Data indikerar att DeepSeek sedan lanseringen har samlat på sig 22,15 miljoner dagliga aktiva användare (DAU) på bara 21 dagar, vilket motsvarar 41,6 % av ChatGPT:s användarbas och överstiger 16,95 miljoner dagliga aktiva användare av Doubao. Appen blir därmed den snabbast växande globala applikationen och toppar Apple App Store i 157 länder/regioner. Men medan användarna strömmade till i massor har cyberhackare obevekligt attackerat DeepSeek-appen, vilket orsakar betydande belastning på dess servrar. Branschanalytiker tror att detta delvis beror på att DeepSeek använder kort för träning, samtidigt som de saknar tillräcklig beräkningskraft för att resonera. En branschkännare informerade AI Technology Review: "De frekventa serverproblemen kan enkelt lösas genom att ta ut avgifter eller finansiera köp av fler maskiner; i slutändan beror det på DeepSeeks beslut." Detta innebär en avvägning mellan att fokusera på teknik kontra produktifiering. DeepSeek har till stor del förlitat sig på kvantkvantisering för självförsörjning, efter att ha fått lite extern finansiering, vilket resulterat i relativt lågt kassaflödestryck och en renare teknologisk miljö. Mot bakgrund av de ovannämnda problemen uppmanar vissa användare DeepSeek på sociala medier att höja användningsgränserna eller introducera betalda funktioner för att förbättra användarkomforten. Dessutom har utvecklare börjat använda det officiella API:et eller tredjeparts-API:er för optimering. DeepSeeks öppna plattform meddelade dock nyligen: "Nuvarande serverresurser är knappa och API-tjänstpåfyllningar har avbrutits."

Detta öppnar utan tvekan fler möjligheter för tredjepartsleverantörer inom AI-infrastruktursektorn. Nyligen har ett flertal inhemska och internationella molnjättar lanserat DeepSeeks modell-API:er – utländska jättarna Microsoft och Amazon var bland de första att ansluta sig i slutet av januari. Den inhemska ledaren, Huawei Cloud, tog det första steget och släppte resonemangstjänsterna DeepSeek R1 och V3 i samarbete med Silicon-baserade Flow den 1 februari. Rapporter från AI Technology Review indikerar att Silicon-baserade Flows tjänster har sett en tillströmning av användare, vilket i praktiken har "kraschat" plattformen. De tre stora teknikföretagen – BAT (Baidu, Alibaba, Tencent) och ByteDance – utfärdade också lågpriserbjudanden med begränsad tid från och med den 3 februari, vilket påminner om förra årets priskrig för molnleverantörer som utlöstes av DeepSeeks V2-modelllansering, där DeepSeek började kallas "prisslaktaren". Molnleverantörernas frenetiska agerande återspeglar de tidigare starka banden mellan Microsoft Azure och OpenAI, där Microsoft 2019 gjorde en betydande investering på 1 miljard dollar i OpenAI och skördade frukterna efter ChatGPT:s lansering 2023. Denna nära relation började dock slitas ut efter att Meta lanserade Llama med öppen källkod, vilket gjorde det möjligt för andra leverantörer utanför Microsoft Azure-ekosystemet att konkurrera med deras stora modeller. I det här fallet har DeepSeek inte bara överträffat ChatGPT vad gäller produktvärme utan har också introducerat modeller med öppen källkod efter o1-lanseringen, liknande entusiasmen kring Llamas återupplivande av GPT-3.

I verkligheten positionerar sig molnleverantörer också som trafikportar för AI-applikationer, vilket innebär att fördjupade band med utvecklare leder till förebyggande fördelar. Rapporter visar att Baidu Smart Cloud hade över 15 000 kunder som använde DeepSeek-modellen via Qianfan-plattformen på modellens lanseringsdag. Dessutom erbjuder flera mindre företag lösningar, inklusive Silicon-based Flow, Luchen Technology, Chuanjing Technology och olika AI-infrastrukturleverantörer som har lanserat stöd för DeepSeek-modeller. AI Technology Review har lärt sig att nuvarande optimeringsmöjligheter för lokaliserade distributioner av DeepSeek huvudsakligen finns inom två områden: det ena är att optimera för MoE-modellens gleshetsegenskaper med hjälp av en blandad resonemangsmetod för att distribuera MoE-modellen med 671 miljarder parametrar lokalt samtidigt som man använder hybrid GPU/CPU-inferens. Dessutom är optimeringen av MLA avgörande. DeepSeeks två modeller står dock fortfarande inför vissa utmaningar när det gäller distributionsoptimering. "På grund av modellens storlek och många parametrar är optimering verkligen komplex, särskilt för lokala implementeringar där det kommer att vara utmanande att uppnå en optimal balans mellan prestanda och kostnad", konstaterade en forskare från Chuanjing Technology. Det största hindret ligger i att övervinna begränsningar i minneskapacitet. "Vi använder en heterogen samarbetsmetod för att fullt ut utnyttja processorer och andra beräkningsresurser, och placerar endast de icke-delade delarna av den glesa MoE-matrisen på CPU/DRAM för bearbetning med hjälp av högpresterande CPU-operatorer, medan de täta delarna stannar kvar på GPU:n", förklarade han vidare. Rapporter tyder på att Chuanjings ramverk med öppen källkod, KTransformers, huvudsakligen injicerar olika strategier och operatorer i den ursprungliga Transformers-implementeringen genom en mall, vilket avsevärt förbättrar inferenshastigheten med hjälp av metoder som CUDAGraph. DeepSeek har skapat möjligheter för dessa startups, eftersom tillväxtfördelarna blir uppenbara; många företag har rapporterat märkbar kundtillväxt efter lanseringen av DeepSeek API och fått förfrågningar från tidigare kunder som letar efter optimeringar. Branschkännare har noterat: "Tidigare var relativt etablerade kundgrupper ofta låsta till standardiserade tjänster från större företag, starkt bundna av deras kostnadsfördelar på grund av skala. Men efter att ha slutfört driftsättningen av DeepSeek-R1/V3 före vårfestivalen fick vi plötsligt samarbetsförfrågningar från flera välkända kunder, och även tidigare vilande kunder initierade kontakt för att introducera våra DeepSeek-tjänster." För närvarande verkar det som att DeepSeek gör modellinferensprestanda allt viktigare, och med ett bredare införande av stora modeller kommer detta att fortsätta att påverka utvecklingen inom AI-infrastrukturbranschen avsevärt. Om en modell på DeepSeek-nivå kunde driftsättas lokalt till en låg kostnad, skulle det i hög grad hjälpa myndigheter och företag i digital transformation. Utmaningar kvarstår dock, eftersom vissa kunder kan ha höga förväntningar på stora modellfunktioner, vilket gör det tydligare att det blir avgörande att balansera prestanda och kostnad vid praktisk driftsättning.