今天小編分享的科技經驗：20+ 車企接入 DeepSeek，為啥沒有「蔚小理華米特」？，歡迎閲讀。
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 是怎麼回事。
由于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伺服器裏接入 DeepSeek，一群因為「伺服器繁忙，請稍後再試」的用户得以曲線救國，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。不管在業務層面起到了多大的幫助，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，技術并不是用户最在意的點，用户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，才是用户真正在意的。相反，如果現階段不能達到更智能的體驗，那麼用户更在意的是這車好不好開，内飾舒不舒服，還有便宜不便宜。
用户想得到的是一輛「更智能的車」，但并不代表他們要在車上用車機寫出一篇高考滿分作文。
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，智能座艙中的人機互動，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，分别是：
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于添加了語音作為新的互動方式。
場景 2：
提問在某段裏程中遇到的一個湖叫什麼名字。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，把車機内儲存的端側信息（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，車機識别後分别調整了車窗、座椅、空調、氛圍燈、鬧鍾的硬體或功能，生成了一個休閒場景。
通過 DeepSeek 實現模糊語義識别及相關車控操作 | 圖片來源：視頻截圖
和手機裏的 DeepSeek 應用不同，接入車機後，最顯著的不同在于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、需要怎樣的硬體支撐、以及是否需要聯網服務，目前主機廠還沒有釋出太明确的信息。
更聰明的智能語音，未必是真 PMF
DeepSeek 有希望讓車内的智能語音變得更聰明，更能理解用户的各種模糊指令。不過，這真的此刻主機廠和用户最緊迫的真實需求嗎？
從企業端來説，目前積極接入 DeepSeek 主要分為三類，分别是：芯片、雲服務和終端硬體廠商（手機 + 智能汽車）。
對于芯片廠商而言，由于 DeepSeek 是基于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體和算法層面的适配，才能兼容 DeepSeek 的模型訓練和推理。換句話説，芯片商參與到這輪 DeepSeek 熱裏，是出于用户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。對于 C 端用户而言，在頻繁遭遇「伺服器繁忙，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；對于 B 端用户如開發者和企業用户而言，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，但用户要用 DeepSeek，他們就要接入這個開源模型。
「不堪重負」的 DeepSeek 伺服器 | 來源：網絡截圖
但到了硬體領網域，對終端廠商和用户來説，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并不支持「滿血版」DeepSeek 的本地化部署。不同于雲端伺服器，如果要在個人設備上部署 671B 參數模型的 R1 模型，需要将近 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别。
所以，如果把 DeepSeek 模型接入車機，但實質只是多了一個語音入口，對用户來説，為什麼非要在車上使用 DeepSeek 而不是打開手機或電腦上的應用呢？
對于智能汽車用户而言，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，并顯示在 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，需要的核心能力并不在于 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。這大概也是為什麼華為雲宣布和 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户，大家真正期待的是将 AI 的「大腦」和硬體的「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。但在產品層面，這并不單單取決于某個模型的能力，還和硬體層面的產品定義、接口、功能開發都息息相關。
除了座艙，DeepSeek 還能為車企做點啥？
在產品層面之外，在近年角逐越來越激烈的智能駕駛層面，DeepSeek 能為車圈提供什麼幫助嗎？
要回答這個問題，首先我們得知道目前智能駕駛開發層面最大的問題是什麼？
一句話概括，就是：目前智駕系統還搞不定復雜的城區路況，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，還包括系統對一些特殊交通規則的識别和判斷，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）；以及臨時施工或管制時的各種電子看板信息。
這些燒腦的交通變化，别説是智駕系統了，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系統 1 和系統 2，系統 1 負責以低能耗的方式處理直覺類工作，而系統 2 則負責在復雜情況中進行推理，處理各種 Corner Case。
而以推理見長的語言模型 DeepSeek-R1，從原理來説是有望提升「系統 2」的能力的。例如，更精準識别和理解不同交通标識（公交車道、潮汐車道），從而做出更好的駕駛判斷。并且，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。不同于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。
由于引入了 MoE（混合專家架構）、MLA（多頭潛在注意力機制）等技術，DeepSeek 本身降低了對數據标注的需求，因此可以幫助智駕企業進行數據挖掘和生成，降低數采和标注的成本。
而在另一個層面，DeepSeek 的多模态模型（非 R1）可以模拟生成一些難以采集的場景數據，如極端路線、罕見交通标識等。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，可以直接解決用户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」的口号，智駕毫無疑問将成為 2025 年競争的重點。在同價位段車型裏提供更好的智能化功能，将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，不僅只仰仗于某些單一技術的突破，車端其他硬體層面的優化（如更大算力的智駕芯片）以及模型側其他能力的優化，将共同決定我們何時達到 L3 級别的智駕智艙能力。
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」。
