乾貨 | DeepSeek爲何會火？又怎麼賦能汽車？

本文沒有廢話，只談三件事兒。第一是簡介DeepSeek的基礎知識，二來彙總一下當下融合DeepSeek的車企，最後聊聊DeepSeek對汽車的影響。全文約5000字，建議開啓「聽全文」。

DeepSeek火爆的原因是什麼？

說『火爆』二字並非僞命題！據悉，DeepSeek僅僅上線數日，便在各大應用商店下載量登頂，成功躋身全球AI應用的前列。尤其是在美國地區，它力壓ChatGPT，讓這個曾經的行業霸主首次跌落神壇，這一成績無疑是對DeepSeek實力的有力證明。

若要一句話總結其火爆的原因，那便是，ChatGPT給到的解釋是：『DeepSeek火爆源於性能卓越，在多任務表現出色；成本優勢突出，訓練和使用成本低；秉持開源理念，促進全球開發者共創；應用場景廣泛，與金融、汽車、政務等多行業深度融合。』

看來『同行』的評價也不低哦~~那麼拆分來看，DeepSeek的優勢到底是什麼，個人認爲大致分爲這樣三個方面：

創新架構

DeepSeek能在衆多AI模型裡表現突出，它獨特的架構設計起了很大作用。就拿DeepSeek-V3來說，它用的是混合專家架構（MoE），就好比一個超級大智囊團，這個智囊團有6710億個『小助手』，但每次遇到問題的時候，不會把所有『小助手』都叫過來，只會挑出370億個最擅長解決這個問題的『小助手』來幫忙。這就像我們在一個班級裡，要完成不同任務，比如畫畫、唱歌、寫作，不會讓全班同學都去做同一件事，而是讓最擅長的同學去做，這樣既節省了力氣，又能把事情做好，大大降低了計算成本，還能保持很高的效率。

當遇到複雜的自然語言處理任務，像給文章分類、分析句子裡的感情是開心還是難過、把中文翻譯成英文這些，MoE架構就像一個聰明的班長，能根據任務的特點，把任務分配給最合適的『小助手』模塊，避免了所有『小助手』都擠過來幹活造成的資源浪費，讓模型處理複雜任務又快又好。

除了MoE架構，DeepSeek-V3還加入了多頭潛在注意力（MLA）機制。在傳統的Transformer架構裡，多頭注意力（MHA）機制就像一個記性不太好的人，在處理很長很長的文章時，要記住的東西越來越多，就像書包裡要裝的書越來越多，最後書包都裝不下了，給模型帶來很大的內存壓力。

而MLA就像一個整理小能手，通過低秩聯合壓縮機制，把要記住的東西整理壓縮成小小的『精華』，也就是低維潛在向量，這樣就不需要佔太多內存了。比如我們看長篇小說、學術論文這些長文本的時候，MLA機制能一下子抓住文章的重點，不會因爲看了後面忘了前面，理解錯意思。而且在推理的時候，MLA就像一個只帶必需品的旅行者，只需要『背』着特定的向量，大大減小了要『背』的『書包』（KV緩存）的大小，讓模型處理大規模數據的時候速度更快，效率更高。

訓練優化

在訓練的時候，DeepSeek用了好多厲害的技術，就像給訓練過程『開外掛』，讓訓練效率變得更高，模型表現也更好。

其中，無輔助損失負載均衡策略特別有創意。打個比方，MoE架構就像是一個大工廠，裡面有很多不同的工人（專家模塊）。有時候，有些工人手上的活兒特別多，忙得不可開交；而有些工人卻閒得沒事幹。這樣下去，整個工廠的生產效率肯定高不了。

DeepSeek的無輔助損失負載均衡策略就像一個聰明的車間調度員，它給每個工人都安排了一個『小助手』（動態偏置項），這個『小助手』會實時盯着每個工人的工作量，然後根據實際情況，動態調整每個工人的任務分配，讓大家都能合理地幹活，避免有人累死，有人閒死。同時，還有一個序列級輔助損失補充機制，就像一個質量監督員，專門盯着每個生產環節（單個序列內）有沒有出現任務分配不均的情況。這兩個機制雙管齊下，讓模型訓練更穩定，效果更好。

再說說多Token預測（MTP）技術，這也是DeepSeek的一大特色。以前的模型預測就像小朋友學說話，一個字一個字地往外蹦，效率特別低。而DeepSeek的MTP技術就像我們大人說話，能一口氣說出好幾個詞，表達一個完整的意思。這樣一來，模型在訓練的時候能得到更多有用的信息，就像吃飯吃得飽飽的，幹活更有力氣。它能更好地預測接下來會出現什麼內容，在實際應用中，解碼速度就像坐了火箭一樣快。

比如說在寫文章的時候，以前的模型寫一個詞停一下，像擠牙膏一樣；而用了MTP技術的模型，能一下子寫出好幾個連續的詞，文章寫得又快又通順，還能更好地理解上下文的意思，寫出來的內容更準確、更自然。

另外，DeepSeek-V3還設計了FP8混合精度訓練框架，就像是給模型訓練找到了一個省錢又高效的『妙招』。在模型訓練的時候，數據的精度就像商品的質量，很重要。但是高精度的數據就像豪華包裝的商品，又佔地方（存儲需求大），加工起來還費勁（計算量大）。

FP8混合精度訓練就像一個精打細算的管家，對於一些不太重要的『小活兒』（對精度要求不高的計算任務），就用便宜實惠的『簡包裝』（FP8格式的數據）來處理；而對於那些關鍵的『大活兒』（關鍵的計算任務），就用高質量的『精包裝』（更高精度的數據）來保證質量。這樣既能保證訓練效果，又能大大降低成本（計算成本和內存需求），是不是很厲害？

推理強化

DeepSeek在推理方面表現超棒。就說DeepSeek-R1吧，它用的知識蒸餾技術，就好比學霸把自己總結的學習方法教給普通同學。那些知識多、能力強的大模型，把自己學到的知識和技巧，傳授給規模小一些的小模型。

這樣一來，小模型雖然沒有大模型那麼『聰明』，但推理能力可不差。DeepSeek-R1從複雜的長鏈推理模型裡提取精華，交給標準語言模型，讓標準語言模型回答問題時，理解得更透徹，回答得更準確，不管多複雜的問題都能輕鬆應對。

同時，DeepSeek還試着用純強化學習的方法訓練模型。比如訓練R1-Zero的時候，就像讓模型玩遊戲，不斷嘗試各種操作。模型根據遊戲給出的獎勵或者懲罰，判斷自己做得對不對，慢慢就能找到最好的操作方法。不過這種訓練方法有點小缺點，模型輸出的內容可能會不停地重複，讀起來也不太順口。但它就像給模型訓練打開了一扇新門，爲以後的研究提供了很有價值的經驗和想法。只要我們不斷探索、改進，以後在強化學習訓練方面，說不定能取得更大的突破，讓模型能力更強，用起來也更厲害。

已經入局的車企有哪些？

從2月6日開始，短短几天內，吉利、極氪、嵐圖、智己、東風、零跑、長城等近20家車企及品牌陸續宣佈在智能座艙或AI運營領域與DeepSeek完成深度融合，DeepSeek迅速成爲了汽車行業的『新寵』。

在這場車企與DeepSeek的『聯姻』盛宴中，各車企與DeepSeek的融合方式和應用場景各有特色。吉利汽車率先宣佈，其自研的星睿大模型與DeepSeek-R1已完成深度融合，並計劃對星睿車控Function Call大模型以及汽車主動交互端側大模型進行蒸餾訓練。

這一融合使得吉利智能汽車AI能夠精準理解用戶的模糊意圖，調用約2000個車載接口，還能基於場景主動分析用戶潛在需求，提供車輛控制、主動對話、售後等服務，大幅提升了智能交互體驗。例如，當用戶在車內說『我有點熱』，車機系統不僅能理解用戶的需求並自動調節空調溫度，還可能根據用戶的習慣，同時開啓座椅通風功能，爲用戶提供更加舒適的駕乘環境。

極氪汽車也不甘落後，其智能座艙團隊將自研的Kr AI大模型與DeepSeekR1大模型深度融合，顯著提升了Eva助手的智能化水平。Eva助手變得更加『聰明』，具備了深度思考能力，能夠更全面精準地回答用戶的問題，提供更貼心的服務。比如，在用戶規劃長途旅行時，Eva助手可以根據實時路況、沿途的充電樁分佈以及用戶的駕駛習慣，爲用戶制定最佳的出行路線，並提前提醒用戶在合適的地點進行充電，讓用戶的出行更加安心、便捷。

東風汽車更是動作迅速，一口氣完成了DeepSeek全系列大語言模型的接入工作，旗下猛士、奕派、風神、納米等自主品牌車型都將於近期陸續搭載應用。這一舉措將革新用戶與汽車的交互方式，實現從『被動執行指令』到『主動理解需求』的轉變。

以東風猛士917爲例，其智能座艙已完成DeepSeek-R1模型的接入，計劃在2025年4月上海車展前，率先通過OTA推送更新。屆時，用戶將體驗到更加智能的座艙服務，車輛能夠更好地理解用戶在越野場景下的各種需求，如調整懸掛高度、切換駕駛模式等，爲用戶帶來更加暢快的越野體驗。

嵐圖汽車同樣積極擁抱DeepSeek，旗下嵐圖知音成爲汽車行業首個融合DeepSeek的量產車型。從2月14日起，嵐圖知音用戶可通過OTA更新，體驗到AI智能體座艙的強大功能，包括AI語義識別、AI作詩、AI作畫、AI對聯、AI閒聊、AI信息實時檢索等。用戶在旅途中可以與車機進行有趣的互動，讓枯燥的駕駛變得充滿樂趣。全新嵐圖夢想家（參數丨圖片）也將同步搭載DeepSeek系列模型，進一步提升其智能座艙的語音交互、車載娛樂、智能推薦等功能，爲用戶打造更加高端、智能的出行體驗。

智己汽車則在智能座艙系統中深度引入DeepSeek大模型，並與豆包、通義等多款大模型展開合作，構建了多場景插拔式AI矩陣平臺。這一平臺能夠根據不同場景需求靈活調用不同AI功能，顯著提升了智能座艙的交互體驗。在導航場景中，系統可以根據實時路況和用戶偏好，快速規劃最優路線，並提供精準的語音導航提示；在娛樂場景中，用戶可以通過語音指令輕鬆播放自己喜歡的音樂、電影等，享受愉悅的駕乘時光。

DeepSeek能帶來什麼？

DeepSeek的接入，如同爲車機系統注入了一股強大的『智慧源泉』，爲車機帶來了全方位的變革，這些變革不僅體現在用戶的交互體驗上，更深入到智能駕駛的核心能力層面。

智能交互體驗升級

在智能交互方面，DeepSeek強大的語言理解和生成能力，讓車機系統實現了從『機械應答』到『智能交流』的飛躍。以往，傳統車機的語音交互功能往往只能理解簡單、明確的指令，對於模糊、隱晦的表達常常『一頭霧水』，用戶體驗較差。而DeepSeek接入後，車機能夠理解自然語言的複雜語義和語境，實現自然流暢的多輪對話和上下文理解交互。用戶可以像與朋友聊天一樣與車機進行交流，無需再使用刻板、生硬的指令。比如，當用戶說『我有點無聊，找點樂子』，車機不僅能理解用戶想要娛樂的需求，還能根據用戶的歷史偏好，推薦合適的音樂、有聲讀物或者有趣的小遊戲，甚至還能陪用戶聊聊天、講個笑話，讓枯燥的駕駛時光變得輕鬆愉快。

在上下文理解方面，DeepSeek也表現出色。假設用戶先詢問『附近有什麼好吃的火鍋店』，車機給出相關推薦後，用戶接着說『找個評分高的』，車機能夠理解這是基於上一個問題的延續，精準地篩選出評分高的火鍋店推薦給用戶，而不會出現理解偏差，這種智能的交互體驗大大提升了用戶與車機交流的便捷性和流暢性。

智能駕駛能力提升

從智能駕駛的角度來看，DeepSeek的多模態能力爲其帶來了質的提升。智能駕駛需要車輛對複雜的路況、交通信號、行人等多方面信息進行快速、準確的感知和決策。DeepSeek可以融合視覺、語音、環境等多維度數據，加速複雜場景決策模型的訓練效率，助力算法優化。在遇到前方道路施工、交通擁堵等突發情況時，車機系統能夠利用DeepSeek強大的分析能力，快速規劃出合理的繞行路線，避免用戶陷入長時間的等待。

DeepSeek還能降低智能駕駛對高算力硬件的依賴。通過其獨特的算法優化，車企可以在有限的算力條件下，推動性能更強模型的誕生，從而降低研發成本，提高智能駕駛系統的性價比。這意味着更多的車型，尤其是中低端車型，也能夠享受到先進的智能駕駛技術，加速智能駕駛的普及進程。

1

當然，我們也不能一吹一貶地看待當下的AI技術。

就以DeepSeek和ChatGPT爲例。DeepSeek採用混合專家模型（MoE）和多頭潛注意力（MLA）等創新架構，在技術複雜度較高的場景中表現優異，尤其擅長邏輯推理任務，在處理編碼、數學問題以及複雜的技術任務時，能提供更精準、高效的回答，且它是開源模型，成本較低，API定價約爲每百萬令牌0.48美元，對預算有限的用戶很友好。

而ChatGPT憑藉Transformer架構，擁有龐大的用戶基礎，在通用性和適應性上表現出色，生成的內容更具創造性，語言風格也較爲輕鬆隨意，適合日常對話、文案創作等一般性任務，但它處理實時數據的能力較弱，針對特定領域問題的準確性有時欠佳，且使用高級功能需付費訂閱，每月20美元，API成本根據模型不同，每百萬令牌3-15美元不等。

應該說，兩者各有千秋，都是推動AI技術發展的重要一員。

不過，隨着各大模型接入車機，無疑是汽車智能化發展道路上的重要一步，它爲汽車智能化帶來了新的契機和變革。通過提升智能交互體驗和智能駕駛能力，讓汽車變得更加『聰明』，更加貼近用戶的需求。

而對於車企與DeepSeek而言，同樣面臨着一些挑戰，如同質化競爭風險和安全與合規隱患，但這些挑戰也爲行業的發展提供了改進和創新的方向。隨着技術的不斷進步和完善，以及車企與科技企業合作的不斷深入，這些問題有望逐步得到解決。

展望未來，汽車智能化的發展方向將更加多元化和深入化，車企與DeepSeek的合作只是汽車智能化發展的一個縮影，未來，隨着更多先進技術的涌現和應用，汽車智能化的發展或將充滿無限可能。