Dane wskazują, że od momentu wydania DeepSeek zgromadził 22,15 mln aktywnych użytkowników dziennie (DAU) w ciągu zaledwie 21 dni, osiągając 41,6% bazy użytkowników ChatGPT i przekraczając 16,95 mln aktywnych użytkowników dziennie Doubao, stając się tym samym najszybciej rozwijającą się aplikacją na świecie, zajmując pierwsze miejsce w sklepie Apple App Store w 157 krajach/regionach. Jednak podczas gdy użytkownicy tłumnie przybywali, cyberprzestępcy nieustannie atakowali aplikację DeepSeek, powodując znaczne obciążenie jej serwerów. Analitycy branżowi uważają, że jest to częściowo spowodowane tym, że DeepSeek wdraża karty do szkolenia, jednocześnie nie mając wystarczającej mocy obliczeniowej do rozumowania. Osoba z branży poinformowała AI Technology Review: „Częste problemy z serwerem można łatwo rozwiązać, pobierając opłaty lub finansując zakup większej liczby maszyn; ostatecznie zależy to od decyzji DeepSeek”. Stanowi to kompromis między skupieniem się na technologii a komercjalizacji. DeepSeek w dużej mierze polegał na kwantyzacji kwantowej w celu samowystarczalności, otrzymując niewielkie zewnętrzne finansowanie, co skutkowało stosunkowo niską presją przepływu gotówki i czystszym środowiskiem technologicznym. Obecnie, w świetle wyżej wymienionych problemów, niektórzy użytkownicy namawiają DeepSeek w mediach społecznościowych do podniesienia progów użytkowania lub wprowadzenia płatnych funkcji w celu zwiększenia komfortu użytkownika. Ponadto programiści zaczęli wykorzystywać oficjalne API lub API stron trzecich w celu optymalizacji. Jednak otwarta platforma DeepSeek niedawno ogłosiła: „Bieżące zasoby serwera są ograniczone, a doładowania usług API zostały zawieszone”.

To niewątpliwie otwiera więcej możliwości dla zewnętrznych dostawców w sektorze infrastruktury AI. Ostatnio liczni krajowi i międzynarodowi giganci chmury uruchomili modele API DeepSeek — zagraniczni giganci Microsoft i Amazon byli wśród pierwszych, którzy dołączyli pod koniec stycznia. Krajowy lider, Huawei Cloud, wykonał pierwszy krok, wydając usługi wnioskowania DeepSeek R1 i V3 we współpracy z Silicon-based Flow 1 lutego. Raporty AI Technology Review wskazują, że usługi Silicon-based Flow odnotowały napływ użytkowników, skutecznie „zawieszając” platformę. Trzy duże firmy technologiczne — BAT (Baidu, Alibaba, Tencent) i ByteDance — również wydały tanie, ograniczone czasowo oferty począwszy od 3 lutego, przypominając zeszłoroczne wojny cenowe dostawców chmury rozpalone przez wprowadzenie modelu V2 DeepSeek, gdzie DeepSeek zaczęto nazywać „rzeźnikiem cen”. Gorączkowe działania dostawców chmury przypominają wcześniejsze silne powiązania między Microsoft Azure i OpenAI, gdzie w 2019 r. Microsoft zainwestował znaczną kwotę 1 miliarda dolarów w OpenAI i odniósł korzyści po uruchomieniu ChatGPT w 2023 r. Jednak ta bliska relacja zaczęła się rozpadać po udostępnieniu przez Meta oprogramowania Llama w trybie open-source, co pozwoliło innym dostawcom spoza ekosystemu Microsoft Azure konkurować z ich dużymi modelami. W tym przypadku DeepSeek nie tylko prześcignął ChatGPT pod względem ciepła produktu, ale także wprowadził modele typu open-source po wydaniu o1, podobnie jak ekscytacja związana z odrodzeniem GPT-3 przez Llama.

W rzeczywistości dostawcy usług w chmurze również pozycjonują się jako bramy ruchu dla aplikacji AI, co oznacza, że ​​pogłębianie więzi z programistami przekłada się na korzyści wyprzedzające. Raporty wskazują, że Baidu Smart Cloud miał ponad 15 000 klientów korzystających z modelu DeepSeek za pośrednictwem platformy Qianfan w dniu premiery modelu. Ponadto kilka mniejszych firm oferuje rozwiązania, w tym Silicon-based Flow, Luchen Technology, Chuanjing Technology i różni dostawcy infrastruktury AI, którzy uruchomili obsługę modeli DeepSeek. AI Technology Review dowiedział się, że obecne możliwości optymalizacji dla lokalnych wdrożeń DeepSeek istnieją głównie w dwóch obszarach: jeden to optymalizacja pod kątem cech rzadkości modelu MoE przy użyciu podejścia opartego na mieszanym rozumowaniu w celu wdrożenia 671 miliardów parametrów modelu MoE lokalnie przy jednoczesnym wykorzystaniu hybrydowego wnioskowania GPU/CPU. Ponadto optymalizacja MLA ma kluczowe znaczenie. Jednak dwa modele DeepSeek nadal napotykają pewne wyzwania w zakresie optymalizacji wdrożenia. „Ze względu na rozmiar modelu i liczne parametry, optymalizacja jest rzeczywiście złożona, szczególnie w przypadku lokalnych wdrożeń, w których osiągnięcie optymalnej równowagi między wydajnością a kosztami będzie trudne” — stwierdził badacz z Chuanjing Technology. Najpoważniejszą przeszkodą jest pokonanie ograniczeń pojemności pamięci. „Przyjmujemy heterogeniczne podejście do współpracy, aby w pełni wykorzystać procesory CPU i inne zasoby obliczeniowe, umieszczając tylko nieudostępniane części rzadkiej macierzy MoE na procesorze CPU/DRAM w celu przetwarzania przy użyciu wydajnych operatorów procesora CPU, podczas gdy gęste części pozostają na GPU” — wyjaśnił dalej. Raporty wskazują, że otwartoźródłowe środowisko KTransformers firmy Chuanjing wstrzykuje różne strategie i operatory do oryginalnej implementacji Transformers za pośrednictwem szablonu, znacznie zwiększając szybkość wnioskowania przy użyciu metod takich jak CUDAGraph. DeepSeek stworzył możliwości dla tych startupów, ponieważ korzyści ze wzrostu stają się widoczne; wiele firm zgłosiło zauważalny wzrost liczby klientów po uruchomieniu interfejsu API DeepSeek, otrzymując zapytania od poprzednich klientów poszukujących optymalizacji. Branżowi insiderzy zauważyli: „W przeszłości dość ugruntowane grupy klientów były często zamknięte w standardowych usługach większych firm, ściśle związane ze swoimi przewagami kosztowymi ze względu na skalę. Jednak po zakończeniu wdrażania DeepSeek-R1/V3 przed Świętem Wiosny nagle otrzymaliśmy prośby o współpracę od kilku znanych klientów, a nawet wcześniej uśpieni klienci nawiązali kontakt, aby wprowadzić nasze usługi DeepSeek”. Obecnie wydaje się, że DeepSeek sprawia, że ​​wydajność wnioskowania modelowego staje się coraz bardziej krytyczna, a wraz z szerszą adopcją dużych modeli będzie to nadal znacząco wpływać na rozwój w branży infrastruktury AI. Gdyby model na poziomie DeepSeek można było wdrożyć lokalnie przy niskich kosztach, znacznie pomogłoby to w działaniach transformacji cyfrowej rządu i przedsiębiorstw. Jednak wyzwania nadal istnieją, ponieważ niektórzy klienci mogą mieć wysokie oczekiwania dotyczące możliwości dużych modeli, co sprawia, że ​​bardziej oczywiste jest, że zrównoważenie wydajności i kosztów staje się kluczowe w praktycznym wdrożeniu.