DeepSeek 成为了蛇年开年最火的事物，连家里的爸妈甚至爷爷奶奶，都在过年的饭桌上叫我给他们讲讲 AI 是怎么回事。 

由于同时具备强大的推理能力及开源模型两个特质，导致几乎所有科技公司都在研究怎样和 DeepSeek「深度融合」一下。华为、腾讯、百度、字节等互联网巨头，尽管都有各自自研的模型，但不妨碍纷纷第一时间在自己的云服务器里接入 DeepSeek，一群因为「服务器繁忙，请稍后再试」的用户得以曲线救国，云服务商得以也接住了泼天流量。 

芯片、金融、电信等行业的头部玩家也因为相似的逻辑接入了模型。毕竟大家都希望体验一下 R1 模型的最强大脑。不管在业务层面起到了多大的帮助，大部分公司的股价至少都涨了。 

不过有一个行业稍显例外，那就是汽车行业的主机厂们。 

截止 2 月 13 日，已经有包括比亚迪、吉利、东风、长城、极氪、智己等超过 20 家车企宣布完成和 DeepSeek 的深度融合。不过，新势力里的蔚小理华米，以及特斯拉均没有宣布和 DeepSeek 的相关融合信息。 

大模型上车，现阶段最大的问题，是还没有展示出足够好的场景。相反，在一些主机厂的微博评论区里，车主更在意一些已有的功能能否及时通过 OTA 得到优化。 

可以看出，技术并不是用户最在意的点，用户真正在意的是产品体验。如何用更好的模型获得更智能化的体验，才是用户真正在意的。相反，如果现阶段不能达到更智能的体验，那么用户更在意的是这车好不好开，内饰舒不舒服，还有便宜不便宜。 

用户想得到的是一辆「更智能的车」，但并不代表他们要在车上用车机写出一篇高考满分作文。 

01 车企排队接入 DeepSeek？「如来」

在目前各主机厂释出的有限信息里，DeepSeek 上车后，智能座舱中的人机交互，有望成为第一个深度融合的典型场景。 

智己、吉利发布的两条视频里，展示了 3 个和智能座舱有关的使用场景，分别是： 

场景 1：激活座舱模型，调用 DeepSeek 进行文本生成，如案例演示中「生成一篇文章庆祝亚冬会金牌诞生」。 

智能座舱通过 DeepSeek 进行文本生成 | 图片来源：视频截图 

在这个场景中，座舱通过接入 DeepSeek 的 API，把 DeepSeek「好文笔」搬上了车。和绝大多数人习惯在手机、电脑端操作略有不同的点在于添加了语音作为新的交互方式。 

场景 2：提问在某段里程中遇到的一个湖叫什么名字。DeepSeek 通过调用车辆行程记录、地图等信息，推理给出了相应答案。 

通过 DeepSeek 推理回答车主问题 | 图片来源：视频截图 

在这个场景中，通过接入 DeepSeek，把车机内储存的端侧信息（行程记录、地图）作为推理语料提供给了模型，由此可以得到更个人向的推理问答。 

场景 3：直接对车机表达「我累了，一会叫我」的模糊指令，车机识别后分别调整了车窗、座椅、空调、氛围灯、闹钟的硬件或功能，生成了一个休闲场景。 

通过 DeepSeek 实现模糊语义识别及相关车控操作 | 图片来源：视频截图 

和手机里的 DeepSeek 应用不同，接入车机后，最显著的不同在于模型可以调用车端信息作为推理语料，为车主提供更个性化的服务。 

不过，这些推理要消耗多少运算资源、需要怎样的硬件支撑、以及是否需要联网服务，目前主机厂还没有释出太明确的信息。 

02 更聪明的智能语音，未必是真 PMF

DeepSeek 有希望让车内的智能语音变得更聪明，更能理解用户的各种模糊指令。不过，这真的此刻主机厂和用户最紧迫的真实需求吗？ 

从企业端来说，目前积极接入 DeepSeek 主要分为三类，分别是：芯片、云服务和终端硬件厂商（手机+智能汽车）。 

对于芯片厂商而言，由于 DeepSeek 是基于英伟达芯片进行推理的，而不同芯片间架构不同，所以其他厂商必须进行软件和算法层面的适配，才能兼容 DeepSeek 的模型训练和推理。换句话说，芯片商参与到这轮 DeepSeek 热里，是出于用户最真实且紧迫的需求，这是保住和扩大市场必须要做的一个关键动作。

云服务商的积极接入，也有类似的逻辑。对于 C 端用户而言，在频繁遭遇「服务器繁忙，请稍后再试」的提示时，云服务商的出现提供了新的入口，接住了这次泼天的流量，让人多普通消费者认识了自己；对于 B 端用户如开发者和企业用户而言，在云上部署 DeepSeek，可以降低企业使用模型的门槛，提供更好的开发体验。 

因此，在这轮 DeepSeek 热潮里，包括华为云、腾讯云、阿里云、百度云、火山引擎等主力玩家，都先后对 DeepSeek 进行了云端部署——哪怕这些云厂商背后的科技公司都有自己独立研发的模型，但用户要用 DeepSeek，他们就要接入这个开源模型。

「不堪重负」的 DeepSeek 服务器 | 来源：网络截图 

但到了硬件领域，对终端厂商和用户来说，此刻在产品完成对端侧 DeepSeek 的部署，既有难度，也不是优先级最高的需求。 

首先，目前的端侧计算资源并不支持「满血版」DeepSeek 的本地化部署。不同于云端服务器，如果要在个人设备上部署 671B 参数模型的 R1 模型，需要将近 1300G 的显存，远超 PC、手机、汽车的端侧计算资源。如果退而求其次，用 7B 或 10B 的蒸馏模型，其推理能力又和满血版有显著差别。 

所以，如果把 DeepSeek 模型接入车机，但实质只是多了一个语音入口，对用户来说，为什么非要在车上使用 DeepSeek 而不是打开手机或电脑上的应用呢？ 

对于智能汽车用户而言，相比车机是否可以解答一道数学题或者写出一篇好作文，显然更在意它是否能发挥好「助理」的角色。这才是真正的需求。例如，手机微信里接收到的地图甚至大众点评的餐厅位置信息，是否可以一键流转到车机导航，并显示在 HUD 导航里。这是减少车机端操作，提升体验的一个具体场景。 

而要执行这类任务，需要的核心能力并不在于 DeepSeek 所擅长的「推理」，而是打通不同设备间接口的工程能力。目前，包括鸿蒙智行、小米、蔚来等拥有多端设备的企业实际已经具备了类似功能。这大概也是为什么华为云宣布和 DeepSeek 融合，但鸿蒙智行旗下车企却暂时没有相关发声的原因。 

其实，无论是手机还是汽车用户，大家真正期待的是将 AI 的「大脑」和硬件的「身体」结合起来后的智能化体验，也就是 OpenAI 定义的人工智能阶段里，从 L2（推理者）到 L3（Agent）的提升。但在产品层面，这并不单单取决于某个模型的能力，还和硬件层面的产品定义、接口、功能开发都息息相关。 

03 除了座舱，DeepSeek 还能为车企做点啥？

在产品层面之外，在近年角逐越来越激烈的智能驾驶层面，DeepSeek 能为车圈提供什么帮助吗？ 

要回答这个问题，首先我们得知道目前智能驾驶开发层面最大的问题是什么？ 

一句话概括，就是：目前智驾系统还搞不定复杂的城区路况，接管次数频繁，使用体验不佳。 

接管次数多的原因除了一些难以预测的安全情况，如行人横穿、车辆加塞、电瓶车逆行等，还包括系统对一些特殊交通规则的识别和判断，比较典型的场景包括：一线城市的潮汐车道、公交车道；不同城市左转、掉头车道设计思路不同（有些在最左侧，有些在最右侧）；以及临时施工或管制时的各种电子屏幕信息。 

这些烧脑的交通变化，别说是智驾系统了，就算是人类司机，当第一次遇上这些情况，也得打起 100% 的专注度才不会走错道。 

理想汽车的 CEO 李想去年年中有个著名的演讲，把人类驾驶者的大脑分为系统 1 和系统 2，系统 1 负责以低能耗的方式处理直觉类工作，而系统 2 则负责在复杂情况中进行推理，处理各种 Corner Case。 

而以推理见长的语言模型 DeepSeek-R1，从原理来说是有望提升「系统 2」的能力的。例如，更精准识别和理解不同交通标识（公交车道、潮汐车道），从而做出更好的驾驶判断。并且，DeepSeek-R1 提高了模型的训练效率和推理能力，也有望优化车端的推理速度，在算力有限的端侧也达到更好的智驾能力。 

智驾开发的另一个难度，体现在数据采集侧。不同于语言大模型可以直接利用海量的数字文本资源进行训练，智驾往往需要先在真实物理世界中采集数据，才能进行训练。 

由于引入了 MoE（混合专家架构）、MLA（多头潜在注意力机制）等技术，DeepSeek 本身降低了对数据标注的需求，因此可以帮助智驾企业进行数据挖掘和生成，降低数采和标注的成本。 

而在另一个层面，DeepSeek 的多模态模型（非 R1）可以模拟生成一些难以采集的场景数据，如极端路线、罕见交通标识等。而通过仿真数据进行智能驾驶的训练或验证，也是包括华为、蔚来等多家车企进行智驾模型训练的重要工作之一。 

以上这些工作，虽然不像云服务商接入 DeepSeek，可以直接解决用户访问主站时转圈圈的燃眉之急，但对车企而言同样重要。毕竟比亚迪已经喊出了「全民智驾」的口号，智驾毫无疑问将成为 2025 年竞争的重点。在同价位段车型里提供更好的智能化功能，将成为消费者选择决策中新的重要考量因素。 

当然，正如前文所言，一辆智能汽车各项功能的发挥，不仅只仰仗于某些单一技术的突破，车端其他硬件层面的优化（如更大算力的智驾芯片）以及模型侧其他能力的优化，将共同决定我们何时达到 L3 级别的智驾智舱能力。 

DeepSeek 在智能化浪潮里，给了所有创新者一个小成本高性能的样本，但不是一套可以照抄的答案，未来的汽车产品应该走向何方，还需要真正懂产品懂 AI 的人来「深度求索」。