Dane wskazują, że od czasu jego wydania DeepSeek naliczył 22,15 miliona aktywnych użytkowników (DAU) w ciągu zaledwie 21 dni, osiągając 41,6% bazy użytkowników Chatgpt i przewyższając 16,95 miliona aktywnych użytkowników Doubao, stając się w ten sposób najszybciej rozwijającą się aplikacją na całym świecie, cofając Apple App Store w 157 krajach/regionach. Jednak podczas gdy użytkownicy gromadzili się w tłumach, cyber hakerzy nieustannie atakują aplikację Deepseek, powodując znaczne obciążenie jej serwerów. Analitycy branżowi uważają, że jest to częściowo spowodowane wdrażaniem karty DeepSeek w celu szkolenia, jednocześnie brakując wystarczającej siły obliczeniowej do rozumowania. Brancki poufny przegląd technologii AI: „Częste problemy z serwerem można łatwo rozwiązać, pobierając opłaty lub finansowanie w celu zakupu większej liczby maszyn; ostatecznie zależy to od decyzji Deepseek”. To stanowi kompromis w skupieniu się na technologii w porównaniu z produkcją. Deepseek w dużej mierze polegał na kwantyzacji kwantowej w celu samowystarczalności, otrzymując niewielkie finansowanie zewnętrzne, co powoduje stosunkowo niskie ciśnienie przepływu pieniężnego i czystsze środowisko technologiczne. Obecnie, w świetle wyżej wymienionych problemów, niektórzy użytkownicy wzywają do mediów społecznościowych do podwyższenia progów użytkowania lub wprowadzenia płatnych funkcji w celu zwiększenia komfortu użytkowników. Ponadto programiści zaczęli wykorzystywać oficjalne interfejsy API lub API stron trzecich do optymalizacji. Jednak otwarta platforma Deepseeka ogłosiła niedawno: „Obecne zasoby serwera są rzadkie, a doładowanie usług API zostały zawieszone”.

Niewątpliwie otwiera to więcej możliwości dla zewnętrznych dostawców w sektorze infrastruktury AI. Niedawno wielu krajowych i międzynarodowych gigantów w chmurze wprowadziło modelowe interfejsy API Deepseek - Oververseas Giants Microsoft i Amazon byli jednymi z pierwszych, którzy dołączyli pod koniec stycznia. Lider krajowy, Huawei Cloud, dokonał pierwszego ruchu, uwalniając usługi rozumowania Deepseek R1 i V3 we współpracy z przepływem krzemowym 1 lutego. Raporty z przeglądu technologii AI wskazują, że usługi Flow oparte na krzemionach odnotowały napływ użytkowników, skutecznie „awansując” na platformę. Trzy wielkie firmy technologiczne-BAT (Baidu, Alibaba, Tencent) i Bytedance-również wydały tanie, ograniczone oferty czasu od 3 lutego, przypominające zeszłoroczne wojny cenowe dostawcy chmury zapalili się przez modelu Deepseek V2, w którym Deepseek zaczął być nazywany „Butem ceny”. Szalone działania dostawców w chmurze odzwierciedlają wcześniejsze silne więzi między Microsoft Azure i Openai, gdzie w 2019 r. Microsoft dokonał znacznych inwestycji w wysokości 1 miliarda dolarów w openai i zbierał korzyści po uruchomieniu Chatgpt w 2023 r. Jednak ta bliska relacja za rozbijanie się po Meta open sourced Llama. W tym przypadku Deepseek nie tylko przewyższył Chatgpt pod względem ciepła produktu, ale także wprowadził modele open source po wydaniu O1, podobnie jak emocje związane z odrodzeniem GPT-3 przez LLAMA.

W rzeczywistości dostawcy chmur pozycjonują się również jako bramy ruchu dla aplikacji AI, co oznacza, że ​​pogłębienie więzi z programistami przekłada się na korzyści zapobiegawcze. Raporty wskazują, że Baidu Smart Cloud miał ponad 15 000 klientów wykorzystujących model Deepseek za pośrednictwem platformy Qianfan w dniu premiery modelu. Ponadto kilka mniejszych firm oferuje rozwiązania, w tym przepływ na bazie krzem, Luchen Technology, Chuanjing Technology i różnych dostawców AI Infra, którzy wprowadzili wsparcie dla modeli Deepseek. Przegląd technologii AI dowiedział się, że obecne możliwości optymalizacji zlokalizowanych wdrażania Deepseek istnieją przede wszystkim w dwóch obszarach: jeden optymalizuje charakterystykę rzadkości modelu MOE przy użyciu mieszanego rozumowania w celu wdrożenia lokalnego modelu MOE o wartości 671 miliardów parametrów. Dodatkowo optymalizacja MLA jest niezbędna. Jednak dwa modele Deepseeka wciąż stają przed pewnymi wyzwaniami w zakresie optymalizacji wdrażania. „Ze względu na wielkość 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 technologii Chuanjing. Najważniejsza przeszkoda polega na przezwyciężeniu limitów pojemności pamięci. „Przyjmujemy heterogeniczne podejście do współpracy w celu pełnego wykorzystania procesorów i innych zasobów obliczeniowych, umieszczając tylko nie zorganizowaną części rzadkiej macierzy MOE na procesor/DRAM do przetwarzania przy użyciu wysokowydajnych operatorów procesorów, podczas gdy gęste części pozostają na GPU”, wyjaśnił dalej. Raporty wskazują, że KTransformers Chuanjinga KTransformers wprowadzają przede wszystkim różne strategie i operatorów do oryginalnej implementacji Transformers za pośrednictwem szablonu, znacznie zwiększając prędkość wnioskowania za pomocą metod takich jak CUDAGAGAG. Deepseek stworzył możliwości dla tych startupów, ponieważ korzyści wzrostu stają się widoczne; Wiele firm zgłosiło zauważalny wzrost klientów po uruchomieniu API Deepseek, otrzymując zapytania od poprzednich klientów szukających optymalizacji. Znawcy branży zauważyli: „W przeszłości nieco ustalone grupy klientów były często zamknięte w znormalizowanych usługach większych firm, ściśle związanych z ich zaletami kosztów ze względu na skalę. Jednak po ukończeniu wdrożenia Deepseek-R1/V3 przed wiosennym festiwalem nagle otrzymaliśmy prośby o współpracę od kilku dobrze znanych klientów, a nawet wcześniej uruchomionych klientów, aby wprowadzić nasze usługi Deepseek”. Obecnie wydaje się, że Deepseek sprawia, że ​​wyniki wnioskowania modeli jest coraz bardziej krytyczne, a przy szerszym przyjęciu dużych modeli będzie to nadal wpływać na rozwój w branży AI Infra. Gdyby model na poziomie Deepseek mógłby zostać wdrożony lokalnie po niskich kosztach, bardzo pomogłby rządowi i cyfrowej transformacji. Jednak wyzwania utrzymują się, ponieważ niektórzy klienci mogą mieć wysokie oczekiwania dotyczące dużych możliwości modelowych, co sprawia, że ​​bardziej widoczne jest, że równoważenie wydajności i kosztów stają się niezbędne w praktycznym wdrożeniu.