汽车行业动态跟踪点评：DEEPSEEK有望成为智能驾驶提效降本新引擎

　　Deepseek 有望成为自动驾驶车端及云端算力成本降低的重要推手。
　　DeepSeek 在成本控制方面表现出色，核心创新 “多头潜在注意力”（Multi-Head Latent Attention） 研发耗时数月，是降低推理成本的关键创新之一，其核心原因在于，MLA 使得每个查询所需的 KV 缓存（KV Cache）减少，相比于标准注意力机制，极大降低了内存消耗，减少重复计算，从而降低了每次推理所需的硬件资源，这直接降低了推理成本。
　　知识蒸馏重构自动驾驶成本提高自动驾驶普适性目前城市NOA 系统成本仍高于8000 元（单车），制约20 万以下主力市场渗透。根据优咔科技，DeepSeek 通过算法优化和模型压缩、蒸馏等技术，大幅降低了单位算力需求。运用DeepSeek 及其优化技术有望将城市NOA 硬件成本压至3000 元级，触发10-15 万车型标配潮，决策模型推理能耗降低80%，高阶智驾对车端芯片的算力要求进一步降低，也将更有利于“舱驾一体”、“行泊一体”等架构的推进。由于DeepSeek 以NLP 任务为主，其知识迁移至自动驾驶CV任务需解决模态差异（语言→视觉），需引入跨模态蒸馏技术（如通过CLIP-like 对齐视觉-语言特征）；同时车端模型需满足毫秒级延迟要求（如10ms 内完成一帧处理），蒸馏后的小模型需在算力（TOPS）和内存（MB级）上与车载芯片匹配。
　　DeepSeek 在训练过程中采用了强化学习的方法，为自动驾驶未来的训练数据集筛选与裁剪提供了可行的思路。根据优咔科技，强化学习革新训练过程提升驾驶安全性尽管强化学习在自动驾驶的规划和控制阶段得到了广泛的应用，但自动驾驶的感知识别能力，例如对道路环境、障碍物、行人等的识别与判断，当前主流的方式是采集海量的人类驾驶行为，进行模仿学习。训练过程需要采集海量数据，并通过大规模集群进行训练的，遵循Scaling Law法则，成本较高。而DeepSeek 在训练过程中采用了强化学习的方法，为自动驾驶未来的训练数据集筛选与裁剪提供了可行的思路。
　　预计未来Deepseek 有望加速赋能自动驾驶，有效提升智驾表现。根据NE智能时代车预测，2024-2026 年，预计行业内头部厂商将把MLA 应用于仿真测试场景生成，预计到2027-2030 年，L4 级系统有望使用MLA 架构。
　　投资建议：Deepseek 有望成为智能驾驶新引擎，提效+降本加速智驾渗透率提升。相关标的方面，推荐地平线机器人、经纬恒润、小鹏汽车、理想汽车、比亚迪、长城汽车、德赛西威、华阳集团；建议关注知行汽车科技、吉利汽车、伯特利、黑芝麻智能、禾赛科技、速腾聚创、豪恩汽电。
　　风险提示：消费者对智能汽车接受程度不及预期，汽车行业销量不及预期，汽车价格战加剧等。
【免责声明】本文仅代表第三方观点，不代表和讯网立场。投资者据此操作，风险请自担。

   【免责声明】本文仅代表第三方观点，不代表和讯网立场。投资者据此操作，风险请自担。

【广告】本文仅代表作者本人观点，与和讯网无关。和讯网站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。邮箱：news_center@staff.hexun.com