DeepSeek，二三线智驾供应商的“催命符”

“我甚至说所有行业、所有应用、所有软件、所有服务都值得基于新型人工智能技术、基于AIGC各方面技术支撑、大模型支撑重做一遍……”

2023年4月中旬，张勇在阿里云峰会上如此畅言。这番讲话的背景，正是当时风头正劲的ChatGPT大语言模型。

▲ 2023年的阿里云峰会上，张勇一语成谶

张勇口中的“所有行业、所有应用、所有软件”，自然也包含了当时正陷入理论和落地泥潭的智能驾驶概念。并非没有企业对此跃跃欲试，然而算力的制约却也是显而易见的。

以目前的视角看，OpenAI采用“从人类反馈中强化学习”训练方式，实际上颇有几分日常大家戏谑那种“力大砖飞”的味道。

通过堆砌大量算力不惜能耗去训练大模型，最终受益了能源企业，以及英伟达这种算力芯片供应商。直到DeepSeek-V3的横空出世。

与ChatGPT-4相比，DeepSeek-V3的训练过程，算力消耗仅前者的16%，实际成本仅557.6万美元，折合前者（7800万美元）的区区7%。但两个大模型在实际部署运用上，能力却是近似的。

▲ DeepSeek目前已成为中国AI技术突破围堵和封锁的象征

站在2025年初这个时间节点，值此国内乃至全球智驾行业进入收束状态迎接收官阶段的关键时刻，这是否意味着新的变数？

“迟到”的DeepSeek

延续自本世纪第二个十年中期的自动驾驶技术，已经明确了依赖深度神经网络（DNNs）来处理特定任务，如感知、预测和规划等。这些系统一般采用模块化设计——每个模块负责解决一个特定的问题，例如物体检测、路径规划或速度控制。

这种架构的优点在于它允许工程师针对每一个子任务进行优化，并且便于调试和验证。同样的逻辑也体现在智驾系统的传感器系统设计上，而前述优点也是少部分企业坚决反对激光雷达，一直坚持所谓“纯视觉路线”的根本原因。

然而，随着大模型——即使用Transformer架构构建的模型的流行，尤其是那些具有大量参数的大规模预训练模型，自动驾驶技术迎来了新的可能性。

大模型的基本特性之一，是能够捕捉数据中的复杂模式，并通过大规模的数据集进行训练，从而在多种任务上展现出强大的泛化能力，可以被用来增强系统的感知能力和决策制定过程。

在感知能力方面，能够充分融合与处理更复杂的图像、雷达和激光雷达数据，识别行人、车辆、道路标志等。传统多传感器融合所面临的难题，在大模型面前得到了很好地解决，而且可以提升系统在极端天气或复杂路况下的鲁棒性。

此外，大模型在持续学习能力方面的优势，这意味着其可以根据新收集的数据不断改进自身的性能，适应不同的驾驶条件和环境变化。

更因为大模型明文罗列逻辑推导过程的特性，使得开发人员在分析系统决策时，彻底告别了以往的黑箱状态。

通过透明化决策逻辑帮助调试和优化，并引入冗余系统和风险预测机制，确保在突发情况下的安全性。

▲ 2023年初ChatGPT的横空出世，可以被视为AI技术的一次重要突破。尽管其是一种“大语言模型”，但也启发了相邻的各赛道

然而在2023年，ChatGPT的出世，并没有立即对智驾行业带来特别的触动。究其原因，若是以ChatGPT为模板来倒推的话，以Transformer架构把现有的智驾系统“重做一遍”，重新训练的代价将会非常巨大。

根据由OpenAl团队发表于2020年的论文《LanguageModels日 are Few-Shot Learners》，训练一次1746亿参数的ChatGPT-3模型，需要的算力约为3640 PF-days。

英伟达配备80GB缓存的A100 GPU算力卡单卡的理论算力是 312TFLOPS，但考虑到tensor/pipeline parallel并行技术算力利用率仅略超过一半，则完成一个月训练量需要接近千张80G内存规格A100算力卡。

而在2023年的时候，1000张80G A100的采购价格大约1.5亿人民币。

▲ 算力正成为现阶段发展AI技术的关键，以及硬件上的主要瓶颈

DeepSeek之所以被视为重大突破，乃是通过混合专家架构（MoE）与多头潜在注意力（MLA）机制，不但提高预训练中的算力利用率，还有效地降低了推理成本。

简单粗暴描述大致可认为，是以OpenAI训练ChatGPT所需代价的五分之一，实现了大致一样效果。

然而这一切发生在2024年末，资本密集投资智驾企业的机会窗口已经关闭，甚至整个市场也被初步瓜分。

淘汰赛，已经启动。

收官阶段已经开始

几天前，曾经被誉为国内智能驾驶第一股的图森未来，在去年初宣布转换娱乐以及影视制作赛道之后，终究是没有能够扛住压力，企业因为“内讧”而解散。

人去楼空，只余一地鸡毛。

往前推，在这个春节长假刚结束那会儿，2024年末已宣布进入“低功耗模式”的纵目科技，也传出人去楼空的消息。

而仅仅两年半之前，这家企业曾一度因为拿下问界M5/7智能泊车解决方案订单，一时成为行业瞩目的焦点。

往前追溯，去年的11月27日，成功登陆美国的小马智行在首个交易日即跌破发行价。尽管这家企业在国内曾经有过“行业独角兽”的光环，但在美誉之下却是企业自2016年成立以来，已经连续亏损八年的事实。实际此番上市，多少也有点最后一搏的味道。

▲ 曾经，图森未来号称国内“智驾第一股”

也是在去年的年末，曾经得到过长城汽车大力扶持的毫末智行，也传出了裁员的消息。而若是追溯到2024年的年初，便是图森未来从美股退市的大新闻——其市值最高时，曾经达到160亿美元规模。

在2023年末，国内智驾行业有了所谓“地大华魔”的说法。并且在去年年末的时候，又进一步完善为头部供应商的“华元魔大地”，外加自研整车厂的“蔚小理极米”之说。

在这个大趋势下，DeepSeek的崛起如同给这股变革的浪潮注入了强大的动力。在训练效率方面，经过其优化能进一步缩短推理响应时间。

这意味着在实际的智驾场景中，车辆对于各种复杂路况的判断和决策速度会大大提高。

例如，当车辆在高速行驶中突然遇到前方有障碍物或者车辆变道时，能够更迅速地作出反应，避免事故的发生。 

另外，在数据标注这个环节，DeepSeek通过其独特的跨模态迁移能力，有效地降低了训练过程中对人工数据标注的依赖。

▲ 在行业头部，马太效应已经出现，且会越来越强

后者看似是对中小厂商的机遇，然而头部企业凭借自身已经积累的大规模数据，仍然在这个领域形成了一定的壁垒。

例如，头部企业可能已经拥有了海量的真实路况数据，这些数据经过长时间的积累和整理，包含了各种各样的驾驶场景，这是中小厂商短期内难以企及的。 

通过模型蒸馏这种技术手段，一些厂商有可能实现“弯道追赶”。但是这仅限于那些具有大量自主数据的厂商来说，毕竟对于这行来说，算法的性能不仅仅取决于模型本身，还与数据的质量和数量密切相关。

没有足够的自有数据，就很难对模型进行有效地优化和调整，从而导致在算法性能上与其他厂商存在差距。

这种差距在行业竞争日益激烈的今天，可能会进一步被拉大，使得这些厂商在市场竞争中处于更加不利的地位。

既然提到了数据对于当前智驾技术发展的重要性，相信大家也能理解车企直接入场的理由了。

特别是随着DeepSeek的横空出世，又进一步降低了门槛。而这种已经呈现大趋势的发展状况，进一步冲击了第三方供应商模式，使得所有未能挤入头部行列的二线企业面临出局的风险。

▲ 只要还能握在手中，哪家车企愿意把灵魂（利润）交给外人？

实际上，整个趋势在2024年就已经启动，其集中体现在资本和人才的流动上。

据统计，去年在所有投向智驾供应商的融资中，有超过八成流向了上述提到的头部五强企业。

世人将DeepSeek，视为一场算力的平权运动。然而这场始于2023年，爆发于2024年末，并于不久前广为人知的技术革新，映射到智能驾驶行业，却几乎成为了产业的“陷阱”。

当新架构将训练成本压缩到不足头部企业年度电费支出的零头时，真正的战场早已从算法研发转向数据沉淀。

华为ADS积累的3000万公里城区道路数据、小鹏汽车构建的3000小时极端天气场景库、比亚迪"天神之眼"系统背后200万辆车的实时反馈，这些用真金白银和时间壁垒堆砌的护城河，正在将后发者死死挡在门外。

即便有企业能通过开源框架快速搭建原型系统，缺乏实际道路数据的模型也终究是实验室里的“电子游戏”。

这场变革的最大受益者并非技术新贵，而是躬身入局的整车巨头。

产研闭环的碾压优势，使得博世、大陆等传统Tier1供应商不得不将业务收缩至执行端，而曾经风光无限的算法公司则陷入是否要卖身甚至是卖身无门的窘境。

站在2025年的门槛回望，智驾行业的终局轮廓已然清晰：这注定是一场属于数据寡头的游戏。

当特斯拉宣布FSD北美订阅成本降至每车99美元，当华为ADS3.0开始向第三方车企开放订阅，当蔚小理的用户每天持续贡献的智驾里程突破八位数，那些曾以“颠覆者”自居的初创企业终于明白，真正的革命从来不会发生在聚光灯下，早已在数据洪流的奔涌中完成了对旧秩序的审判。

留给落伍者的，只剩下资本市场雪崩般的估值重构，以及可以被书写进商业教科书的全新警示——

技术可以弯道超车，但产业生态的进化从不等待迟到者。