玩家必看教程“四川指尖麻将能不能开挂”全程揭秘开挂教程

中新经纬2月12日电题：DeepSeek或催化中高阶智驾加速渗透

作者宋亭亭华泰证券研究所分析师

张硕华泰证券研究所分析师

首先 ，在算法层面
，DeepSeek通过MLA(多头潜在注意力)
、DeepSeekMoE(混合专家架构)以及MTP(多token预测)等多种技术手段，显著提升了模型性能和训练效率。这些技术不仅有望被各家企业借鉴 ，以加速智驾模型的训练速度并降低训练成本
，还可能直接替代此前车企选择的VLM/VLA(视觉语言模型/视觉语言动作模型)模型 。DeepSeek模型表现出的高效训练、良好的多模态处理能力和高效的蒸馏方式，对车企具有极大吸引力 ，有可能成为未来智驾系统的新选择
。尽管短期内由于安全验证等因素，直接基于DeepSeek模型开发的智驾系统或较难出现
，但其技术潜力不容忽视。

其次，在算力层面 ，DeepSeek的蒸馏技术为车端算力要求带来了革命性的降低 。通过将云端大模型的推理能力高效迁移至车端轻量模型
，DeepSeek有望在保持高性能的同时，显著降低计算开销 ，为VLA 、世界模型等复杂模型在车端部署扫清算力障碍。这一技术有望助力高阶智驾功能向10万元-20万元价格带车型下沉
，实现更广泛的智驾平权
。同时，在云端算力方面 ，DeepSeek的低成本训练模式短期内或可缓解云端算力紧缺问题
，为国内厂商提供追赶的重要窗口期。然而，长期来看 ，随着模型复杂度的持续提升、应用场景的不断拓展以及数据规模的指数级增长
，云端算力需求仍将持续增长 。

再次，在数据层面 ，DeepSeek通过纯强化学习(RL)路径验证了合成数据的价值，并推动了数据闭环的驱动模型持续进化
。DeepSeek-R1-Zero模型无需监督微调数据即可实现自主推理能力
，为智驾端到端训练提供了新范式参考。此外，DeepSeek采用的基于RL的训练框架和自博弈机制 ，能够生成多样化驾驶决策数据
，覆盖长尾场景，实现对数据分布的自动扩展 ，减少对人工标注的依赖 。这一技术有望加速数据闭环迭代
，提升智驾模型的数据质量和训练效率
。

最后，在智能座舱方面 ，DeepSeek有望催化本地化大模型加速部署
，实现座舱智能化
、个性化的进一步升级。座舱系统对于安全性和实时性要求相对较低，因此融合和借鉴DeepSeek的速度更快 。本地化大模型部署不仅可以减少对云端网络的依赖、降低延迟 、提高响应速度 ，还能更好地保护用户隐私
，并实现个性化体验升级
。

基于以上分析，笔者认为本轮的智驾行情将是AI赋能下汽车板块大周期的开启。DeepSeek等AI创新工具的涌现和“智驾平权
”的驱动 ，有望推动行业渗透率高增 。笔者预计2025年第二季度与DeepSeek结合的系统或工具有望上车，2025年高速NOA(导航辅助驾驶)和城市NOA渗透率将会有明显提升
。同时
，借助DeepSeek等新的AI工具，后发企业或加速追赶 ，第一梯队企业则因先发优势和人才优势走在创新前列。(中新经纬APP)

(文中观点仅供参考
，不构成投资建议，投资有风险 ，入市需谨慎 。)