DeepSeek 的热度，终究还是被车圈蹭上了。
就在这几天，当大家还在跟 DeepSeek 互喷服务器繁忙的时候， N 个国内的车企就跟商量好了似的，先是岚图，后是极氪，紧接着就是智己、宝骏和 昨天的比亚迪。
之后甚至人传人到了斑马智行和亿咖通这类做车机的企业，都一个接一个的表示，自己家里的商品已经和 DeepSeek 最新的 R1 模型合体了。
而就在脖子哥写稿的时候，这个名单还在变长。
不了解大伙咋想啊，反正我在看到这类消息的时候，脑子里就是一连串的问号：
把 DeepSeek 用在车上有什么意义？他们说的深度融合到底是个什么形式？车载版本的 DeepSeek 和网页版又有什么不同？
当然非常重要的灵魂拷问是， 这类车企们，到底是否只不过为了推广的热度在硬蹭 DeepSeek ？
你不要说，在狠狠研究了一番将来哥们已经有结论了。说人话就是， DeepSeek 的成功对汽车行业确实有用，但 压根不是上头这类车企这么用的。
至于为什么，大家慢慢来看。
第一第一个问题，车企们是如何把 DeepSeek 放到车上的？
可以一定的是，大伙都没选择在车机里装 app 这种最直给的方法。由于从各路新闻稿里可以看到，大伙都提到了 DeepSeek-R1 模型和自有模型在底层算法上的融合，部份品牌还提到了 模型蒸馏的技术。
再加上一家名叫 思必驰的云端大模型服务公司，前一阵也官宣了自己在云端模型里融合了 DeepSeek 模型，给像是长城、比亚迪如此的车企提供云端 人工智能 助手的支持。
基本可以确定现在上车的 DeepSeek-R1 ，大概率会是以下 两种形式之1、
一是通过 DeepSeek 的 MIT 开源协议， 在自己家里的服务器上布置满血版或是蒸馏后的 R1 模型，然后通过微调融合，和自己家里原有些模型变成一整个大模型。用户呢，则是通过车机联网来用这个大模型的交流功能。
第二种则是通过 蒸馏的方法，把 R1 压缩成一个体积很小的小模型然后更新到车端，让用户即使不联网，也可以用上 DeepSeek 的一部分功能。
这两种方法说到底，就是给这类车上原来的 人工智能 模型上了一个 DeepSeek 的 buff ，让它拥有一部分 R1 的能力。
那这类模型是用来干什么的呢？其实。。。 就是能让语音助手说起话来更有人味而已。
是否感觉有点无聊，是的，由于类似的功能已经在不少新权势车型上达成了。
譬如之前很热门理想 MindGPT 和蔚来的 NomiGPT ，对话交流什么的不只比传统的语音助手更流畅，一些比较抽 象的问题，譬如 “ 凿壁偷光需要判几年 ” 这种弱智吧问题，能答上来的概率也能相对高点。
但要我说啊， 这种使用方法压根就没发挥出 DeepSeek-R1 模型的能力，改变用车体验什么的就更别指望了。
你问为什么？
要了解， DeepSeek 的 R1 模型之所以产生了这么大的哄动，开源是一方面，非常重要的还是它在练习的时候，非常 big 胆的用法了 强化学习 + 奖励模型的方法，最后出现了超强的 推理能力，很合适解决困难的逻辑问题。
打个比方啊，高中班里有两个同学 A 和 B ，面对同一道数学题， A 的做法是墨守成规的用各种公式，一步步按部就班的解题。而 B 则是管你公式这那的，自己靠着之前做过的超多题目， 自己探索出一个解法。
而这个解法，大概就会比硬套公式来的高效的多。就跟咱们学了高等数学再回去做高中的题似的，直接就秒了。
久而久之，相比死记公式的 A ， B 同学就更能理解问题和答案之间的逻辑关系，在面对没见过的复杂问题， 譬如巨难的数学和编程问题的时候，也能更快、更准确的推理出正确的答案。
而这个 B 对应的，其实就是 DeepSeek-R1 的纯强化学习的练习模式。
无需像以往的监管学习一样一直用规则来微调和修正，只靠着做对了就奖励，让 人工智能 自己领悟推导过程。
这个时候再回到车上的语音助手，问题就来了，由于咱们压根不会问它什么太复杂的问题，顶多就是问问天气放放歌什么的。
这类功能即使不是 DeepSeek 这种级别的大语言模型，其实也都能解决的七七八八。只须你不是开车开一半忽然就问语音助手：
那在体验上大概率就不会和现有些车载大模型有太大的差别。
再加上经过蒸馏和融合之后的小模型，能力对比满血版有着不小的阉割， 对于自己本来就有我们的大模型的车企来讲，再加一个 DeepSeek 着实没什么必要。
所以啊，那些着急喊出 DeepSeek 口号的车企们，我的评价是热门么一定是想蹭的， DeepSeek 上车的实质成效，一定也远没宣传里那样邪乎，大伙可以坐下了。
当然，假如车企本来在座舱 人工智能 上有弱点，能靠着开源的 DeepSeek-R1 做做查缺补漏，让自己家里的模型追上一线新权势的水平，确实更不是什么坏事。
可就像我开头说的， DeepSeek 假如只不过拿来做语音助手的话，那属实是有点浪费了。毕竟它更大的潜力，其实是在 智能驾驶上。
就这么说吧，甭管是很热门的端到端还是规则算法，假如能更多的用上 DeepSeek 的强化学习模式，可能就能让能力往上 提升一大截。
真不是我吹啊，大伙还记得前头做题的同学 A 和 B 么，其实类似的道理在智能驾驶上也同样成立。
目前几乎所有些主流智能驾驶其实就是那个墨守成规的同学 A ，在练习模型的时候都是 模仿学习为主。模仿嘛，顾名思义就是让智驾算法能跟专家的行为示范对应，也就是模仿人类开车。
譬如特斯拉、比亚迪和华为，就都会从驾驶评分比较高的用户那采集驾驶数据，譬如摄像头拍的视频喂给算法， 研究用户们如何从 A 点开到 B 点，再进行一个模仿。
非常明显，这种思路到头来练习出的就是跟 人类开车水平持平的智驾。但强化学习则完全不同，由于它学习的不是驾驶的过程，而是通过持续的试错，领悟出从 A 点开到 B 点最高效的路线。
而这个领悟的上限，可不就只不过能让智驾开得像人了。
要了解智驾系统对于环境的感知能力，其实比大家人类司机强不少。当大家过路口的时候还在东张西望看前后左右有没障碍物的时候，智驾通过车上各种的摄像头和雷达只须 一瞬间就能看个大概。
当大家只能单线程的先察看、后打灯、再变道的时候，智驾也能在 同一时间用一个操作解决。
理论上，只须学习和领悟到位，智驾就能推理、总结出很多比人类司机效率更高、 更能合理的利用各种汽车性能的驾驶方法。不少咱们感觉非常难、用模仿学习咋学都学不会的小众场景，强化学习可能分分钟就能解决。
都说目前的智驾是刚拿驾驶证司机的水平，用上强化学习之后，指不定真就会变成有了 十几年驾龄的超绝老司机。
当然了，理论终究是理论，想要在智驾练习里大规模的用上强化学习，依然有不少难题和瓶颈。
就譬如，强化学习的试错过程需要巨大的 算力资源，对于国内不少需要租算力做智驾的企业来讲其实不太能搞得定。
再譬如强化学习比较容易出现的 幻觉问题，咱们有时在用满血 DeepSeek 的时候会常常发现它搁那胡言乱语，本质上就是由于强化学习学的有的 魔怔了，开始出现一些不符合事实的内容。
智驾算法也是这样，假如奖励和微调的机制没设计到位，就大概幻想出 “ 需要开到天上 ” 的开法。
即使不出现幻觉，也会出现急加速、猛刹车这种赛道开法。效率是高了，但哪个的脖子和腰顶得住啊？这就需要车企花费不少精力设计奖励模型，并且通过一些微调手段来限制 人工智能 的发挥，这就很考验主机厂的 算法能力了。
即便是贼早开始做智驾的特斯拉，也只有在 很少的公开资料里表示自己有在部分模块里有限的用法了强化学习。
可见困难程度是实打实的，而且还不小。
但我感觉啊，想要真的让智驾的能力再上一层楼，多用强化学习一定是各家将来的大方向。把强化学习的成就做到大规模的落地，将来可能也是继把智驾做到白菜价以外，各家车企和提供商们 battle 的下一个战场。
这不比做语音助手什么的有意思多了嘛。
撰文：致命空枪
编辑：脖子右拧面线
美编：三狗
图片、资料来源：
比亚迪智驾路线发布会
smart 汽车完成 DeepSeek 大模型融合，精灵 5 号最近 OTA 推送
Tesla's Autonomous Driving Strategy Stranded By Technological Divergence
思必驰官方网站
微博 @不是郑小康、X