今年全市首張數據知識產權登記證書“出爐”

DeepSeek 成為了蛇年開年最火的事物，連家裏的爸媽甚至爺爺奶奶，都在過年的飯桌上叫我給他們講講 AI 是怎麽回事。

由於同時具備強大的推理能力及開源模型兩個特質，導致幾乎所有科技公司都在研究怎樣和 DeepSeek「深度融合」一下。

華為、騰訊、百度、字節等互聯網巨頭，盡管都有各自自研的模型，但不妨礙紛紛第一時間在自己的雲服務器裏接入 DeepSeek，一群因為「服務器繁忙，請稍後再試」的用戶得以曲線救國，雲服務商得以也接住了潑天流量。

芯片、金融、電信等行業的頭部玩家也因為相似的邏輯接入了模型。畢竟大家都希望體驗一下 R1 模型的最強大腦。

不管在業務層麵起到了多大的幫助，大部分公司的股價至少都漲了。不過有一個行業稍顯例外，那就是汽車行業的主機廠們。

截止 2 月 13 日，已經有包括比亞迪、吉利、東風、長城、極氪、智己等超過 20 家車企宣布完成和 DeepSeek 的深度融合。

不過，新勢力裏的蔚小理華米，以及特斯拉均沒有宣布和 DeepSeek 的相關融合信息。

大模型上車，現階段最大的問題，是還沒有展示出足夠好的場景。相反，在一些主機廠的微博評論區裏，車主更在意一些已有的功能能否及時通過 OTA 得到優化。

可以看出，技術並不是用戶最在意的點，用戶真正在意的是產品體驗。

如何用更好的模型獲得更智能化的體驗，才是用戶真正在意的。相反，如果現階段不能達到更智能的體驗，那麽用戶更在意的是這車好不好開，內飾舒不舒服，還有便宜不便宜。

用戶想得到的是一輛「更智能的車」，但並不代表他們要在車上用車機寫出一篇高考滿分作文。

01車企排隊接入 DeepSeek？「如來」

在目前各主機廠釋出的有限信息裏，DeepSeek 上車後，智能座艙中的人機交互，有望成為第一個深度融合的典型場景。

智己、吉利發布的兩條視頻裏，展示了 3 個和智能座艙有關的使用場景，分別是：

場景 1：激活座艙模型，調用 DeepSeek 進行文本生成，如案例演示中「生成一篇文章慶祝亞冬會金牌誕生」。

智能座艙通過 DeepSeek 進行文本生成 | 圖片來源：視頻截圖

在這個場景中，座艙通過接入 DeepSeek 的 API，把 DeepSeek「好文筆」搬上了車。和絕大多數人習慣在手機、電腦端操作略有不同的點在於添加了語音作為新的交互方式。

場景 2：提問在某段裏程中遇到的一個湖叫什麽名字。

DeepSeek 通過調用車輛行程記錄、地圖等信息，推理給出了相應答案。

通過 DeepSeek 推理回答車主問題 | 圖片來源：視頻截圖

在這個場景中，通過接入 DeepSeek，把車機內儲存的端側信息（行程記錄、地圖）作為推理語料提供給了模型，由此可以得到更個人向的推理問答。

場景 3：直接對車機表達「我累了，一會叫我」的模糊指令，車機識別後分別調整了車窗、座椅、空調、氛圍燈、鬧鍾的硬件或功能，生成了一個休閑場景。

通過 DeepSeek 實現模糊語義識別及相關車控操作 | 圖片來源：視頻截圖

和手機裏的 DeepSeek 應用不同，接入車機後，最顯著的不同在於模型可以調用車端信息作為推理語料，為車主提供更個性化的服務。

不過，這些推理要消耗多少運算資源、需要怎樣的硬件支撐、以及是否需要聯網服務，目前主機廠還沒有釋出太明確的信息。

02更聰明的智能語音，未必是真 PMF

DeepSeek 有希望讓車內的智能語音變得更聰明，更能理解用戶的各種模糊指令。不過，這真的此刻主機廠和用戶最緊迫的真實需求嗎？

從企業端來說，目前積極接入 DeepSeek 主要分為三類，分別是：芯片、雲服務和終端硬件廠商（手機+智能汽車）。

對於芯片廠商而言，由於 DeepSeek 是基於英偉達芯片進行推理的，而不同芯片間架構不同，所以其他廠商必須進行軟件和算法層麵的適配，才能兼容 DeepSeek 的模型訓練和推理。

換句話說，芯片商參與到這輪 DeepSeek 熱裏，是出於用戶最真實且緊迫的需求，這是保住和擴大市場必須要做的一個關鍵動作。

雲服務商的積極接入，也有類似的邏輯。對於 C 端用戶而言，在頻繁遭遇「服務器繁忙，請稍後再試」的提示時，雲服務商的出現提供了新的入口，接住了這次潑天的流量，讓人多普通消費者認識了自己；

對於 B 端用戶如開發者和企業用戶而言，在雲上部署 DeepSeek，可以降低企業使用模型的門檻，提供更好的開發體驗。

因此，在這輪 DeepSeek 熱潮裏，包括華為雲、騰訊雲、阿裏雲、百度雲、火山引擎等主力玩家，都先後對 DeepSeek 進行了雲端部署——哪怕這些雲廠商背後的科技公司都有自己獨立研發的模型，但用戶要用 DeepSeek，他們就要接入這個開源模型。

「不堪重負」的 DeepSeek 服務器 | 來源：網絡截圖

但到了硬件領域，對終端廠商和用戶來說，此刻在產品完成對端側 DeepSeek 的部署，既有難度，也不是優先級最高的需求。

首先，目前的端側計算資源並不支持「滿血版」DeepSeek 的本地化部署。

不同於雲端服務器，如果要在個人設備上部署 671B 參數模型的 R1 模型，需要將近 1300G 的顯存，遠超 PC、手機、汽車的端側計算資源。

如果退而求其次，用 7B 或 10B 的蒸餾模型，其推理能力又和滿血版有顯著差別。

所以，如果把 DeepSeek 模型接入車機，但實質隻是多了一個語音入口，對用戶來說，為什麽非要在車上使用 DeepSeek 而不是打開手機或電腦上的應用呢？

對於智能汽車用戶而言，相比車機是否可以解答一道數學題或者寫出一篇好作文，顯然更在意它是否能發揮好「助理」的角色。這才是真正的需求。

例如，手機微信裏接收到的地圖甚至大眾點評的餐廳位置信息，是否可以一鍵流轉到車機導航，並顯示在 HUD 導航裏。這是減少車機端操作，提升體驗的一個具體場景。

而要執行這類任務，需要的核心能力並不在於 DeepSeek 所擅長的「推理」，而是打通不同設備間接口的工程能力。

目前，包括鴻蒙智行、小米、蔚來等擁有多端設備的企業實際已經具備了類似功能。

這大概也是為什麽華為雲宣布和 DeepSeek 融合，但鴻蒙智行旗下車企卻暫時沒有相關發聲的原因。

其實，無論是手機還是汽車用戶，大家真正期待的是將 AI 的「大腦」和硬件的「身體」結合起來後的智能化體驗，也就是 OpenAI 定義的人工智能階段裏，從 L2（推理者）到 L3（Agent）的提升。

但在產品層麵，這並不單單取決於某個模型的能力，還和硬件層麵的產品定義、接口、功能開發都息息相關。

03除了座艙，DeepSeek 還能為車企做點啥？

在產品層麵之外，在近年角逐越來越激烈的智能駕駛層麵，DeepSeek 能為車圈提供什麽幫助嗎？

要回答這個問題，首先我們得知道目前智能駕駛開發層麵最大的問題是什麽？

一句話概括，就是：目前智駕係統還搞不定複雜的城區路況，接管次數頻繁，使用體驗不佳。

接管次數多的原因除了一些難以預測的安全情況，如行人橫穿、車輛加塞、電瓶車逆行等，還包括係統對一些特殊交通規則的識別和判斷，

比較典型的場景包括：一線城市的潮汐車道、公交車道；不同城市左轉、掉頭車道設計思路不同（有些在最左側，有些在最右側）；以及臨時施工或管製時的各種電子屏幕信息。

這些燒腦的交通變化，別說是智駕係統了，就算是人類司機，當第一次遇上這些情況，也得打起 100% 的專注度才不會走錯道。

理想汽車的 CEO 李想去年年中有個著名的演講，把人類駕駛者的大腦分為係統 1 和係統 2，係統 1 負責以低能耗的方式處理直覺類工作，而係統 2 則負責在複雜情況中進行推理，處理各種 Corner Case。

而以推理見長的語言模型 DeepSeek-R1，從原理來說是有望提升「係統 2」的能力的。

例如，更精準識別和理解不同交通標識（公交車道、潮汐車道），從而做出更好的駕駛判斷。

並且，DeepSeek-R1 提高了模型的訓練效率和推理能力，也有望優化車端的推理速度，在算力有限的端側也達到更好的智駕能力。

智駕開發的另一個難度，體現在數據采集側。

不同於語言大模型可以直接利用海量的數字文本資源進行訓練，智駕往往需要先在真實物理世界中采集數據，才能進行訓練。

由於引入了 MoE（混合專家架構）、MLA（多頭潛在注意力機製）等技術，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。

而在另一個層麵，DeepSeek 的多模態模型（非 R1）可以模擬生成一些難以采集的場景數據，如極端路線、罕見交通標識等。

而通過仿真數據進行智能駕駛的訓練或驗證，也是包括華為、蔚來等多家車企進行智駕模型訓練的重要工作之一。

以上這些工作，雖然不像雲服務商接入 DeepSeek，可以直接解決用戶訪問主站時轉圈圈的燃眉之急，但對車企而言同樣重要。

畢竟比亞迪已經喊出了「全民智駕」的口號，智駕毫無疑問將成為 2025 年競爭的重點。

在同價位段車型裏提供更好的智能化功能，將成為消費者選擇決策中新的重要考量因素。

當然，正如前文所言，一輛智能汽車各項功能的發揮，不僅隻仰仗於某些單一技術的突破，車端其他硬件層麵的優化（如更大算力的智駕芯片）以及模型側其他能力的優化，將共同決定我們何時達到 L3 級別的智駕智艙能力。

DeepSeek 在智能化浪潮裏，給了所有創新者一個小成本高性能的樣本，但不是一套可以照抄的答案，未來的汽車產品應該走向何方，還需要真正懂產品懂 AI 的人來「深度求索」。