本文來源：智車科技

國內(nèi)智能汽車行業(yè)正經(jīng)歷一場由AI驅(qū)動的技術(shù)變革，而DeepSeek憑借其開源生態(tài)與高效訓練能力，迅速引起國內(nèi)車企的共情和合作。在傳統(tǒng)汽車向“軟件定義汽車”轉(zhuǎn)型的浪潮下，車聯(lián)網(wǎng)、自動駕駛等技術(shù)的迭代對算力與研發(fā)成本提出了更高要求。

開源+高效訓練

車企擁抱DeepSeek的底層邏輯

DeepSeek的開源模式為汽車行業(yè)提供了新思路。

2月6日，吉利汽車宣布自研大模型星睿與DeepSeek已完成深度融合。吉利將對星睿車控FunctionCall大模型、汽車主動交互端側(cè)大模型等進行蒸餾訓練。屆時，吉利智能汽車AI不僅能對用戶的模糊意圖實現(xiàn)精準理解，進而準確調(diào)用約2000個車載接口，還能基于車內(nèi)外場景主動分析用戶潛在需求，并為用戶主動提供車輛控制、主動對話、售后等服務，智能交互體驗將大幅提升。

2月7日，嵐圖汽車旗下車型嵐圖知音完成與DeepSeek模型的深度融合，成為汽車行業(yè)首個搭載該技術(shù)的量產(chǎn)車型。此前，嵐圖座艙已完成DeepSeek全系列模型接入和部署，AI智能體將在云端與DeepSeek大模型融合，帶來精準智能交互體驗。

圖1 吉利凌渡座艙，搭載吉利與DeepSeek整合AI模型

業(yè)界的普遍共識是，汽車行業(yè)正在從傳統(tǒng)的電動汽車（EVs）向智能電動汽車（EIVs）演變。AI和云計算正在推動新能源汽車競爭力。AI和云計算的整合已成為中國新能源汽車（NEV）市場的一個重要趨勢。汽車制造商正在利用這些技術(shù)提升車輛性能，為用戶提供更個性化的駕駛體驗。

在近期于達沃斯舉行的世界經(jīng)濟論壇上，寧德時代聯(lián)席主席潘健強調(diào)，智能與中國電動汽車市場的快速增長密不可分。他表示，電力和智能的無縫整合是這一轉(zhuǎn)型的關(guān)鍵。他強調(diào)，電動力為汽車提供了先進的智能功能，結(jié)合DeepSeek類大模型，將進一步鞏固了中國在全球智能電動汽車領域的領導地位。

在追求模型高效落地的過程中，蒸餾（Distillation）技術(shù)成為DeepSeek賦能車企的另一張王牌。傳統(tǒng)大模型雖性能強悍，但高昂的存儲與運行成本使其難以適配車載場景。DeepSeek R1通過知識蒸餾，將大型語言模型的“經(jīng)驗”遷移至輕量化模型中，既保留了核心能力，又大幅降低了硬件負載。據(jù)悉，吉利將對星睿車控 FunctionCall 大模型、汽車主動交互端側(cè)大模型等進行蒸餾訓練，將DeepSeek R1的語義理解與優(yōu)先級決策能力注入車輛控制模塊，這種“類人思考”的決策邏輯，將為車企在成本與性能間找到了平衡點，加速了AI模型從實驗室到量產(chǎn)車的轉(zhuǎn)化。

DeepSeek在智能車輛行業(yè)的未來擴展

-類腦思考的端到端自動駕駛

在自動駕駛領域，還沒有自動駕駛模型在大數(shù)據(jù)統(tǒng)計檢驗意義上公認優(yōu)于人類駕駛員。如何讓機器理解“人類用語義表達的操作優(yōu)先級”，這正是DeepSeek和其它潛在大語言模型最好的切入點之一。而且，這種技術(shù)切入是融合到最新的端到端（end to end）自動駕駛技術(shù)潮流的。

圖2 三階段和端到端自動駕駛對比，圖片來自Research Gate

傳統(tǒng)的自動駕駛系統(tǒng)通常由多個獨立的模塊或者階段組成，如感知、決策和控制。而端到端自動駕駛技術(shù)試圖通過將這些模塊整合成一個統(tǒng)一的龐大神經(jīng)網(wǎng)絡模型，直接將原始傳感器輸入（圖像、點云、超聲波雷達等等）映射到車輛的控制命令，以實現(xiàn)自動駕駛的功能。

具體而言，端到端自動駕駛技術(shù)將原始傳感器數(shù)據(jù)（如攝像頭、雷達和激光雷達）作為輸入，并通過深度學習網(wǎng)絡進行處理，直接輸出車輛的控制命令（如方向盤轉(zhuǎn)角、油門和剎車）。這種方法消除了傳統(tǒng)自動駕駛系統(tǒng)中的中間步驟和模塊，簡化了系統(tǒng)的設計和實施過程。

端到端自動駕駛技術(shù)的主要優(yōu)勢在于它可以通過使用大規(guī)模的數(shù)據(jù)集進行端到端的訓練，從而提高系統(tǒng)的性能和魯棒性。它能夠從原始數(shù)據(jù)中學習到更高級別的特征和抽象表示，自動發(fā)現(xiàn)和理解復雜的交通場景和駕駛行為。此外，端到端自動駕駛技術(shù)還能夠適應不同的道路和環(huán)境條件，具有更好的泛化能力。

端到端自動駕駛技術(shù)有許多潛在的優(yōu)勢，但它的優(yōu)勢面也同步帶來對應的劣勢，如對大規(guī)模數(shù)據(jù)的需求、對計算資源的要求以及解釋性和安全性等問題。其中最大的潛在劣勢是最終結(jié)果的統(tǒng)一單一模型可能極為龐大，帶來巨大的存儲、訓練，運行開銷和巨大的能耗。因此，盡管業(yè)界普遍接受端到端方案是自動駕駛的未來，但主要實踐端到端自駕的還是巨頭Tesla。

一般而言，作為現(xiàn)狀的當前自動駕駛系統(tǒng)通常采用混合方法，結(jié)合傳統(tǒng)的模塊化方法和端到端技術(shù)，以實現(xiàn)更可靠和安全的自動駕駛功能。

那么如果有一個破局者，具有低訓練成本、低使用成本，最終模型采用蒸餾distillation技術(shù)極小化，又能理解“人類用語義表達的操作優(yōu)先級”如何呢？

這個回答似乎是訓練費用560w美元，單個token使用費用約chatGPT o1的三十分之一，且不依賴海外高端芯片的DeepSeek R1，以及它的多模態(tài)前身DeepSeek V3。

圖3 學術(shù)界使用多模態(tài)大語言模型LLM處理自動駕駛傳感器輸入的多模態(tài)數(shù)據(jù)（來自next-GPT）

隨著智能駕駛向“全場景化”邁進，端到端（End-to-End）技術(shù)成為行業(yè)競爭的高地。傳統(tǒng)自動駕駛依賴感知、決策、控制分階段執(zhí)行的模塊化架構(gòu)，存在系統(tǒng)復雜、響應延遲等短板。DeepSeek通過多模態(tài)大模型，將傳感器數(shù)據(jù)直接映射為控制指令，構(gòu)建起“輸入-輸出”一體化的新范式。

以DriveGPT4、商湯DriveAGI、Senna架構(gòu)為代表的端到端方案，已展現(xiàn)出顯著優(yōu)勢。

1.DriveGPT4：DriveGPT4是將大模型應用于可解釋的端到端自動駕駛的一個重要里程碑。它通過引入更強大的感知能力和更高的決策透明度，推動了自動駕駛技術(shù)向更加智能的方向發(fā)展。

2.Senna架構(gòu)：Senna采用了獨特的解耦行為決策-軌跡規(guī)劃思路，利用大規(guī)模駕駛數(shù)據(jù)進行微調(diào)，以增強對駕駛場景的理解能力。此外，該架構(gòu)還能通過自然語言輸出高維決策指令，進一步提升了系統(tǒng)的靈活性和適應性。

3.商湯絕影DriveAGI：商湯絕影推出的新一代自動駕駛大模型DriveAGI，憑借其寬泛適用場景、高性能以及低門檻的特點，成為行業(yè)內(nèi)的一大亮點。該模型特別注重增強端到端自動駕駛方案的可解釋性和交互能力

除此以外，我們還可以再加上前文提到的吉利將自身AI模型和deepseek整合得到混合模型。

也許近期就會出現(xiàn)DeepSeek獨立的Driving AGI，這些模型在技術(shù)架構(gòu)上都一般包含如下特點作為基礎部件：

1.多模態(tài)數(shù)據(jù)融合：

多模態(tài)大模型能夠處理來自不同傳感器的數(shù)據(jù)，如攝像頭、激光雷達（LiDAR）、毫米波雷達等。這些數(shù)據(jù)被整合成一個統(tǒng)一的表示形式，從而為后續(xù)的決策和規(guī)劃提供全面的信息支持。

2.端到端學習：

端到端學習是指從原始傳感器數(shù)據(jù)直接輸出駕駛指令或軌跡規(guī)劃的過程。這種方式省去了傳統(tǒng)方法中復雜的中間步驟，簡化了系統(tǒng)設計，并提高了系統(tǒng)的實時性和魯棒性。例如，EMMA（End-to-End Multimodal Model for Autonomous Driving）技術(shù)可以直接將原始攝像頭數(shù)據(jù)映射到具體的駕駛動作。

3.自然語言處理與交互：

一些先進的多模態(tài)大模型不僅限于視覺信息，還結(jié)合了自然語言處理能力，可以理解并生成人類語言描述的駕駛意圖或指令。這使得系統(tǒng)能夠更好地理解和響應復雜環(huán)境中的動態(tài)變化，同時也增強了人機交互的可能性。

其應用場景包括：

1.乘用車自動駕駛：在城市道路、高速公路等多種路況下，多模態(tài)大模型可以幫助車輛安全地完成變道、避障、停車等操作。據(jù)報道，理想汽車已經(jīng)基于快慢雙系統(tǒng)的思路實現(xiàn)了量產(chǎn)上車的應用。

2.商用車及物流配送：商用車輛和物流配送機器人不僅可以在NOA模式下使用多模態(tài)大模型實現(xiàn)L1-L4級別自駕，特別是在面對非結(jié)構(gòu)化環(huán)境時，如港口（比如東風商用車和招商集團合作的廈門港、媽灣港無人集卡）、礦區(qū)（遠安磷礦地下礦區(qū)自動礦車）、工地、倉庫內(nèi)部等特殊場景。這些模型能夠提高運輸效率，減少人為干預的需求，減少司乘人員的精力消耗。

結(jié)語

值得關(guān)注的是，DeepSeek通過開源生態(tài)與高效訓練框架，正在打破特斯拉對端到端技術(shù)的壟斷。其模型支持分布式訓練與邊緣計算部署，即便在國產(chǎn)芯片上也能實現(xiàn)低延遲推理。隨著蒸餾技術(shù)的進一步優(yōu)化，未來車載模型的體積與能耗有望再降，為L4級自動駕駛的規(guī)�；�落地鋪平道路。

從開源賦能到蒸餾提效，再到端到端重構(gòu)駕駛邏輯，DeepSeek正在以“技術(shù)普惠”的姿態(tài)重塑國內(nèi)智能汽車行業(yè)。在這場變革中，車企借助AI大模型的“智力杠桿”，實現(xiàn)安全、高效與人性化駕駛體驗的全面升級。當DeepSeek的“類腦思考”真正融入車輪之上，中國智能汽車產(chǎn)業(yè)的全球領導地位或?qū)⒉辉龠b遠。

免責聲明：

凡本公眾號注明“來源：XXX（非智車科技）”的作品，均轉(zhuǎn)載自其它媒體，轉(zhuǎn)載目的在于傳遞和分享更多信息，并不代表本平臺贊同其觀點和對其真實性負責，版權(quán)歸原作者所有，如有侵權(quán)請聯(lián)系我們刪除。

       原文標題 : 端到端類腦自動駕駛 | DeepSeek如何影響國內(nèi)智能汽車行業(yè)