正文
比如，把DeepSeek作为一个产品，直接拿到车里来使用，这个局限性非常大。
就像手机上也有DeepSeek的App，相当于你不用手机，在车机上直接喊就可以了，这种只是把链路打通了。接入DeepSeek，我觉得只是非常非常初级的智能化应用。
DeepSeek对我们最大的收益是它提供了新的技术、方法和思路，帮助我们增强我们自研的Kr AI垂域大模型。但在座舱场景，大模型推理出结果后，还要去控制车上的各个单元，比如控制窗、控制空调、控制座椅，这些东西只有你自己的大模型才能够跟这些单元连接到一起。
Q：所以说目前行业大模型仍然是刚需？
姜军：
针对不同领域的问题解决，肯定要有针对这个的问题专有大模型能力的。我们主要是从产品和技术两个方面对DeepSeek进行深度的使用和融合。
Q：从通用大模型到实际应用，中间需要进行Prompt工程化。是否可以理解为虽然大家都接入了DeepSeek，但是最终呈现出来的效果并不一样？
姜军：
是的，这个是完全不一样。
针对DeepSeek，只是简单的接入，链路打通也会涉及到工程能力，毕竟你要把用户的语音转换成文字，然后输入给大模型。那语音做的比较好的，转化比较准，语音做的差一点的，一些同义词、近义词如果转化不准，那DeepSeek给你的输出，可能也不会准了。
另外，目前简单接入的DeepSeek更多是用于闲聊，获取知识为主。如果需要获取更准确的实时信息、以及在车里更加有情绪化情感化的与用户对话，这都依赖背后额外的算法工作和工程化工作，也就是从算法到产品化中间还有很多步骤。
如果是将DeepSeek的领先技术赋能给自研大模型，那更多的是看谁能把这些先进经验吃得更透、用的更好，这一块各家差异一定会更大，这些差异带来的最终用户体验，也会天差地别。
Q：DeepSeek的出现，颠覆了哪些车圈原有的认知？
姜军：
DeepSeek在大模型工程领域有非常大的创新。首先，之前整个行业的都是这样一个认知，就是谁投入大投入早，就会在AI这块建立绝对的壁垒。
但DeepSeek把工具链、蒸馏技术等工程方法做了创新开源后，大家能用非常低的成本使车企自研大模型的能力达到一个相对较高水准的状态。
另外，之前很多大模型还是基本集中在一问一答的状态，但DeepSeek的强推理能力不是简单的给一个回答。
我举个例子，之前大家在车里跟语音助手说‘我现在有点热’，它可能会做一个非常直接的操作，比如降低空调温度。现在有推理能力后，你再说‘现在有点热’的时候，它会根据当前车内外的温度情况，当前是否开窗，甚至你上车后的情绪状态，甚至穿的衣服厚不厚，来推理出最优调控方案。
不是简单调空调温度，它可以去调温度、内外循环、窗户的控制等等，真正的解决你的问题。
AI未到天花板，算力仍
然重要
Q：DeepSeek降低算力需求后，车企还需要囤算力吗？
姜军：
DeepSeek的出现是节约了算力，但并不是说现在已经到终点，AI已经到天花板了。如果是AI已经到了天花板，那大家以后就不需要那么多算力了，但是AI还有一个相当长的路要走。
我举个例，比如在相同算力下，你之前只能考到30分，现在能考到60分。但60分也不是终点，你要考到95分以上、100分，还是要有算力的支撑。你的算力越强，你可能会更快从60分达到90分。
Q：那车端还需要追求高算力芯片吗？
姜军：
DeepSeek出来了之后，当下旗舰座舱计算芯片可以部署一个比较小的，比如说1.5B模型的能力。它虽然有一定的助力，但现在端侧座舱算力还不足以支持大模型能力的发挥（即主动智能）。
