DeepSeek给汽车AI开发带来什么启发？

自从1月20日DeepSeek（深索）大模型发布R1版，很多人都表示在与DeepSeek对话中沦陷了，同样多的人表示从未见过如此聪明的大模型。

不只是国内，整个春节期间DeepSeek狂潮席卷全球，下载量持续在各国各平台居榜首。所有自认在AI上拥有利益边界的实体（包括政府、学术界、产业界）和自然人都行动起来，采取对自己最有利的策略，跟进、学习、对冲、折冲、抵制、诉讼……总之，人类对待新科技的世间百态，都在这两周时间里充分展现。单从舆论影响力角度，DeepSeek都超越了OpenAI公司ChatGPT模型迄今最强的o2版本（2024年5月发布），成为现象级AI应用。

汽车企业也忙乱起来，他们倒没有抵制的想法，都在琢磨如何与DeepSeek有关联，至少不能让自己显得落伍。“接入”是很容易的，类似我们在手机上装个App。到目前为止，DeepSeek对汽车带来的影响都是潜在的。大家隐约觉得汽车AI的应用，已经产生了新的路径或者方法论，但具体如何做，暂时还来不及提出更多想法。

DeepSeek团队也承认，稍早一点的V3版本，比不过ChatGPT的o2版本，但R1版本在语义理解和推理能力上，与o2相当。比较重要的有两点，DeepSeek是开源的，只用了几百块二流GPU（可能是H800，或者H20），花了550万美元，就训练出V3。和ChatGPT动辄几亿美元的迭代成本，相差两个数量级。更重要的是，DeepSeek迭代太快了，只有两周左右，而ChatGPT迭代一次花半年。即便后者领先，几个回合下来，很可能落后（当然不能把训练成果视为线性能力增长）。

大家都说DeepSeek太香。对于个人来说，DeepSeek香就香在免费且好用（以Token计价的API也比对手便宜得多）。OpenAI的CEO山姆·奥特曼很尴尬地取消了每月200美元月租，并紧急上线了o3 mini版，应对前者挑战。奥特曼甚至表示OpenAI走错了路，站在多数人的对立面。OpenAI一开始是开源的，现在则是闭源。有人讥讽他领导的企业应称为“CloseAI”。

DeepSeek的开源策略，让除了中美以外、原本在AI竞争中毫无希望的国家和企业，都能部署大模型。他们一定会采用开源模型，而不会追随OpenAI，让后者依靠提供AI服务，每月割韭菜。当与全世界逆行之后，“小院高墙”很难维持。美国一系列反应（比如制定下载和使用DeepSeek为重罪的法律条文），尚处于悲伤五步曲（否认、愤怒、妥协、沮丧、接受）中的第二步。

以上可以看出，我们非常强调版本。原因在于，至少DeepSeek两个版本之间，从人的角度看过去，AI表现有质的差异。

在此之前，很多大模型或者AI助手，回答的都像模像样，但你要认为它真知道，很可能错了，因为很多内容都是胡编的。矩阵算出来的Token是啥，就输出啥。

在这里解释一下token，这个概念在AI大模型里很重要，但不是大模型首先应用的。如果搜索一下，这个词被翻译成“令牌”，简直不知所云。AI重构了很多“熟词”，赋予其新的意思，让没有基础的人难以理解（蒸馏也是一样）。token应该翻译成“基本语义”或者“词元”。它是跨语种的，汉语一个词（也可能是一个单字）就可以提炼出一个token（多义对应不同的token）；而英语或拉丁语，可能一个单词包含一个或多个token（众所周知，英语是典型的多语种代码屎山）。所以，大模型天生都是多语言高手，但底层思考逻辑则要偏向特定语言体系。

所有的语义大模型，先要做的工作，就是将语言拆解成token，比如DeepSeek的V3就有12.9万个token（依赖分词算法）。然后将token做成一维数组，只不过这个数组的元素量相当大，一个token通常转化好几千“元素”构成的一维向量。所谓“大模型”，首先就大在这里。

具体算法不展开（称之为“嵌入”算法，形成矩阵），到这里，就完成了自然语言“数学化”的过程。剩下的，从输入语义（我们提问）到输出（大模型给出答案），都是数学计算过程。输入语义会被大模型，由一维数组（token）组成多维矩阵，思考过程就是矩阵做运算（加或者乘），并依靠参数矩阵（训练结果），形成中间矩阵和最终矩阵。

最终矩阵就是大模型给出的答案。中间矩阵在人类看来，就是思考过程。我们看到，DeepSeek在给答案之前的分析思考过程，就是多个中间矩阵，相当于解题的中间过程。

从V3到R1，不难发现，DeepSeek“深度思考”的能力急剧攀升。自言自语的过程很像人的思考模式。不需要人在中间提示，就能自己运用多种手段，找到最终答案。

有人给这种变化起了个名字，叫“顿悟”。和当初ChatGPT从3.5到4.0的“涌现”对应，实际上就是思维链越来越长，逻辑越来越严谨。而消除语言混乱则依靠训练系统的评分制。

在这些天的使用中，DeepSeek答案文本的样子大家都看熟了，套路也被大体摸清了。如果一个问题，能通过已有的思考范式处理，那么结果相当准确而且丰富；反之则有点敷衍了事的感觉；第三种情况，如果一个问题有多重路径，那么可能明显依赖特定路线。相比而言，资料库陈旧什么的，可以通过联网搜索解决，不是问题。

全世界都知道DeepSeek开源。开源开的是权重和推理的源代码。所谓“权重”即人类知识的压缩，而推理就是它本来的意思。而训练代码（就是能够生成参考矩阵的部分），不会被开源。所有人都可以抄袭DeepSeek的推理过程，用自己的训练方法，构成自己的大模型。总体而言，训练比推理难得多。

经过最初的慌乱之后，OpenAI开始指责DeepSeek“蒸馏”自己的数据。这个词也多次被引用，其意思就是用其他大模型的输出数据作训练集，进一步压缩权重。除了最初的大模型，所有大模型都不可避免地蒸馏其他模型，也算是个后发优势吧。

DeepSeek的核心技术有两个：自己生成的训练矩阵、独创的高效推理结构。而这两者都基于token的解析方式。这方面，中文的多义性和高信息熵提供了底层优势。

都是大模型，两者走上了不同的进化路线。ChatGPT对算力的运用是相当奢靡浪费的，因为它拥有美国的算力硬件霸权，带来的附加优势是算法可以很简单。而中企因为算力卡被卡脖子，只能极力挖掘算法，以信息的高压缩率换取对硬件较少的依赖。高压缩率精度损失很少，不算代价。

这两种路线各自演进，变成了今天这样的局面：中企带着全世界绝大多数国家和企业，在开源生态下走相近技术路线。而美国则继续堆高算力边界，割盟友的韭菜。近期宣布禁止或限用DeepSeek的国家，都是瓦森纳协议成员。他们各自的企业，特别是云服务商和开发环境服务商，接入DeepSeek是早晚的事，有些已经接入了。

国内企业第一批接入DeepSeek的，是云服务商。目前所有主流公有云，都已接入。AI三要素：算力、算法、数据，后两者结合，能不能降低对前者的依赖，这是所有被卡脖子的企业，包括正在谋求堆算力的车企和供应商，都非常关心的问题。换句话说，智舱和智驾被确立为汽车核心竞争力之后，第一次遇到路径问题。

将这个问题抛给Deepseek，后者给出的回答，也大体上基于算法的。DeepSeek表示，在多模态感知融合、智能决策算法、边缘计算优化、持续学习架构上，它可以“帮忙”训练智驾系统。这不是说，DeepSeek直接构成一个训练矩阵，供智驾系统使用，而是从方法和数据预处理上，大幅度压缩数据权重，让智驾对算力的需求降低。

看来，中国人发明的大模型，已经将“降低对算力依赖”的诉求，渗透到固有逻辑链，无时无刻都用这条标准卡。这种类似混合专家系统（MoE），对于简化数据，降低场景复杂度，具有现实意义。

DeepSeek透过对自然语义和其他逻辑规则的理解，谋求用数学方法解决以上所有问题。智驾则是将场景数字化之后，也转化为数学问题，利用经过训练的深度学习决策模型，形成规控指令。穿透了表层之后，两者实际上做的是同一类事情，方法也有很多相似之处。

DeepSeek将自己定位为“智驾训练”的助手和参考集，不是谦虚（它没有人的情感），而是没有认识到两者在底层构造上的共同点。这就引出了DeepSeek这类大模型的局限性：一旦逻辑层数超过一定数量（比如超过4层），DeepSeek现有逻辑链无法触及隐藏在底层的答案。不过，这可以扩张参数量和优化训练模型来解决。也就是说，如果谋求再度提升逻辑能力，算力这道坎，并不能一直绕过去。

近期看，DeepSeek这类大模型，可以帮助缩短软件开发周期，降低智驾智舱系统的误检率；长远看，有望构建车路云一体化智能体系，并组建以车为节点的百万级信息共享网络（基本上是一座大城市的保有量）。

截止2月6日，已经有多家车企宣布在智舱交互端侧接入DeepSeek，但在智驾端侧，尚无接入的消息。很多人怀疑DeepSeek在汽车产业的商业价值，的确现在没有好的商业模式。但它的价值在于打破了美企（尤其是美股“七姐妹”）的商业逻辑。

这就意味着，买了一大堆算力卡的主机厂商，反而面临短期的、潜在的商业价值走低问题。但从长期看，这笔钱可能不会白花。

当前，汽车AI的走向，感受到DeepSeek开发的“偏转力”。孙正义和奥特曼所谓“算力越多，智能越高”的线性关系妄想已被打破，但车控和交互端侧的训练矩阵，在可见的未来，很难依靠蒸馏数据、降低权重的方式避开算力负荷。如果DeepSeek再往前一步，对算力的需求，可能要上升一个数量级。像英伟达这样的算力卡供应商，虽然不会如他们构想的那样呼风唤雨，但对汽车AI的部署仍是不可或缺的。

-   E N D   -