Дані свідчать про те, що з моменту свого випуску DeepSeek набрав 22,15 мільйона щоденних активних користувачів (DAU) лише за 21 день, досягнувши 41,6% бази користувачів ChatGPT та перевищивши 16,95 мільйона щоденних активних користувачів Doubao, таким чином ставши найшвидше зростаючим додатком у світі, очолюючи Apple App Store у 157 країнах/регіонах. Однак, хоча користувачі стікалися масово, кіберхакери невпинно атакували додаток DeepSeek, створюючи значне навантаження на його сервери. Галузеві аналітики вважають, що це частково пов'язано з тим, що DeepSeek використовує картки для навчання, не маючи достатньої обчислювальної потужності для міркувань. Інсайдер галузі повідомив AI Technology Review: «Часті проблеми з серверами можна легко вирішити, стягуючи плату або фінансуючи придбання більшої кількості машин; зрештою, це залежить від рішень DeepSeek». Це являє собою компроміс між зосередженням на технології та продукції. DeepSeek значною мірою покладався на квантове квантування для самозабезпечення, отримавши мало зовнішнього фінансування, що призвело до відносно низького тиску на грошовий потік та чистішого технологічного середовища. Наразі, з огляду на вищезгадані проблеми, деякі користувачі закликають DeepSeek у соціальних мережах підвищити пороги використання або запровадити платні функції для покращення зручності користувачів. Крім того, розробники почали використовувати офіційний API або сторонні API для оптимізації. Однак, відкрита платформа DeepSeek нещодавно оголосила: «Поточні серверні ресурси обмежені, а поповнення сервісів API призупинено».

Це, безсумнівно, відкриває більше можливостей для сторонніх постачальників у секторі інфраструктури штучного інтелекту. Нещодавно численні вітчизняні та міжнародні хмарні гіганти запустили API моделей DeepSeek — зарубіжні гіганти Microsoft та Amazon були серед перших, хто приєднався наприкінці січня. Вітчизняний лідер, Huawei Cloud, зробив перший крок, випустивши сервіси міркувань DeepSeek R1 та V3 у співпраці з Flow, що базується на Silicon, 1 лютого. Звіти AI Technology Review свідчать про те, що сервіси Flow, що базується на Silicon, зазнали напливу користувачів, що фактично «зруйнувало» платформу. Три великі технологічні компанії — BAT (Baidu, Alibaba, Tencent) та ByteDance — також опублікували низькові пропозиції з обмеженим часом, починаючи з 3 лютого, що нагадує минулорічні цінові війни постачальників хмарних послуг, розпалені запуском моделі V2 від DeepSeek, де DeepSeek почали називати «різником цін». Шалені дії постачальників хмарних послуг перегукуються з попередніми міцними зв'язками між Microsoft Azure та OpenAI, де у 2019 році Microsoft зробила значні інвестиції в розмірі 1 мільярда доларів у OpenAI та отримала вигоду після запуску ChatGPT у 2023 році. Однак ці тісні стосунки почали погіршуватися після того, як Meta відкрила Llama, що дозволило іншим постачальникам поза екосистемою Microsoft Azure конкурувати з їхніми великими моделями. У цьому випадку DeepSeek не лише перевершив ChatGPT за популярністю продукту, але й представив моделі з відкритим кодом після випуску o1, подібно до ажіотажу навколо відродження Llama GPT-3.

Насправді, хмарні провайдери також позиціонують себе як шлюзи трафіку для застосунків штучного інтелекту, а це означає, що поглиблення зв'язків з розробниками призводить до превентивних переваг. Звіти показують, що Baidu Smart Cloud мала понад 15 000 клієнтів, які використовували модель DeepSeek через платформу Qianfan у день запуску моделі. Крім того, кілька менших фірм пропонують рішення, включаючи Flow на основі кремнію, Luchen Technology, Chuanjing Technology та різних постачальників інфраструктури штучного інтелекту, які запустили підтримку моделей DeepSeek. AI Technology Review дізнався, що поточні можливості оптимізації для локалізованого розгортання DeepSeek існують переважно у двох сферах: одна з них - оптимізація характеристик розрідженості моделі MoE з використанням змішаного підходу для локального розгортання моделі MoE з 671 мільярдом параметрів, використовуючи гібридний висновок GPU/CPU. Крім того, життєво важлива оптимізація MLA. Однак дві моделі DeepSeek все ще стикаються з деякими проблемами в оптимізації розгортання. «Через розмір моделі та численні параметри оптимізація справді є складною, особливо для локальних розгортань, де досягнення оптимального балансу між продуктивністю та вартістю буде складним завданням», - заявив дослідник з Chuanjing Technology. Найбільша перешкода полягає в подоланні обмежень обсягу пам'яті. «Ми застосовуємо гетерогенний підхід до співпраці, щоб повністю використовувати процесори та інші обчислювальні ресурси, розміщуючи лише нерозділені частини розрідженої матриці MoE на процесорі/DRAM для обробки за допомогою високопродуктивних операторів процесора, тоді як щільні частини залишаються на графічному процесорі», – пояснив він далі. Звіти вказують на те, що фреймворк з відкритим кодом KTransformers від Chuanjing в основному впроваджує різні стратегії та оператори в оригінальну реалізацію Transformers через шаблон, значно підвищуючи швидкість виведення за допомогою таких методів, як CUDAGraph. DeepSeek створив можливості для цих стартапів, оскільки переваги зростання стають очевидними; багато фірм повідомили про помітне зростання кількості клієнтів після запуску DeepSeek API, отримуючи запити від попередніх клієнтів, які шукали оптимізації. Галузеві інсайдери зазначили: «У минулому дещо усталені групи клієнтів часто були замкнені на стандартизованих послугах більших компаній, тісно пов'язаних своїми перевагами у вартості завдяки масштабу. Однак після завершення розгортання DeepSeek-R1/V3 перед Весняним фестивалем ми раптово отримали запити на співпрацю від кількох відомих клієнтів, і навіть раніше неактивні клієнти ініціювали зв'язок, щоб представити наші послуги DeepSeek». Наразі схоже, що DeepSeek робить продуктивність виведення моделей дедалі важливішою, і з ширшим впровадженням великих моделей це продовжуватиме суттєво впливати на розвиток галузі штучного інтелекту та інфраструктури. Якщо модель рівня DeepSeek можна буде розгорнути локально за низькою ціною, це значно допоможе зусиллям уряду та підприємств у сфері цифрової трансформації. Однак проблеми залишаються, оскільки деякі клієнти можуть мати високі очікування щодо можливостей великих моделей, що робить більш очевидним, що балансування продуктивності та вартості стає життєво важливим у практичному впровадженні.