汽车行业专题研究：DeepSeek对智能驾驶影响几何？

证券研究报告 |报告要点 DeepSeek开源大模型推出后，成为智能驾驶研发端关注的主要方向。DeepSeek在数据生成、数据处理、模型蒸馏等方面具备较强能力。未来，DeepSeek有望成为智能驾驶加速的关键，保证高效训练的同时，打通车云模型关系，并持续降低训练成本。未来功能实现层面来看，尚未实现智能驾驶功能完整性部署前，DeepSeek的使用或加速缩小各家车企之间的时间差距。 实现功能突破后，智能驾驶领先企业有望保持用户粘性和高阶功能性能的领先。 |分析师及联系人 高登 陈斯竹 喻虎 于健 SAC：S0590523110004 SAC：S0590523100009 SAC：S0590524120002 请务必阅读报告末页的重要声明 行业研究|错误!未定义书签。 行业研究|行业专题研究 glzqdatemark22025年02月09日 汽车 DeepSeek对智能驾驶影响几何？ 行业事件 投资建议：上次建议： 强于大市（维持）强于大市 2024年12月26日，DeepSeek正式发布DeepSeek-V3模型，性能对齐海外领军闭源模型。2025年1月20日，DeepSeek发布DeepSeek-R1模型，并同步开源模型权重，性能对齐OpenAI-o1正式版。 相对大盘走势 DeepSeek有望加速高阶智能驾驶落地 汽车 沪深300 DeepSeek对底层架构、训练框架、模型推理等方面进行了关键创新，实现了与全球领军AI模型的匹敌，对智能驾驶的开发有重要借鉴意义。数据生成方面，可通过数据增强和合成来应对极端场景。数据处理方面，借鉴DeepSeek流式数据处理方式，结合边缘计算、记忆回放等技术实时数据处理与增量学习。同时借鉴知识蒸馏降低数据依赖提升智能驾驶开发效率，并结合跨模态对齐将智能驾驶模型能力在车端轻量化部署，以适应不同配置的车型，有望加速高阶智驾落地。 50% 30% 10% -10% 2024/2 DeepSeek是智驾重要工具，而非颠覆格局 DeepSeek作为开源基础模型，引入后有望加速智能驾驶的训练速度，降低智能驾驶的训练成本，未来有望成为智驾训练的主要工具，同时，优质云端模型和强蒸馏能力成为影响迭代效率的关键因素。DeepSeek或无法改变行业格局，一方面智能驾驶安全边界较高，仍需要较长训练时长保证功能安全；另一方面针对不同车型算力和架构，蒸馏后仍需要完成定向开发。未来功能实现层面来看，尚未实现智能驾驶功能完整性部署前，DeepSeek的使用或加速缩小各家车企之间的时间差距。 相关报告 1、《汽车：大型车：自主品牌何以向高端突围？》2025.01.14 2、《汽车：政策护航稳增长，智能创新迎未来— —汽车行业2025年度投资策略 》2025.01.13 实现功能突破后，智能驾驶领先企业有望保持用户粘性和高阶功能性能的领先。 投资建议：推荐积极布局且智能化技术领先的公司 DeepSeek的底层架构和技术创新对智能驾驶开发具有重要的借鉴意义，有望加速高阶智驾落地，产业链有望迎来新的投资机遇。整车推荐理想汽车、小鹏汽车、比亚迪、吉利汽车、赛力斯、长安汽车、上汽集团等。零部件厂商推荐电连技术、伯特利、经纬恒润、德赛西威等。 风险提示：技术发展不及预期风险、行业竞争加剧风险、政策落地不及预期风险 扫码查看更多 请务必阅读报告末页的重要声明 1.DeepSeek有望加速高阶智能驾驶落地 1.1DeepSeek引领AI产业技术革新 DeepSeek技术创新引领AI产业变革。随着2024年底以及2025年初深度求索发布DeepSeek-V3和DeepSeek-R1模型，凭借一系列独创性和改进性技术以及精妙的策略，实现了与全球最强AI模型的匹敌，标志着我国在AI大模型领域实现技术突破。 训练端，DeepSeek通过自研DualPipe训练框架、8位浮点量化技术、改进的MoE和MTP等创新技术，有效提升了计算效率，大幅降低训练成本。推理端，DeepSeek通过MLA技术、改进的RL和蒸馏技术，大幅提升了推理效率，其性能可与全球顶尖AI模型匹敌。我们认为，凭借架构和算法的优化以及全面开源策略，DeepSeek有望引领全球AI大模型技术革新，加速AI大模型在各个领域的应用落地。 图表1：DeepSeek-V3与不同模型性能对比 请务必阅读报告末页的重要声明 图表2：DeepSeek-R1与不同模型性能对比 DeepSeek通过技术创新实现高性能和低成本。架构方面，DeepSeek-V3基于Transformer框架 ， 通过多头潜在注意力 （MLA）、DeepSeek混合专家模型（DeepSeekMoE）、无辅助损失的负载均衡策略以及多令牌预测（MTP）等核心创新进行架构设计。训练方面，通过自研DualPipe算法和基于FP8数据格式的混合精度训练框架，减少训练内存需求，提升训练效率。推理方面，DeepSeek-R1基于DeepSeek-V3基础模型，通过大规模强化学习技术增强推理能力，成功地将强化学习带来的强推理能力泛化到其他领域；同时采用模型蒸馏技术，显著提升小模型的推理能力。 请务必阅读报告末页的重要声明 图表3：DeepSeek-R1训练流程 DeepSeek-V3架构创新 公司在模型架构设计上基于Transformer框架进行创新。MLA（Multi-LatentMemory）多头潜在注意力机制通过压缩注意力机制减少所需要处理的信息量，提高效率； DeepSeekMoE架构则采用更细粒度的专家和共享专家提升训练效率；无辅助损失的负载均衡则确保专家间工作量均衡，不依赖额外损失项；多令牌预测MTP则提高模型的预测能力和数据效率。 （1）MLA（Multi-Latent Memory）多头潜在注意力：MLA通过低秩联合压缩注意力的键和值，减少推理时的Key-Value（KV）缓存，提升推理效率。 （2）DeepSeekMoE：传统MoE依赖辅助损失平衡专家负载，但可能损害模型性能。DeepSeek-V3提出动态偏置调整策略，通过监控专家负载并实时调整路由偏置，实现均衡分配，同时避免性能损失。DeepSeekMoE使用细粒度专家并设置共享专家，每个MoE层配置了1个共享专家和256个路由专家，每个输入token可以激活8个路由专家，在保证模型处理效果的同时避免过度激活专家带来的计算资源浪费。同时支持跨节点通信优化，结合无辅助损失的负载均衡策略，确保训练时专家负载平衡，提高计算效率。 请务必阅读报告末页的重要声明 （3）多令牌预测（Multi-TokenPrediction,MTP）：通过设置多词元预测训练目标，让模型预测多个未来词元，增强训练信号，提升模型性能，还可用于推测解码加速推理。 图表4：DeepSeek-V3基本架构示意图 请务必阅读报告末页的重要声明 图表5：DeepSeek多Token（MTP）预测架构 DeepSeek训练方式的创新 DeepSeek-V3和DeepSeek-R1均基于大规模预训练，使用了创新性的训练算法和框架实现低成本高性能，如FP8混合精度训练框架、DualPipe算法。DeepSeek通过运用FP8混合精度训练框架，采用分块量化和动态缩放策略，结合DualPipe算法、节点限制路由及无令牌丢弃等技术，在超大规模模型训练中实现了训练效率提升、内存占用减少与训练稳定性的平衡。DeepSeek对核心计算采用FP8精度以加速训练、减少内存消耗，同时对部分关键组件保持较高精度以保证稳定性。首次在超大规模模型上验证FP8训练的可行性，通过分块量化（Tile-wise）和动态缩放策略解决低精度溢出问题，在保持训练稳定性的同时提升计算速度并减少GPU内存占用。通过DualPipe算法实现高效的流水线并行，重叠计算和通信阶段，减少流水线气泡；采用节点限制路由、无令牌丢弃等技术优化训练过程。 请务必阅读报告末页的重要声明 图表6：采用FP8数据格式的混合精度训练框架 强化学习在大语言模型中的应用 DeepSeek-R1-Zero采用组相对策略优化（GRPO）算法进行强化学习。DeepSeek-R1-Zero以DeepSeek-V3为基础模型，直接应用强化学习（RL），通过Group Relative PolicyOptimization（GRPO）算法优化模型策略，采用基于规则的奖励模型引导训练。DeepSeek-R1-Zero直接基于基础模型（如DeepSeek-V3-Base）通过大规模强化学习（RL）训练，无需任何监督微调（SFT）数据，仅依赖规则化奖励（如答案正确性 、 格式规范性 ） 驱动模型自我进化 。 采用GRPO（Group Relative Policy Optimization）算法，通过组内样本的奖励相对比优化策略模型，降低计算成本。 图表7：DeepSeek-R1-Zero与OpenAI o1系列模型在推理相关基准测试中的对比 请务必阅读报告末页的重要声明 DeepSeek-R1采用多阶段训练进一步提升推理能力。DeepSeek-R1引入冷启动数据进行多阶段训练，结合推理导向的RL、拒绝采样和监督微调等方法提升推理性能。 DeepSeek-R1在R1-Zero的基础上引入冷启动数据（少量高质量人工标注的长链推理示例）进行初步SFT，随后分阶段结合强化学习RL训练： （1）首先推理导向的强化学习RL，针对数学、代码等结构化任务优化； （2）其次，通用场景强化学习RL，融合人类偏好（如可读性、无害性），平衡推理性能与用户体验； （3）最后，拒绝采样与再训练RL，通过模型生成数据筛选高质量样本，结合非推理任务数据（如写作、翻译等）进行二次SFT。 模型蒸馏显著提升小模型推理能力 DeepSeek-R1的推理能力被蒸馏到DeepSeek-V3中，生成高质量的训练样本并进行监督微调。知识蒸馏（Knowledge Distillation）是一种模型压缩技术，用于将大型复杂模型（教师模型）的知识迁移到小型模型（学生模型）中，以提高学生模型的性能，同时保持模型的高效性和可扩展性。具体来说，DeepSeek-R1生成高质量的训练样本，这些样本被用作DeepSeek-V3的训练数据，从而显著提升了DeepSeek-V3的推理能力。 图表8：DeepSeek-R1蒸馏模型与其他可比模型在推理相关基准测试中的对比 1.2DeepSeek技术创新对智能驾驶有重要借鉴意义 DeepSeek有望加速高阶智驾落地。DeepSeek在AI领域的优势主要源于它具备高效 请务必阅读报告末页的重要声明 架构设计、先进算法、数据处理与增强、优化与加速、持续学习与更新、安全与隐私、用户体验优化。我们认为，DeepSeek对高阶智能驾驶的开发落地有重要的借鉴意义，有望加速高阶智能驾驶应用落地。数据生成方面，可通过数据增强和合成来应对极端场景。数据处理方面，采用DeepSeek流式数据处理方式，结合边缘计算、弹性权重巩固等技术，实现自动驾驶中的实时数据处理与增量学习。模型处理方面，可通过小样本学习降低数据依赖，同时通过跨模态对齐和知识蒸馏，将智能驾驶模型能力在车端轻量化部署，以适应不同配置的车型，加速高阶智驾落地。 通过数据增强和合成应对智能驾驶极端场景。汽车行驶环境非常复杂，真实路测难以覆盖所有危险场景（如行人突然横穿马路）。DeepSeek可构建高保真的虚拟驾驶场景（如极端天气、突发事故），通过合成数据训练智能驾驶模型，从而补充真实路测数据中极端场景数据的不足，提升模型对复杂场景的适应能力。DeepSeek通过构建“语言模型引导-物理引擎渲染-闭环评估优化”的新型数据工厂，可有效提升极端场景覆盖度，使模型提前学习应对策略，避免实际路测中的安全隐患。通过云端协同的方式，将数据合成和仿真训练在云端完成，车端仅需加载轻量化模型。 图表9：DeepSeek在数据增强