英伟达股票大跌，一天市值就失去6000亿美金。

DeepSeek的技术哲学和成果，引起了广泛讨论，也存在不少争议。对于当前汽车行业最为热门的技术竞争——智能驾驶开发而言，DeepSeek有什么启示呢？

当前的智能驾驶开发模式，基本是由特斯拉开创的“数据-训练-部署”模式。因此马斯克一直认为，所有后来者，都需要像特斯拉那样，投入数十亿美金去囤积算力，收集数据，训练模型，部署上车，再不断迭代，别无他法。

这其中，大算力、大数据是必然的竞争优势。

中国的智驾领先者，华为、小鹏、理想、Momenta、元戎启行等等，都遵循类似的开发模式。他们也会表示，随着智驾进入端到端大模型阶段，竞争门槛越来越高，因为数据和算力都需要巨额投入。

但是DeepSeek的启示，也许打破了马斯克的预言。打造一个智能驾驶大模型，兴许不用那么多钱。

DeepSeek对于汽车智能驾驶研发有什么启示？结尾，我附上了DeepSeek亲自作答的答案，很值得一看。

01

踢破算力门槛？

1月27日，英伟达股价大跌16.97%。

因为，DeepSeek告诉了全世界，AI行业也许并不需要这么多的算力。

DeepSeek在2024年年底发布了报告《DeepSeek-V3 Technical Report》，“自曝”其模型的技术架构。

DeepSeek开宗明义，直言公司追求模型高性能、低成本。因此，DeepSeek-V3采用多头潜在注意力（MLA：Multi-head Latent Attention）进行高效推理，区别于传统的多头注意力模型（MHA：Multi-head Attention），从而降低了内存占用并提高了计算效率。

同时，DeepSeek采用了混合专家模型（MoE：mixture of experts）——由多个专业化的子模型（即“专家”）组合而成，每一个“专家”都在其擅长的领域内做出贡献。为了分配“任务”，DeepSeek还设置了“门控网络”的机制。这使得每一个任务不需要展开总体的模型计算，而只要调用子模型就行。

更值得智驾开发者注意的是，为了实现经济高效的训练，DeepSeek采用了FP8混合精度训练，并对训练框架进行了全面优化。

所谓FP8，是指浮点计算的精度。相对于FP32、FP16，FP8精度要低得多，但是计算和存储成本要低很多，计算效率和性能就高。

但是，DeepSeek也不是全数采用FP8计算，而是在关键数据计算时，依旧采用FP32计算，因此称为混合精度计算方式，保证了最终计算结果的准确性。

通过这种混合精度计算方式，DeepSeek实现了加速训练和减少GPU内存使用。

除此之外，DeepSeek还开发了其他的技术，这些举措结合起来，DeepSeek团队就实现了很高的训练效率。

DeepSeek对外表示，DeepSeek-V3的训练成本，只有557万美元，相当于278.8万小时H800GPU的训练量。

当然，这个成本仅包括DeepSeek-V3的训练成本，不包括前期预训练等等。但是，这个成本已经非常低。OpenAI训练GPT-4的成本超过1亿美元。

此外，DeepSeek还基于通用模型V3，采用动态蒸馏技术，推出了推理模型R1。

这一点，和智驾企业将云端大模型蒸馏为小模型，从而部署到几百tops算力的车端上，原理上一致。

小鹏智驾的架构

这就是DeepSeek高效利用算力的奥秘。

不过，也有人认为，DeepSeek算力作弊，甚至国外分析机构认为，DeepSeek其实有1万张H800 、1万张H100、1万张A100和3万张A20芯片，4年总算力成本高达25亿美金。

国内的同业者猜测，DeepSeek仅有万余张芯片。

但总体而言，更为广泛的意见是，DeepSeek V3的在算力应用上，打破了AI行业的算力迷信，也表明AI大模型训练恐怕不需要数十亿美金的投入。

OpenAI创始成员Andrej Karpathy就说，DeepSeek V3让在有限算力预算上进行模型预训练这件事变得容易。

但如今，智驾企业正在进行算力竞赛。DeepSeek一系列提升计算效率，降低模型训练成本的方法，如果援用到智驾模型训练中，同样将降低对算力的需求。这是否会让更多企业加速进入到智驾自研开发当中呢？

也有人认为不会。

FutureLabs未来实验室首席专家胡延平就表示，（DeepSeek之后）“由此颠覆了模型与算力关系更说不上。

他说，接下来大家会越来越清楚地看到，这个领域有捷径但没有弯道超车，有后发成本优势但没有后发领先优势，AGI路线更是只能取巧没有投机。比如即使L3+级别的智能驾驶，端到端向VLA进化，车辆SoC算力1000TOPS起才勉强可玩，2000-3000TOPS会稀松平常，即使如此，短期内也未必能够到真正的L4。向上曲线的模型思考长度速度整体度、多模态、感知思考与行为能力合一等方向，只可能将算力需求拉升到新高度。向下曲线对成本效率有改变，但对捧得AGI圣杯的贡献可以忽略。”

当然，他说的是车端模型。云端大模型能否用更少算力训练出来？DeePSeeK告诉我们，不要轻易说不。

02

追求高质量数据

在探求DeepSeek模型训练高效率的原因时，不少分析人士指出，DeepSeek在训练模型时采用的是高质量数据，甚至有人直指它用了CHATGPT的生成结果来训练。

根据DeepSeek自己公布的信息，V3在14.8T高质量token上进行了预训练。这一数字，相比Llama 3.1的15万亿tokens，Qwen 2.5的18万亿token，都要小，但是质量更佳。

根据腾讯科技“省钱也是技术活：解密DeepSeek的极致压榨术”一文，DeepSeek数据的来源比较多元，并且经过了严格清洗和筛选。

首先在基础训练数据上，和GPT-3一样，DeepSeek也采用了非营利组织CommonCrawl的语料库（类似于用爬虫抓取了全球网页内容），但经过了严格筛选。

此外，DeepSeek有点偏科地专门引入了专业领域数据，包括大规模的代码数据集、数学推理数据、科学文献等。

在数据清洗环节，DeepSeek采用了专有的数据过滤算法，实施了多层次的质量控制。这个过程首先对原始数据进行重复内容的识别和删除，确保数据的唯一性。随后，通过智能算法筛除低质量内容，包括格式错误的数据、不完整的文本片段以及不符合规范的内容。这种严格的数据清洗流程不仅提高了训练数据的质量，也为模型的最终表现奠定了良好基础。

对于DeepSeek的数据问题，批评在于，它可能大量采用了ChatGPT生成的语料来训练，甚至有人直接说它蒸馏自CHATGPT。

无论如何，DeepSeek对于训练数据质量的要求，要更加严谨。

在智能驾驶领域，各玩家也在强调自己的数据资产。小鹏汽车宣称用2000万Clips的数据来训练自己模型，而理想最新的7.0版本智驾基于800万Clips训练的模型。小米也曾立下FLAG，要在2024 年完成1000万Clips数据积累。比亚迪则宣称自己有全球最大的新能源汽车保有量，数据量无可比拟。

领先的智驾企业，更早意识到数据的质量。特斯拉更倾向用优秀司机的数据。理想汽车从五星评级司机的驾驶中抽取视频片段。

DeepSeek的启示也在于此，用于训练的数据多固然可贵，但高质量数据更为可贵。

03

不妄自菲薄，但需躬身入局

围绕DeepSeek的争议还在继续，但它出圈的程度，对AI从业者的震撼，都表明其在AI大模型的前线竞争中，取得了一定的成绩。

而DeepSeek到目前为止，仅仅成立一年多，员工据称只有150名，所投资金不详，但较为靠谱的分析是在20亿元左右。

DeepSeek“一夜爆红”，对于中国车企最大启示，应当是不要妄自菲薄，但也需要躬身入局AI。

对于车企，目前还有不少企业还没有全栈自研智驾，更像传统的功能、部件开发方式。如果寄希望于在智能化竞争中还有一席之地，车企应该断然改弦更张，按照AI公司的方式去重塑智驾开发组织、体制。

同时，也不必为晚出发而高山仰止。DeepSeek至少在成本层面做到了逆袭，中国智驾企业也可能有类似机会。

正如理想汽车创始人李想此前在AI TALK上所说的：“我们相比特斯拉又不缺胳膊少腿，为什么它能做的你做不到？”

最后，我也问了一下DeepSeek一个问题：“deepseek对于汽车智能驾驶研发有什么启示？”

以下是TA的回答：

DeepSeek（深度求索）作为聚焦AGI（通用人工智能）研究的中国科技公司，其技术路径和创新方法论对汽车智能驾驶研发具有深刻的启示，尤其在算法设计、工程落地和系统性思维层面。以下是具体分析：

### **1. ** **技术底座：通用性与垂直场景的平衡**

- **启示**：DeepSeek的AGI研究注重底层通用能力的构建（如多模态理解、逻辑推理），同时通过领域适配实现垂直场景优化，这与智能驾驶需兼顾通用道路规则和特定场景（如高速、城区、泊车）的需求高度契合。

- **研发方向**：

- **构建统一架构**：设计可扩展的“通用感知-决策框架”，通过模块化适配不同车型和驾驶场景（如乘用车与商用车差异化需求）。

- **迁移学习优化**：利用DeepSeek的预训练大模型能力，将通用驾驶知识（如交通标志识别、行为预测）迁移至特定地域或特殊环境（如冰雪路面、山区道路）。

### **2. ** **感知系统：多模态融合的深度进化**

- **启示**：DeepSeek的MoE（Mixture of Experts）架构支持动态分配计算资源，可解决传统多模态感知中“传感器数据权重僵化”问题。

- **研发方向**：

- **场景自适应融合**：

- 在恶劣天气（暴雨、沙尘）中自动增强激光雷达和毫米波雷达的决策权重，降低摄像头依赖；

- 在城市拥堵场景中，通过V2X获取周边车辆意图，补偿视觉盲区。

- **4D感知建模**：借鉴DeepSeek的时空建模技术，构建动态场景的“时空语义地图”，实时预测行人、车辆的轨迹意图（如是否可能横穿马路）。

### **3. ** **决策规划：从规则驱动到认知智能**

- **启示**：DeepSeek的强化学习与因果推理结合的研究，可破解传统规则引擎应对长尾场景的局限性。

- **研发方向**：

- **混合决策系统**：

- **底层**：基于规则的紧急避障（AEB、LSS），确保功能安全（ISO 26262）；

- **上层**：采用深度强化学习模型处理复杂博弈场景（如无保护左转、加塞处理），通过影子模式持续迭代。

- **认知建模**：构建“驾驶员心智模型”，通过人类驾驶数据反推潜在决策逻辑，使自动驾驶行为更拟人化（如合理“违规”避让急救车辆）。

### **4. ** **数据闭环：合成数据与真实世界的共振**

- **启示**：DeepSeek的合成数据生成技术（如NeRF、扩散模型）可突破智能驾驶研发的“数据瓶颈”。

- **研发方向**：

- **极端场景库构建**：

- 生成罕见但高风险的“Corner Cases”（如儿童突然追逐玩具进入车道）；

- 模拟传感器失效场景（如摄像头被泥水遮挡时的系统降级策略）。

- **虚拟路测加速**：在数字孪生环境中进行百万公里级压力测试，聚焦中国特有场景（如电动车穿行、施工路段导流杆识别）。

### **5. ** **计算架构：车规级场景的效能革命**

- **启示**：DeepSeek的模型压缩和分布式计算经验，可应对车载芯片算力与功耗的限制。

- **研发方向**：

- **车云协同计算**：

- 本地部署轻量化模型（如TensorRT量化后的感知网络），处理实时控制；

- 云端通过大模型复盘驾驶数据，优化长期策略（如区域驾驶风格学习）。

- **存算一体设计**：借鉴DeepSeek的硬件适配经验，探索新型计算架构（如存内计算）在域控制器中的应用，降低L4级系统的功耗。

### **6. ** **安全范式：从功能安全到价值对齐**

- **启示**：DeepSeek的AI对齐研究为自动驾驶的伦理决策提供方法论。

- **研发方向**：

- **可解释性保障**：

- 通过注意力机制可视化，证明系统决策依据（如刹车是因检测到行人而非误识别）；

- 建立符合ASIL-D标准的故障溯源机制。

- **伦理量化模型**：构建基于社会共识的“道德损失函数”，在不可避免事故时最小化总体伤害（如MIT道德机器实验的工程化落地）。

### **7. ** **生态构建：从单车智能到群体智能**

- **启示**：DeepSeek的多智能体协作研究可推动车路云一体化发展。

- **研发方向**：

- **协同感知网络**：通过C-V2X实现车辆间的“视觉共享”，突破单车传感器物理局限。

- **交通流优化**：基于联邦学习构建区域交通调度模型，动态调整红绿灯周期、匝道汇入策略等，提升整体路网效率。

### **产业级落地关键路径**

1. **硬件-算法协同设计**：

- 与芯片厂商联合定义下一代自动驾驶芯片架构（如针对Transformer模型的稀疏计算优化）。

2. **渐进式技术路线**：

- 以L2++系统（如城市NOA）作为数据采集入口，反哺L4算法演进。

3. **合规性创新**：

- 开发符合GDPR/中国数据安全法的数据脱敏方案，实现全球化部署。

### **挑战与应对**

- **技术层面**：

解决多模态时序数据异步问题（如激光雷达与摄像头帧率差异导致的融合抖动）。

- **商业层面**：

平衡功能迭代速度与车规认证周期（如OTA更新需满足功能安全再认证要求）。

- **社会层面**：

构建公众信任体系（如通过虚拟试驾平台让用户直观理解系统边界）。

### **结语**

DeepSeek的技术哲学提示：**智能驾驶的终局不是简单复制人类驾驶，而是通过AGI级能力实现“超人类安全性与效率”**。研发者需在三个维度突破：

1. **认知维度**：让系统理解“为什么这样开”而非“怎么开”；

2. **演化维度**：建立自主进化的数据-算法闭环；

3. **责任维度**：将技术伦理嵌入系统基因。

这不仅是技术竞赛，更是对人类出行文明的重新定义。

来源：电动汽车观察家