DeepSeek 的热度，终究还是被车圈蹭上了。
就在这几天，当我们还在跟 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些做车机的企业，都一个接一个的表示，自家的产品已经和 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。
不知道大伙咋想啊，反正我在看到这些消息的时候，脑子里就是一连串的问号：
把 DeepSeek 用在车上有啥意义？他们说的深度融合到底是个啥形式？车载版本的 DeepSeek 和网页版又有啥区别？
当然最重要的灵魂拷问是，
这些车企们，到底是不是只是为了营销的热度在硬蹭 DeepSeek ？
你别说，在狠狠研究了一番以后哥们已经有结论了。说人话就是， DeepSeek 的成功对汽车行业确实有用，但
压根不是上头这些车企这么用的。
至于为啥，我们慢慢来看。
首先第一个问题，车企们是怎么把 DeepSeek 放到车上的？
可以肯定的是，大家都没有选择在车机里装 app 这种最直给的方式。因为从各路新闻稿里可以看到，大家都提到了 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、比亚迪这样的车企提供云端 AI 助手的支持。
基本可以确定目前上车的 DeepSeek-R1 ，大概率会是以下
两种形式
之一：
一是通过 DeepSeek 的 MIT 开源协议，
在自家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，和自家原有的模型变成一整个大模型。车主呢，则是通过车机联网来使用这个大模型的交流功能。
第二种则是通过
蒸馏
的方式，把 R1
压缩成一个体积非常小的小模型然后更新到车端
，让车主就算不联网，也能用上 DeepSeek 的一部分功能。
这两种方式说到底，就是给这些车上原本的 AI 模型上了一个 DeepSeek 的 buff ，让它拥有一部分 R1 的能力。
那这些模型是用来干啥的呢？其实。。。
就是能让语音助手说起话来更有人味而已。
是不是觉得有点无聊，是的，因为类似的功能已经在很多新势力车型上实现了。
比如之前很火理想 MindGPT 和蔚来的 NomiGPT ，对话沟通啥的不仅比传统的语音助手更流畅，一些比较抽
象的问题
，比如 “ 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，
这种用法压根就没发挥出 DeepSeek-R1 模型的能力，改善用车体验啥的就更别指望了。
你问为啥？
要知道， DeepSeek 的 R1 模型之所以产生了这么大的轰动，开源是一方面，最重要的还是它在训练的时候，很 big 胆的使用了
强化学习 + 奖励模型
的方式，最终涌现出了超强的
推理能力
，非常适合解决困难的逻辑问题。
打个比方啊，高中班里有俩同学 A 和 B ，面对同一道数学题， A 的做法是循规蹈矩的用各种公式，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，
自己摸索出一个解法
。
而这个解法，很有可能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，
比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 的纯强化学习的训练模式。
不需要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 AI
自己领悟推导过程
。
这时候再回到车上的语音助手，问题就来了，因为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啥的。
这些功能就算不是 DeepSeek 这种级别的大语言模型，其实也都能解决的七七八八。只要你不是开车开一半突然就问语音助手：
那在体验上大概率就不会和现有的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，
对于自己本来就有自己的大模型的车企来说，再加一个 DeepSeek 着实没啥必要。
所以啊，那些着急喊出 DeepSeek 口号的车企们，我的评价是热点么肯定是想蹭的，
DeepSeek 上车的实际效果，肯定也远没有宣传里那么邪乎，大伙可以坐下了。
当然，如果车企本来在座舱 AI 上有短板，能靠着开源的 DeepSeek-R1 做做查缺补漏，让自家的模型追上一线新势力的水平，确实也不是什么坏事。
可就像我开头说的，
DeepSeek 如果只是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，甭管是很火的端到端还是规则算法，如果能更多的用上 DeepSeek 的强化学习模式，或许就能让能力往上
提高一大截
。
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。
现在几乎所有的主流智能驾驶其实就是那个循规蹈矩的同学 A ，在训练模型的时候都是
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。
比如特斯拉、比亚迪和华为，就都会从驾驶评分比较高的车主那收集驾驶数据，比如摄像头拍的视频喂给算法，
研究车主们怎么从 A 点开到 B 点
，再进行一个模仿。
很明显，这种思路到头来训练出的就是跟
人类开车水平持平
的智驾。但强化学习则完全不同，因为它学习的不是驾驶的过程，而是通过不断的试错，领悟出从 A 点开到 B 点最高效的路线。
而这个领悟的上限，可不就只是能让智驾开得像人了。
要知道智驾系统对于环境的感知能力，其实比我们人类司机强很多。当我们过路口的时候还在东张西望看前后左右有没有障碍物的时候，智驾通过车上各种的摄像头和雷达只要
一瞬间就能看个大概
。
当我们只能单线程的先观察、后打灯、再变道的时候，智驾也能在
同一时间用一个操作搞定。
理论上，只要学习和领悟到位，智驾就能推理、总结出许多比人类司机效率更高、
更能利用好各种车辆性能
的驾驶方式。很多咱们觉得很难、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搞定。
都说现在的智驾是刚拿驾照司机的水平，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，想要在智驾训练里大规模的用上强化学习，依旧有不少难点和瓶颈。
