纪要涉及的行业和公司 - 行业：智能汽车行业 - 公司：吉利、智己、领跑、长城、宝骏、比亚迪、长安、小鹏、特斯拉、科伯达等车企；OpenAI等科技公司；提供芯片的高通、勾6E、勾6M等供应商；第三方软硬件供应商、预控制器供应商、算法公司、汽车智能化检测公司 纪要提到的核心观点和论据 DeepSeek对智能汽车的赋能及优势 - 赋能：为智能汽车带来全方位赋能，提升智能座舱和智能驾驶等核心能力，降低车端云端研发成本和门槛，是智能汽车时代迭代进化的加速机[1] - 优势 - 降低算力成本：混合专家模型MOE将模型分成多个专家模型，每次输入仅激活少量专家，大幅减少计算量和成本，DeepSeek Z3模型训练成本约为OpenAI GPT - 4的5% [4] - 车端硬件降本：通过知识征流技术将大模型能力迁移到轻量模型，保持高性能同时降低车端部署成本，如小鹏车端模型参数量是云端大模型的八十分之一 [5][6] - 算法开源：体现算法自信，降低研发门槛，加速产业技术进步 [6] - 模型性能提升：在多项测评中表现媲美海外模型，对智能驾驶的感知层和决策层有明显提升，如融合视觉和语言信息、提升驾驶员意图理解和决策能力 [7][8] DeepSeek在车端的应用节奏 - 智能座舱：最快落地，吉利、智己、领跑、长城等车企已官宣在智能座舱模型应用，宝骏已在座舱落地算法，因其开源算法能快速应用于座舱人机交互场景 [3] - 智能驾驶：空间更大，比亚迪、长安提到在制价模型引入算法，因制价工程周期长、测试要求高，预计今年下半年能看到应用 [3] DeepSeek对智能驾驶三要素的赋能效果 - 数据 - 数据标注：通过算法实现高质量自动标注，降低人工标注成本 [9] - 数据生成：包括数据增强和合成，增强恶劣天气或复杂路况数据质量，合成特殊场景数据，提升算法对不同场景的感知和决策能力 [10] - 算法 - 提升推理和决策能力：RE和Genesis Pro模型对制价决策和感知算法有明显提升，如Genesis Pro处理图像信息、融合多维度数据，DeepSeek通过强化学习支持复杂场景决策 [11][12] - 数据精度问题：虽采用FP8精度，但主流制价模型也采用类似精度，暂不构成影响制价能力的核心矛盾 [13] - 算力 - 云端算力：DeepSeek R1训练和推理成本远低于OpenAI同类模型，降低云端训练硬件投入门槛 [13] - 车端算力：将云端大模型压缩成适合车端的小模型，降低车端算力需求，如在高通8650芯片上使用DeepSeq R1模型后，推力响应时间减半，算力利用率优化约40% [14] DeepSeek带来的投资机会 - 看好智能驾驶贝塔：提供降本路径，开源算法使车企和第三方公司介入，有更多算法创新可能性 [15] - 推动车端算力需求下降：像Go6e、Go6m芯片后续可能应用于城市OA高阶制价 [16] - 提升高阶智能驾驶渗透率：不同价格段渗透率分化，10 - 20万区间提升空间大，预计L2 + 级别智能驾驶渗透率2024年为7% - 8%，2025年有望突破20%，拉动产业链多个环节放量 [17][18] - 带动产业链技术降本：车企在10 - 20万定价整车铺开高阶制价落地，第三方软硬件供应商通过切换芯片平台或优化软件算法提供成本优势解决方案 [19][20] 其他重要但是可能被忽略的内容 - 中国智能驾驶领跑全球，除电动化外，智能驾驶出海有明显机会，如科伯达 [21] - 建议持续关注智能驾驶产业链Beta的中长期机会，可联系中英汽车团队咨询DHC及制价后续问题，参与专题路演深度讨论 [22]