DeepSeek火了，考研圈炸了。
有人说，DeepSeek 会让张雪峰失业。AI能秒查院校信息，能汇总考研趋势，甚至能模仿名师讲解，过去人们付费获取的信息差，如今通过DeepSeek变得零成本。2月6日张雪峰本人在视频中回应：“我们这个行当你说他是不是打破信息差，是打破信息差，但是还有些情绪价值。Deepseek只会有一些公开信息，但是你要知道有些信息网上是不公开的。”
这句话，点出了 AI的核心矛盾。但不容否认，所有的信息都是由“人”创造的。DeepSeek 再强大，也无法替代人的经验、直觉和行业内的隐性规则。AI不懂行业的水深水浅，不懂取舍背后的权衡和代价，它只是一个信息的搬运工。
而这场关于 AI价值的讨论，已经传导到了汽车。主机厂们蠢蠢欲动，在DeepSeek的热度刚起的时刻，已经有车企开始筹备接入。而汽车对于AI能力的探索早已开始，虽然高举AI造车的大旗，又不敢真正放手去做。他们宣称AI赋能智能驾驶，宣称AI让汽车更懂用户，但归根结底，所谓的AI仍停留在智能车机的语音交互层面。
当中国的DeepSeek掀起这场科技颠覆，汽车十三行《2025年中国汽车市场预判系列报道》的第四篇，将围绕“车企与AI之间的关系会出现那些变化？是直面迎接挑战，还是继续在“有AI之名，无AI之实”中徘徊？”等问题进行解读。
被营销话术裹挟的三个AI误解
AI很热，车企很忙。从智能座舱到自动驾驶，从大模型到AI大模型，几乎所有车企都在谈 AI。小鹏说AI是核心竞争力，理想喊出AI重新定义智能驾驶，甚至传统主机厂也开始接入 DeepSeek，试图让AI融入汽车生态。无论是行业内还是行业外的人都在疑惑，AI真的会是车企弯道超车的关键吗？还是又一次智能化泡沫？
第一个误解——AI造车，并不等于造 AI车。
不知是否有同感，今天的AI造车很像十年前的互联网汽车。当时整个行业都在争论，汽车+互联网，还是互联网+汽车？互联网公司相信，汽车只是一个移动终端，真正的价值在于数据和软件，而传统车企则坚持，汽车的本质仍然是机械工业，互联网只是赋能手段。最后的结果是，互联网确实改变了汽车的交互方式，但没有颠覆汽车制造本身。事实证明，互联网是方法，是工具，而不是生产力本身。
今天的 AI也一样。智能座舱的进化，让语音助手变得更聪明，车机系统更流畅，AI甚至可以分析驾驶习惯、优化个性化推荐，但本质上，这仍然只是“更好的工具”，而不是全新的范式。汽车智能化的终极目标，难道只是让语音助手变得更聪明吗？如果 AI只是一个辅助工具，而不是核心驱动力，那么它的角色就像蒸汽、汽油、电、氢对于汽车的影响——它改变了汽车的驱动方式，解放了生产力，但自身并不是生产力，而是生产工具。
第二个误解——以为AI是终极答案，而忽略AI的局限性。
想必大家一定听过这样的宣传，“让AI学会你的驾驶习惯，让车辆越开越懂你。”
智能驾驶的发展看似和 AI关系紧密，但实际却是两个不同的逻辑。AI可以优化感知，让辅助驾驶更安全，但它解决不了自动驾驶最难的问题——复杂环境下的动态决策。
举个例子，AI能适应不同的驾驶场景吗？在北京的高速路段，车流快，驾驶者习惯性超车；而在二三线城市的老城区，道路没有清晰的交通标识，很多车辆随意变道，甚至停在路中间。如果AI只是简单地学习驾驶者的习惯，它真的能在“不按规矩出牌”的环境下无缝适应吗？或者面对复杂的路面情况，是采用当地收集的驾驶习惯对车辆进行操作还是保持采用驾驶员本身的驾驶习惯，而这些原则本质上仍是来自人或工程师对AI的规则限制。
更深层的问题是，智能驾驶不是填空题，而是应用题。如果AI仍然是以线性逻辑学习驾驶行为，它的提升更多是熟练度的优化，而不是智能的进化。数据再多，也无法涵盖现实世界的所有变量；算法再强，也无法模拟人类在极端情况下的决策权衡，AI只能辅助决策。
DeepSeek 让我们看到了AI在信息整合上的能力，但 AI真正的价值，不是“提供答案”，而是“帮助人类问出更精准的问题”。今天的车企依赖AI提升驾驶体验、优化座舱交互、分析用户数据，但这些功能的本质，仍然是工程师设定规则，AI在规则内优化。AI只是让决策更高效，而不是改变决策方式。
第三个误解——被效果掩盖的AI门槛
DeepSeek之所以能让人惊艳，是因为它整合了庞大的知识库，但智能驾驶的AI不是单纯的文本训练，而是需要海量的场景数据、端到端推理能力，以及强大的算力支撑。
国内车企无论是小鹏、理想、蔚来甚至是华为的智驾都离不开算力。多年来，马斯克一直在谈论特斯拉人工智能战略核心的超级计算机Dojo，专用于训练 “完全自动驾驶”（FSD）神经网络，以摆脱对第三方芯片的依赖。马斯克曾透露2024年底Dojo 1的训练能力相当于8000 块H100 GPU。
需要明确的是，H100算力约989 TFLOPS，其中TFLOPS代表浮点运算，浮点运算的精度要高于整数或定数运算（TOPS），虽然两者之间的转换并不直接，一次浮点运算大致相当于两次整数运算，在某些情况下可以用公式1 TFLOPS≈2 TOPS来进行近似计算。而我们所知悉的英伟达Orin-X算力为254TOPS，高通8295P算力为60TOPS，即便是更高阶的 NVIDIA Thor，算力也不过 1000 TOPS 级别。换句话说，车载AI芯片的算力，还远远追不上特斯拉训练AI模型的云端计算力。
尽管如此，在2024年第四季度财报电话会议上，Dojo甚至未被提及。相反，特斯拉宣布已在Q4完成Cortex的部署，并表示Cortex是推动FSD V13版本实现的关键。可以看到，曾经大书特书的Dojo突然淡出了马斯克的发言。
营销语境中的AI造车，往往只谈数据训练、算法优化、智能化体验，但真正决定AI智能驾驶进程的，不仅仅是大模型，更是云端计算能力、芯片架构，以及长期的数据闭环训练。特斯拉FSD从V9到V13，用了三年时间，但它依然没有达到真正的完全自动驾驶。
今天，AI造车的现象级突破，可能只是一个技术进化的中间阶段。DeepSeek 让 AI更会“说话”，但AI远比大多数人想象的更加复杂。
AI没有信息获取的自由
DeepSeek 爆火后，所有人都在讨论AI如何整合知识，如何打破信息差，如何让行业透明化。但现实是，AI让信息获取变得更快，却没有让世界变得更清晰。它让我们看到了数据的广度，却掩盖了数据的盲点。它能提供最优解，但无法告诉你，这个答案是否真的正确。
第一个局限——AI只能处理已知的信息，而不能创造新的认知。
DeepSeek 能在几秒钟内汇总千篇论文，提供清晰的逻辑结构，让人误以为它在进行独立思考。但事实是，AI的一切答案，来源于它所能获取的数据。它可以重新组织，甚至可以总结出不同维度的观点，但它无法创造真正的洞见。更重要的是，AI只能从已有信息中推理，而现实世界的认知，往往来自于未知的探索。
一个典型案例，是DeepSeek在回答新能源产业的竞争格局时，它的逻辑是：数据越多，答案越准确。但新能源市场的变化，是由供需关系、政策导向、技术突破、资本流动共同驱动的，很多时候，真正影响产业走向的变量，未必能通过数据捕捉。换句话说，AI只能回顾过去，无法预见未来。
这也是为什么，尽管 AI能够写出一篇篇逻辑清晰的市场分析报告，但真正的行业判断，依然掌握在人类手中。因为 AI无法思考 “可能性”，它只能基于已知信息，进行更优解的排列组合。
第二个局限——AI的认知范围，取决于信息壁垒。
DeepSeek之所以能快速检索信息，是因为它能接入大量的开放数据。但当信息被平台和技术壁垒锁定时，AI还能保持同样的优势吗？
一个现实的例子是，互联网的信息孤岛效应。目前，字节系的数据无法被百度搜索获取；腾讯的社交数据无法被阿里调用；甚至某些核心行业的研究报告根本不对公众开放。在竞争中，也就存在了，单一AI工具无法跨越信息壁垒的概率，并且这种概率很大。
这就意味着AI并不像人类一样，拥有完整的信息获取自由。它的“认知边界”，取决于它所能接触到的数据。一旦某些数据被屏蔽，AI给出的答案就会出现偏差。
一个典型案例，是在汽车行业的信息获取上。假设你让 AI分析“极氪和理想的市场竞争力”，它所能调取的信息，主要来自于公开数据、行业报道和企业自述。但真正影响企业竞争力的关键信息，例如供应链成本、战略布局、内部运营效率，这些数据 AI根本无法获取。结果是，AI只能基于外部信息给出一个“看似合理，但缺乏深度”的答案。
另外还有一个相对极端的例子，我们都清楚2月只有28天，在闰年的时候会有29天。但如果将“2月30日”的信息经过1万次、10万次、100万次投喂，那么最后的答案极有可能变成“2月30日……”这种信息壁垒，决定了AI的认知天花板。
第三个局限——AI的答案，只是优解，而非唯一正确的答案。
AI擅长的是在庞大的数据中找到最可能的“正确答案”，但它提供的并不是“唯一答案”。在不同的场景下，同样的问题，会因变量的不同而产生完全不同的解法。如果你问AI：“比亚迪的技术优势是什么？”它的回答可能是：刀片电池、垂直整合供应链、高性价比产品策略。但如果你换一个提问方式，比如：“比亚迪的短板是什么？”AI的答案会变成：品牌溢价低、国际市场渗透不足、面对高端市场竞争力存疑。
AI提供的，从来都不是一个固定的认知，而是基于输入信息的“相对正确”答案。这就带来了一个问题——AI的答案，会受到提问方式的影响。如果你的问题本身有偏见，AI也会用一个看似合理的逻辑，把这个偏见放大。比如网络中盛行的“用犀利的语气……可以带脏字……”
因此，AI并不会让人类更接近真相，而是让人们更容易获取“自己想听到的答案”。这样来看， AI真的是一场信息革命，还是一个新的信息幻觉？
能让信息获取变得更快，但它无法超越数据的边界；能整合观点，但它无法创造真正的洞见；能提供最优解，但它无法告诉你，什么才是真正的正确答案。回归到AI造车这件事上，能否突破这些局限？还是会像互联网汽车时代一样，最终回归工具属性？这可能才是AI造车真正需要面对的问题。
不要神话AI，也不要妖魔化AI
过去一年，车企纷纷高喊AI赋能，从智能座舱到自动驾驶，从车机大模型到端到端算法，每一家都在塑造AI时代的“智能汽车”形象。热潮之下，AI在汽车行业的真正价值，究竟是什么？
第一，AI不会造车，但AI会让造车更高效。
AI造车，最重要的不是让汽车变聪明，而是让汽车制造本身变得更智能。过去的汽车研发，依赖大量的物理测试和仿真数据，而AI让这一过程进入了算法驱动时代。一个典型案例是丰田的AI设计。2023 年，丰田宣布应用深度学习算法，在短短几小时内生成数百种优化设计方案，效率比传统工程师团队提高数十倍。而在电池研发上，AI也在加速材料科学的突破。特斯拉与加州大学合作，用AI预测电池老化路径，大幅缩短了实验周期，为新能源技术的进步提供了新的可能。作为工具的AI，不是造车的主角，但它正在成为推动汽车研发效率提升的核心工具。
第二，AI不能决定驾驶，但AI可以让驾驶更安全。
智能驾驶的终极目标，不是让AI取代人类，而是让驾驶变得更安全、更高效。但自动驾驶的发展，让人们看清了一个现实：AI不是万能的，它的智能，取决于算力、数据，以及真实世界的复杂变量。
特斯拉FSD从V9到V13，放弃了大量规则设定，转向端到端神经网络，让AI自己学习驾驶逻辑。尽管FSD的表现越来越接近人类驾驶员，但它仍然无法彻底摆脱“长尾问题”——即面对极端情况时的可靠性不足。这说明了一个关键点：AI不是自动驾驶的终点，而是自动驾驶的助手。它的价值不在于取代驾驶员，而在于让驾驶过程更智能，减少事故，优化能耗，提高驾驶体验。
第三，AI不能创造品牌，但AI可以重塑营销模式。
过去，车企的营销依赖大规模广告投放，而AI让这种模式发生了改变。今天，AI不仅仅用于市场分析和用户洞察，更成为品牌塑造的一部分。
奔驰推出AI驱动的个性化座舱助手，能够根据用户情绪、习惯、日程安排提供定制化体验；理想汽车利用AI生成内容，让广告、用户互动、品牌故事更具针对性。但是AI不能创造品牌的独特性。品牌的价值，依然来自于产品、文化和长期积累的用户认知。AI能优化营销手段，但不能决定品牌的核心竞争力。
回顾过去十年，每一次技术浪潮都曾试图重塑汽车产业：互联网汽车、智能电动车、自动驾驶，每一次，革新者都高喊着颠覆，传统车企则一次次被唱衰。但现实是，互联网没有颠覆汽车制造，电动化没有颠覆供应链，而自动驾驶至今仍未完全落地。
技术不会替代产业，只会赋能产业。真正决定胜负的，不是技术本身，而是谁能把技术用得更深、更稳、更具竞争力。AI造车也不例外。今天的AI仍然停留在智能座舱、用户推荐、驾驶辅助这些“锦上添花”的场景，真正决定行业格局的，是AI是否能渗透到更核心的领域——能否降低整车开发成本？能否优化供应链效率？能否提升智能制造能力？能否突破现有的数据孤岛，让智能驾驶真正跨入量产时代？
如果AI只是被当作新的营销概念，被包裹在智能座舱和语音助手的“炫技”中，那么它的热潮终将如前几次技术浪潮一样消退。与其空谈AI造车，不如正视现实：有多少真正拥有自研AI算法的能力，而不是外包调用？有多少愿意在智能驾驶、制造、供应链等关键环节投入AI，而不是仅仅用来优化销售？有多少能够让AI成为成本优势，而不仅是营销噱头？
当AI成为所有人的标配，竞争的关键已经不是“有没有AI”，而是“AI究竟能为你的商业模式带来什么”。在这场新竞赛中，谁能真正把AI用进产业链，谁才能跑赢未来。
