宋亭亭等：DeepSeek或催化中高階智駕加速滲透

　　中新經緯2月12日電 題：DeepSeek或催化中高階智駕加速滲透

　　作者 宋亭亭 華泰證券研究所分析師

　　張碩 華泰證券研究所分析師

　　智能駕駛作為AI技術最具前景且能快速落地的應用場景之一，正迎來前所未有的發展機遇。DeepSeek的橫空出世，在成本和技術上實現了雙突破，不僅為智駕領域帶來了直接的技術借鑒，更在發展思路等方面提供了寶貴啟示，有望催化智駕領域的技術創新和產業變革，加速中高階智能駕駛的滲透。

　　首先，在算法層面，DeepSeek通過MLA(多頭潛在注意力)、DeepSeekMoE(混合專家架構)以及MTP(多token預測)等多種技術手段，顯著提升了模型性能和訓練效率。這些技術不僅有望被各家企業借鑒，以加速智駕模型的訓練速度并降低訓練成本，還可能直接替代此前車企選擇的VLM/VLA(視覺語言模型/視覺語言動作模型)模型。DeepSeek模型表現出的高效訓練、良好的多模態處理能力和高效的蒸餾方式，對車企具有極大吸引力，有可能成為未來智駕系統的新選擇。盡管短期內由于安全驗證等因素，直接基于DeepSeek模型開發的智駕系統或較難出現，但其技術潛力不容忽視。

　　其次，在算力層面，DeepSeek的蒸餾技術為車端算力要求帶來了革命性的降低。通過將云端大模型的推理能力高效遷移至車端輕量模型，DeepSeek有望在保持高性能的同時，顯著降低計算開銷，為VLA、世界模型等復雜模型在車端部署掃清算力障礙。這一技術有望助力高階智駕功能向10萬元-20萬元價格帶車型下沉，實現更廣泛的智駕平權。同時，在云端算力方面，DeepSeek的低成本訓練模式短期內或可緩解云端算力緊缺問題，為國內廠商提供追趕的重要窗口期。然而，長期來看，隨著模型復雜度的持續提升、應用場景的不斷拓展以及數據規模的指數級增長，云端算力需求仍將持續增長。

　　再次，在數據層面，DeepSeek通過純強化學習(RL)路徑驗證了合成數據的價值，并推動了數據閉環的驅動模型持續進化。DeepSeek-R1-Zero模型無需監督微調數據即可實現自主推理能力，為智駕端到端訓練提供了新范式參考。此外，DeepSeek采用的基于RL的訓練框架和自博弈機制，能夠生成多樣化駕駛決策數據，覆蓋長尾場景，實現對數據分布的自動擴展，減少對人工標注的依賴。這一技術有望加速數據閉環迭代，提升智駕模型的數據質量和訓練效率。

　　最后，在智能座艙方面，DeepSeek有望催化本地化大模型加速部署，實現座艙智能化、個性化的進一步升級。座艙系統對于安全性和實時性要求相對較低，因此融合和借鑒DeepSeek的速度更快。本地化大模型部署不僅可以減少對云端網絡的依賴、降低延遲、提高響應速度，還能更好地保護用戶隱私，并實現個性化體驗升級。

　　基于以上分析，筆者認為本輪的智駕行情將是AI賦能下汽車板塊大周期的開啟。DeepSeek等AI創新工具的涌現和“智駕平權”的驅動，有望推動行業滲透率高增。筆者預計2025年第二季度與DeepSeek結合的系統或工具有望上車，2025年高速NOA(導航輔助駕駛)和城市NOA滲透率將會有明顯提升。同時，借助DeepSeek等新的AI工具，后發企業或加速追趕，第一梯隊企業則因先發優勢和人才優勢走在創新前列。(中新經緯APP)

　　(文中觀點僅供參考，不構成投資建議，投資有風險，入市需謹慎。)

　　中新經緯版權所有，未經授權，不得轉載或以其他方式使用。

責任編輯：孫慶陽