甬兴证券报告深入分析DeepSeek对智能驾驶产业的潜在影响。DeepSeek实现了成本和技术上的双突破，为智驾领域带来了算法（MOE/MLA/MTP加速训练）、算力（蒸馏技术降低车端需求）和数据（纯RL路径验证合成数据价值）多维度借鉴。吉利、岚图已宣布接入DeepSeek，预计2025年下半年与DeepSeek结合的系统或工具有望上车。DeepSeek有望催化中高阶智能驾驶渗透加速，助力后发企业追赶，但第一梯队在大模型、算力及数据积累上仍有较大优势。

DeepSeek-V3采用了MLA（多头潜在注意力）确保推理效率，DeepSeekMoE（混合专家架构）实现经济高效训练，并开发验证了MTP（多token预测）训练目标。即使无法直接利用DeepSeek模型开发，各企业可通过技术借鉴提升云端模型训练速度并降低训练成本，加速智驾系统迭代。DeepSeek-R1系列基于Qwen/Llama等开源框架并采用MIT许可协议，有望替代车企原有的VLM/VLA模型选择。目前理想部署“端到端+VLM”双系统，极氪计划2025年引入VLM，元戎启行计划2025年推出VLA系统上车。DeepSeek的高效训练、良好多模态处理能力和高效蒸馏方式，有望吸引车企尝试甚至替代原有模型选择。但需注意，智驾模型研发需全面安全验证，短期内较难直接基于DeepSeek开发智驾系统，且DeepSeek-R1推理能力虽强但也有较多幻觉，开发时需应对此问题。

车端算力：DeepSeek高效的蒸馏技术可将云端大模型推理能力高效迁移至车端轻量模型，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。同等智驾体验下对车端算力需求将降低；同等算力下或可实现更多智驾功能，甚至可能通过ORIN-N或J6E等中算力芯片实现城市NOA，助力高阶智驾向10-20万元价格带车型下沉。但蒸馏技术开发的模型无法超越基础模型能力，未来云端车端协同分工将是：云端模型负责复杂训练和迭代探索上限，车端模型将云端模型蒸馏到车端负责实时推理。云端算力：短期缓解云端算力紧缺，但长期随着模型复杂度提升、应用场景拓展和数据规模指数级增长，自动驾驶对云端整体算力需求仍将长期增长。

DeepSeek-R1-Zero验证了纯强化学习（RL）无需SFT数据即可实现自主推理能力，为智驾端到端训练提供新范式参考。DeepSeek采用GRPO算法等基于强化学习的训练框架，通过自博弈机制生成多样化驾驶决策数据，可在仿真环境中探索不同驾驶策略（如变道时机、紧急避让），生成覆盖长尾场景的交互数据，实现自动扩展数据分布，减少对人工标注依赖，加速数据闭环迭代。DeepSeek-R1的冷启动数据通过多种方法收集筛选，为模型提供高质量初始训练数据，避免强化学习训练初期不稳定。数据蒸馏技术从复杂原始数据中提炼高质量训练数据，减少标注工作量，显著提升训练效率。智驾领域高质量数据需要具备对现实场景的高度代表性，理想汽车利用“老司机”策略（挑选3%高评分驾驶员数据）正是如此。

座舱系统对于安全性和实时性要求相对较低，对DeepSeek的融合和借鉴速度更快。2月6日吉利汽车宣布自研大模型与DeepSeek完成深度融合，可调用约2000个车载接口实现从“被动响应”到“主动服务”；岚图汽车已开始在车机系统融合DeepSeek-R1，2月14日起可通过OTA更新体验；比亚迪、极氪、零跑、智己等也有相关规划。预计2025年下半年与DeepSeek结合的系统或工具有望上车。DeepSeek模型开源、低成本训练、蒸馏提升小模型性能等手段对智驾产业提供重要借鉴，后发企业可加速追赶，但第一梯队在大模型、算力及数据积累上仍有较大优势，强者恒强趋势不改。

DeepSeek对智驾算法-算力-数据多维影响

维度	DeepSeek技术	对智驾影响	潜在效果
算法	MOE/MLA/MTP	加速云端模型训练	降低训练成本，加速迭代
算法	开源+MIT许可	替代VLM/VLA模型	多模态推理能力上车
算力（车端）	蒸馏技术	降低车端算力需求	中算力芯片实现城市NOA
算力（云端）	低成本训练	短期缓解算力紧缺	获得追赶窗口期
数据	纯RL+GRPO	合成数据+自博弈	覆盖长尾场景，加速闭环
数据	数据蒸馏	提炼高质量训练数据	减少标注工作量