1月20日，DeepSeek正式發布DeepSeek-R1模型，并同步開源模型權重。憑借低廉的成本價格和異常強悍的性能，DeepSeek僅用7天實現用戶增長破億，成為全球現象級的應用。

在多模態方面，DeepSeek于2024年12月發布了用于高級多模態理解的專家混合視覺語言模型——DeepSeek-VL2，模型的視覺問答、光學字符識別、文檔/表格/圖表理解以及視覺定位等能力得到進一步提升。

實際上，在DeepSeek名不見經傳時，產業界已經關注到了其旗下模型，部分自動駕駛公司已開始提前探索該模型的應用潛力。

“效果超出預期！我們今年初在內部進行了實際測試，DeepSeek最直觀的變化就是對模型訓練效率的提升，它可以將推理響應時間縮短40%，甚至50%，同時算力利用率也有一定的下降。”一位某智駕龍頭企業高管透露說。

在業內看來，DeepSeek作為開源基礎模型，有望加速智能駕駛的訓練速度，降低智能駕駛的訓練成本，成為智駕訓練的重要工具。

就智駕系統的開發而言，知行汽車科技系統總監張偉分析稱，復雜城區場景是當前開發難度最大的地方，依賴傳統的感知模型很難去解決此類長尾場景。各個企業都在嘗試開發訓練VLM模型（視覺語言模型），以優化系統對長尾場景的檢測及處理能力。

但開發這樣一套系統，依賴極大的云端算力及數據訓練成本，部署到車端的模型也要依賴較大算力的硬件平臺。而DeepSeek通過其獨特的技術優勢，例如MoE（混合專家架構）、GRPO（群組相對策略優化）、MLA（多頭潛在注意力機制）等，可以更好賦能智駕系統開發。

“一言以蔽之，DeepSeek有助于以更少的數據和訓練成本，實現同等性能的城市自動駕駛功能。”張偉說。

具體來看，在云端訓練環節，用于自動駕駛模型訓練的數據，要經過標注后才能進行模型訓練，最后才得到能夠識別車輛和行人的深度學習模型。DeepSeek本身降低了對數據標注的需求，因此可以幫助智駕企業進行數據挖掘和生成，降低數采和標注的成本。

在車端，DeepSeek可以通過蒸餾提升模型能力，降低車端計算資源需求，并降低車端部署成本。模型單次調用算力需求和訓練成本都因此大大降低。

在場景理解上，張偉認為，跨模態遷移后DeepSeek邏輯性與場景理解力更強，在極端路況（如斷頭路、罕見交通標志識別、突發道路施工等）的表現有望優于傳統模型。黑芝麻智能CMO（首席市場營銷官）楊宇欣同樣表示，未來DeepSeek可以用于融合視覺、語音、環境等多維度數據，實現更擬人化的駕駛決策，例如在復雜路口動態調整路徑規劃，或在突發狀況中快速生成安全策略。

楊宇欣認為，DeepSeek等大模型的核心價值在于通過端側高效推理能力，推動智能駕駛系統從“感知驅動”向“認知驅動”升級。若DeepSeek能通過低成本算力芯片實現規模化應用，將加速智駕功能向大眾市場滲透。（記者 孫小程 李興彩）