在春节放假的那会，我刷着手机，突然有一条热搜窜到了 TOP1：DeepSeek 一夜掀翻美股。

我当时还纳闷，DeepSeek 是什么东西？怎么一下子就火？搜了一下，着实不简单。

用大白话来说就是，一个国产 AI 大模型正在颠覆全球的 AI 行业，仅用数百万成本就能达到与 OpenAI 几亿美元投入相匹的效果，这谁能受得了？

而在这几日，我还在喷着 DeepSeek “服务器繁忙，请稍后再试”的时候，国内车企就像排长龙一样，前赴后继的宣布接入 DeepSeek，什么岚图、极氪、智己、宝骏、比亚迪......

但我看到这条消息的时候，我不经会想：DeepSeek 上车的意义是什么？什么叫做深度融合？车载版与原生 DeepSeek 又有何区别？

当然，最重要的灵魂拷问还是：这到底是一个营销噱头，蹭 DeepSeek 热度？还是真能提高用车体验？

DeepSeek 是噱头还是提升？

面对这个问题，让我上 DeepSeek 问问是啷个情况。

话说回来，「大模型」上车其实并不是什么新鲜词了，早在前两年，许多车企就已经将 AI 大模型融入到自身的座舱、语音系统上了。后来演变的智驾「端到端」也是「大模型」上车的具体案例。

只不过车企所宣传的「大模型」大多都是以自研为主，因此不同的模型之间会存在性能上的差异，所反映到产品上就是体验的参差不齐。

那么在自家原本就有大模型的基础上，还要将 DeepSeek 接入上车，到底有何用意？又是以什么样的形式放到车上的呢？

我狠狠研究了一番（DeepSeek 启动），发现各家车企在宣发的海报或者是新闻稿上有着这几个关键词：集成、本地布置、蒸馏训练。

那么经过查询研究，基本可以确定，目前 DeepSeek 的上车方式大概率会是这以下三种：

第一种就是最轻松的方式，服务商发力，我坐享其成。就例如头部的云端大模型服务商：思必驰，前段时间就官宣了自己在云端模型里融合了 DeepSeek 模型。而使用该服务商方案的车企们也就变向拥有了 DeepSeek 的加持。

第二种就是车企自己通过 DeepSeek 的 MIT 开源协议，在自有服务器上部署其开源的 R1 模型（满血版或蒸馏版），并通过微调与自有模型融合为统一的大模型或者是统合进一个“AI 平台”，车主端则可通过 OTA 或边缘计算实时调用模型能力。

第三种就是通过蒸馏的方式，把 R1 模型压缩成一个体积非常小的小模型然后 OTA 到车端，以此让车主端就算不联网，也能获得 DeepSeek 的部分功能。

说到底，这些方式的核心都是在自有模型上进行融合或者说是集成，简单来说就是在原有的大模型上加了一层  DeepSeek 的“Buff”，以此能够拥有 R1 模型部分的能力。

那上了 DeepSeek 对于车端来说能获得什么样的提升呢？又用在哪里呢？

目前根据大部分车企所宣传的海报来看，它们均把 DeepSeek 赋能在了智能座舱和语音助手上。

结合 DeepSeek 的超强推理能力来说，好像似乎就只能让语音助手变得更加聪明，更加听得懂人话。又或是能够回答一些抽象、复杂，以及“弱智”的问题，来考考语音助手......

嘶......这好像没有并没有太大的提升。

的确，因为这类似的功能其实早在一些车型上实现了，比如理想的 MindGPT、蔚来的 NomiGTP、 小鹏的 X-GPT 大模型等等，面对一些抽象、复杂的提问都给出较为合理的回答。

但我深刻思考了一下（花费 3 秒），问题来了，好像从实际用车场景出发，我们压根不会问车机太过复杂的问题，顶多就是放放歌、调调空调、打开个座椅按摩这些。

而这些功能就算不是 DeepSeek 这种级别的大模型，其实也都能解决的七七八八，只要你不是“好奇小子”，开车开到一半问语音助手：佛祖和耶稣打起来，哪个会赢......

所以，在我个人看来，DeepSeek 上车热潮肯定是噱头大于实际效果，在短时间内还是难以实现「量变到质变」。

不过，如果某些车企原本在座舱上就有短板，或者说是自有的大模型性能还不够好的，利用 DeepSeek 进行补强，让自家的座舱系统以及语音助手追上一线梯队的水平，也是一件利好的事。

DeepSeek 能为智驾做些什么？

吼，这是个好问题。

其实在我看来，把 DeepSeek 放到智驾层面，可能才是挖掘出它更大潜力的地方。

要知道，DeepSeek 之所以产生了这么大的轰动，开源是一方面，主要的核心其实是以低成本、高效率的模式重构了 AI 行业的底层逻辑。

非常 big 胆的使用了纯强化学习的方式，摒弃了传统大模型赖于监督微调（SFT）以及人工标注数据的训练模式。简单来说，就是利用机制让 AI 自己领悟推导过程。

这种方法不仅大幅降低了训练成本，还显著提升了模型的推理能力。

理想汽车的 CEO 李想就曾提过，人类大脑中存在两套思考系统：“系统 1”和“系统 2”。其中系统 1 负责以低能耗的方式处理直觉类工作，而系统 2 则负责在复杂情况中进行推理，处理各种 Corner Case。

而自动驾驶领域的最终目的也就是模拟人类的思考和决策过程。

那么以推理见长的 DeepSeek R1 模型，从原理来说是能够帮助智驾系统提升“系统 2”的能力的。例如，在复杂路口动态调整路径规划上，或在突发状况中，能够快速优化车端的推理速度，从而做出更好的驾驶判断。

智驾开发的另一个难度，体现在数据采集侧。传统的数据采集方式往往局限于车辆自身的传感器，而 DeepSeek 可以通过整合车端、路端和云端的多源数据，构建了一个多维度的数据生态，提升智驾模型的数据质量和训练效率。

其次在 DeepSeek 模型当中，也引入了 MoE （混合专家架构） 、MLA （多头潜在注意力机制） 等技术，这些技术也能够通过类似“蒸馏”的方式，从海量数据中提取有价值的信息，并自动识别和标注，降低数据挖掘和人工标注的成本。

回看 2024 年，智驾“端到端”的时代，想要做好智驾，那就得囤算力、囤数据，不断训练、不断迭代。伴随着智驾参数量的持续扩大，那就要持续为算力集群投入资金，花钱砸算力。

而如今 DeepSeek 出现，似乎提供到了一个好用又不贵的新解决思路。

当然了，理论终究是理论，想要在智驾训练里大规模的用上 DeepSeek R1 模型或者是说强化学习技术 ，依旧有不少难点和瓶颈。

就比如，强化学习的试错过程需要巨大的算力支撑，这对于不是专注于 AI 行业的车企来说，还不一定能搞得定。

其次就是幻觉率的问题，简单来说就是在生成信息时会出现不准确或是“胡说八道”的情况。这也是 DeepSeek R1 模型创造力爆棚所带来的副作用。

所以，在智驾这种严谨性高、安全系数高的场景中，还是需要有监督的方案来确保下限，否则就是对行车安全的不负责。

当一个又一个大模型在各行各业落地应用，大模型落地似乎并没有我们想象中的那么难。但难的是，落地后如何去正确的使用。