详情

春节时辰最火爆的事件，即是DeepSeek掀翻的AI滔天巨浪。

DeepSeek的开源AI大模子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线，引起多量下载、使用、以及分享、驳斥。

其中基础模子DeepSeek V3，在模子检会阶段仅用557万好意思元、接近OpenAI十分之一的老本，就拓荒出了和OpenAI的GPT-o1性能相当的模子，震恐全球AI行业，一度让英伟达股票大跌，一天市值就失去6000亿好意思金。

DeepSeek的期间玄学和效果，引起了昔日商议，也存在不少争议。关于刻下汽车行业最为热点的期间竞争——智能驾驶拓荒而言，DeepSeek有什么启示呢？

刻下的智能驾驶拓荒模式，基本是由特斯拉始创的“数据-检会-部署”模式。因此马斯克一直以为，整个自后者，都需要像特斯拉那样，进入数十亿好意思金去囤积算力，采集数据，检会模子，部署上车，再不竭迭代，别无他法。

这其中，大算力、大数据是势必的竞争上风。

中国的智驾着手者，华为、小鹏、瞎想、Momenta、元帅启行等等，都受命肖似的拓荒模式。他们也会默示，跟着智驾进入端到端大模子阶段，竞争门槛越来越高，因为数据和算力都需要广博进入。

可是DeepSeek的启示，也许龙套了马斯克的预言。打造一个智能驾驶大模子，兴许毋庸那么多钱。

DeepSeek关于汽车智能驾驶研发有什么启示？扫尾，我附上了DeepSeek亲身作答的谜底，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告诉了全寰宇，AI行业也许并不需要这样多的算力。

DeepSeek在2024年年底发布了讲述《DeepSeek-V3 Technical Report》，“自曝”其模子的期间架构。

DeepSeek开宗明义，直言公司追求模子高性能、低老本。因此，DeepSeek-V3收受多头潜在注看法（MLA：Multi-head Latent Attention）进行高效推理，分离于传统的多头注看法模子（MHA：Multi-head Attention），从而裁汰了内存占用并提高了筹算效率。

同期，DeepSeek收受了混杂大家模子（MoE：mixture of experts）——由多个专科化的子模子（即“大家”）组合而成，每一个“大家”都在其擅长的领域内作念出孝敬。为了分拨“任务”，DeepSeek还设立了“门控采集”的机制。这使得每一个任务不需要伸开总体的模子筹算，而只须调用子模子就行。

更值得智驾拓荒者注目的是，为了已毕经济高效的检会，DeepSeek收受了FP8混杂精度检会，并对检会框架进行了全面优化。

所谓FP8，是指浮点筹算的精度。相关于FP32、FP16，FP8精度要低得多，可是筹算和存储老本要低许多，筹算效率和性能就高。

可是，DeepSeek也不是全数收受FP8筹算，而是在要道数据筹算时，依旧收受FP32筹算，因此称为混杂精度筹算方式，保证了最终筹算闭幕的准确性。

通过这种混杂精度筹算方式，DeepSeek已毕了加快检会和减少GPU内存使用。

除此除外，DeepSeek还拓荒了其他的期间，这些举措勾搭起来，DeepSeek团队就已毕了很高的检会效率。

DeepSeek对外在示，DeepSeek-V3的检会老本，唯有557万好意思元，相当于278.8万小时H800GPU的检会量。

天然，这个老本仅包括DeepSeek-V3的检会老本，不包括前期预检会等等。可是，这个老本照旧额外低。OpenAI检会GPT-4的老本突出1亿好意思元。

此外，DeepSeek还基于通用模子V3，收受动态蒸馏期间，推出了推理模子R1。

这小数，和智驾企业将云表大模子蒸馏为小模子，从而部署到几百tops算力的车端上，旨趣上一致。

小鹏智驾的架构

这即是DeepSeek高效诈欺算力的玄妙。

不外，也有东谈主以为，DeepSeek算力舞弊，以至外洋分析机构以为，DeepSeek其实有1万张H800 、1万张H100、1万张A100和3万张A20芯片，4年总算力老本高达25亿好意思金。

国内的同行者臆想，DeepSeek仅有万余张芯片。

但总体而言，更为昔日的意见是，DeepSeek V3的在算力应用上，龙套了AI行业的算力迷信，也标明AI大模子检会只怕不需要数十亿好意思金的进入。

OpenAI独创成员Andrej Karpathy就说，DeepSeek V3让在有限算力预算上进行模子预检会这件事变得容易。

但如今，智驾企业正在进行算力竞赛。DeepSeek一系列提高筹算效率，裁汰模子检会老本的方法，淌若引用到智驾模子检会中，一样将裁汰对算力的需求。这是否会让更多企业加快进入到智驾自研拓荒当中呢？

也有东谈主以为不会。

FutureLabs翌日实验室首席大家胡延平就默示，（DeepSeek之后）“由此颠覆了模子与算力联系更说不上。

他说，接下来民众会越来越理解地看到，这个领域有捷径但莫得弯谈超车，有后发老本上风但莫得后发着手上风，AGI门道更是只能取巧莫得投契。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起才凑合可玩，2000-3000TOPS会稀松等闲，即使如斯，短期内也有时梗概到委果的L4。朝上弧线的模子念念考长度速率合座度、多模态、感知念念考与行为才能合一等地方，只能能将算力需求拉升到新高度。向下弧线对老本效率有改造，但对捧得AGI圣杯的孝敬不错忽略。”

天然，他说的是车端模子。云表大模子能否用更少算力检会出来？DeePSeeK告诉咱们，不要浮松说不。

02

追求高质料数据

在探求DeepSeek模子检会高效率的原因时，不少分析东谈主士指出，DeepSeek在检会模子时收受的是高质料数据，以至有东谈主直指它用了ChatGPT的生成闭幕来检会。

阐述DeepSeek我方公布的信息，V3在14.8T高质料token上进行了预检会。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，可是质料更佳。

阐述腾讯科技“省钱亦然期间活：解密DeepSeek的极致压榨术”一文，DeepSeek数据的来源比较多元，而且经过了严格清洗和筛选。

着手在基础检会数据上，和GPT-3一样，DeepSeek也收受了非渔利组织CommonCrawl的语料库（肖似于用爬虫持取了全球网页实质），但经过了严格筛选。

此外，DeepSeek有点偏科地很是引入了专科领域数据，包括大规模的代码数据集、数学推理数据、科学文件等。

在数据清洗设施，DeepSeek收受了专有的数据过滤算法，试验了多线索的质料适度。这个过程着手对原始数据进行重叠实质的识别和删除，确保数据的唯独性。随后，通过智能算法筛除低质料实质，包括形式缺欠的数据、不完好的文本片断以及不合乎表率的实质。这种严格的数据清洗历程不仅提高了检会数据的质料，也为模子的最终推崇奠定了邃密基础。

关于DeepSeek的数据问题，品评在于，它可能多量收受了ChatGPT生成的语料来检会，以至有东谈主径直说它蒸馏自CHATGPT。

无论怎样，DeepSeek关于检会数据质料的条目，要愈加严谨。

在智能驾驶领域，各玩家也在强调我方的数据金钱。小鹏汽车声称用2000万Clips的数据来检会我方模子，而瞎想最新的7.0版块智驾基于800万Clips检会的模子。小米曾经立下FLAG，要在2024 年完成1000万Clips数据积聚。比亚迪则声称我方有全球最大的新动力汽车保有量，数据量无可相比。

着手的智驾企业，更早毅力到数据的质料。特斯拉更倾向用优秀司机的数据。瞎想汽车从五星评级司机的驾驶中抽取视频片断。

DeepSeek的启示也在于此，用于检会的数据多天然珍摄，但高质料数据更为珍摄。

03

不自封自高，但需躬身入局

围绕DeepSeek的争议还在连续，但它出圈的进度，对AI从业者的漂泊，都标明其在AI大模子的前哨竞争中，取得了一定的收成。

而DeepSeek到现在为止，只是成立一年多，职工据称唯有150名，所投资金省略，但较为靠谱的分析是在20亿元傍边。

DeepSeek“通宵爆红”，关于中国车企最大启示，应当是不要自封自高，但也需要躬身入局AI。

关于车企，现在还有不少企业还莫得全栈自研智驾，更像传统的功能、部件拓荒方式。淌若寄但愿于在智能化竞争中还有一隅之地，车企应该坚定自拔来归，按照AI公司的方式去重塑智驾拓荒组织、体制。

同期，也不必为晚动身而峻岭仰止。DeepSeek至少在老本层面作念到了逆袭，中国智驾企业也可能有肖似契机。

正如瞎想汽车独创东谈主李想此前在AI TALK上所说的：“咱们相比特斯拉又不缺胳背少腿，为什么它能作念的你作念不到？”

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

以下是TA的恢复：

DeepSeek（深度求索）动作聚焦AGI（通用东谈主工智能）辩论的中国科技公司，其期间旅途和创新方法论对汽车智能驾驶研发具有潜入的启示，尤其在算法遐想、工程落地和系统性念念维层面。以下是具体分析：

### **1. ** **期间底座：通用性与垂直场景的均衡**

- **启示**：DeepSeek的AGI辩论珍视底层通用才能的构建（如多模态领略、逻辑推理），同期通过领域适配已毕垂直场景优化，这与智能驾驶需兼顾通用谈路规章和特定场景（如高速、城区、停车）的需求高度契合。

- **研发地方**：

- **构建调治架构**：遐想可延伸的“通用感知-决策框架”，通过模块化适配不同车型和驾驶场景（如乘用车与商用车各异化需求）。

- **挪动学习优化**：诈欺DeepSeek的预检会大模子才能，将通用驾驶常识（如交通记号识别、行为展望）挪动至特定地域或特殊环境（如冰雪路面、山区谈路）。

### **2. ** **感知系统：多模态会通的深度进化**

- **启示**：DeepSeek的MoE（Mixture of Experts）架构支撑动态分拨筹算资源，可科罚传统多模态感知中“传感器数据权重僵化”问题。

- **研发地方**：

- **场景自顺应会通**：

- 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，裁汰录像头依赖；

- 在城市拥挤场景中，通过V2X获得掌握车辆意图，抵偿视觉盲区。

- **4D感知建模**：鉴戒DeepSeek的时空建模期间，构建动态场景的“时空语义舆图”，及时展望行东谈主、车辆的轨迹意图（如是否可能横穿马路）。

### **3. ** **决策权术：从规章运转到解析智能**

- **启示**：DeepSeek的强化学习与因果推理勾搭的辩论，可破解传统规章引擎应付长尾场景的局限性。

- **研发地方**：

- **混杂决策系统**：

- **底层**：基于规章的艰苦避障（AEB、LSS），确保功能安全（ISO 26262）；

- **表层**：收受深度强化学习模子处理复杂博弈场景（如无保护左转、加塞处理），通过影子模式不竭迭代。

- **解析建模**：构建“驾驶员心智模子”，通过东谈主类驾驶数据反推潜在决策逻辑，使自动驾驶行为更拟东谈主化（如合理“非法”避开急救车辆）。

### **4. ** **数据闭环：合成数据与确切寰宇的共振**

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

- **研发地方**：

- **极点场景库构建**：

- 生成陌生但高风险的“Corner Cases”（如儿童短暂追赶玩物进入车谈）；

- 模拟传感器失效场景（如录像头被泥水讳饰时的系统左迁计策）。

- **虚构路测加快**：在数字孪生环境中进行百万公里级压力测试，聚焦中国独到场景（如电动车穿行、施工路段导流杆识别）。

### **5. ** **筹算架构：车规级场景的着力立异**

- **启示**：DeepSeek的模子压缩和分散式筹算告戒，可应付车载芯片算力与功耗的铁心。

- **研发地方**：

- **车云协同筹算**：

- 土产货部署轻量化模子（如TensorRT量化后的感知采集），处理及时适度；

- 云表通过大模子复盘驾驶数据，优化恒久计策（如区域驾驶格调学习）。

- **存算一体遐想**：鉴戒DeepSeek的硬件适配告戒，探索新式筹算架构（如存内筹算）在域适度器中的应用，裁汰L4级系统的功耗。

### **6. ** **安全范式：从功能安全到价值对王人**

- **启示**：DeepSeek的AI对王人辩论为自动驾驶的伦理决策提供方法论。

- **研发地方**：

- **可解释性保险**：

- 通过注看法机制可视化，讲授系统决策依据（如刹车是因检测到行东谈主而非误识别）；

- 设立合乎ASIL-D法式的故障溯源机制。

- **伦理量化模子**：构建基于社会共鸣的“谈德耗费函数”，在弗成幸免事故时最小化总体伤害（如MIT谈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的多智能体合作辩论可鼓励车路云一体化发展。

- **研发地方**：

- **协同感知采集**：通过C-V2X已毕车辆间的“视觉分享”，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遣模子，动态颐养红绿灯周期、匝谈汇入计策等，提高合座路网效率。

### **产业级落地要路途径**

1. **硬件-算法协同遐想**：

- 与芯片厂商会聚界说下一代自动驾驶芯片架构（如针对Transformer模子的寥落筹算优化）。

2. **渐进式期间门道**：

- 以L2++系统（如城市NOA）动作数据采集进口，反哺L4算法演进。

3. **合规性创新**：

- 拓荒合乎GDPR/中国数据安全法的数据脱敏决策，已毕全球化部署。

### **挑战与应付**

- **期间层面**：

科罚多模态时序数据异步问题（如激光雷达与录像头帧率各异导致的会通抖动）。

- **生意层面**：

均衡功能迭代速率与车规认证周期（如OTA更新需心仪功能安全再认证条目）。

- **社会层面**：

构建公众信任体系（如通过虚构试驾平台让用户直不雅领略系统规模）。

### **结语**

DeepSeek的期间玄学教唆：**智能驾驶的末端不是浅薄复制东谈主类驾驶，而是通过AGI级才能已毕“超东谈主类安全性与效率”**。研发者需在三个维度突破：

1. **解析维度**：让系统治略“为什么这样开”而非“怎样开”；

2. **演化维度**：设立自主进化的数据-算法闭环；

3. **包袱维度**：将期间伦理镶嵌系统基因。

这不仅是期间竞赛开云体育，更是对东谈主类出行时髦的从头界说。