Data viser, at DeepSeek siden udgivelsen har opnået 22,15 millioner daglige aktive brugere (DAU) på bare 21 dage, hvilket udgør 41,6% af ChatGPTs brugerbase og overstiger 16,95 millioner daglige aktive brugere af Doubao. Appen er dermed blevet den hurtigst voksende applikation globalt og topper Apple App Store i 157 lande/regioner. Men mens brugerne strømmede til i hobetal, har cyberhackere ubarmhjertigt angrebet DeepSeek-appen og forårsaget betydelig belastning på dens servere. Brancheanalytikere mener, at dette delvist skyldes, at DeepSeek implementerer kort til træning, mens de mangler tilstrækkelig computerkraft til ræsonnement. En insider fra branchen har informeret AI Technology Review: "De hyppige serverproblemer kan nemt løses ved at opkræve gebyrer eller finansiere køb af flere maskiner; i sidste ende afhænger det af DeepSeeks beslutninger." Dette er en afvejning mellem at fokusere på teknologi versus produktificering. DeepSeek har i høj grad været afhængig af kvantekvantisering til selvforsørgelse og har modtaget begrænset ekstern finansiering, hvilket har resulteret i et relativt lavt pres på pengestrømmen og et renere teknologisk miljø. I lyset af de førnævnte problemer opfordrer nogle brugere DeepSeek på sociale medier til at hæve brugsgrænserne eller introducere betalte funktioner for at forbedre brugerkomforten. Derudover er udviklere begyndt at bruge den officielle API eller tredjeparts-API'er til optimering. DeepSeeks åbne platform annoncerede dog for nylig: "De nuværende serverressourcer er knappe, og API-tjenesteopfyldninger er blevet suspenderet."

Dette åbner utvivlsomt flere muligheder for tredjepartsleverandører inden for AI-infrastruktursektoren. For nylig har adskillige indenlandske og internationale cloudgiganter lanceret DeepSeeks model-API'er – de udenlandske giganter Microsoft og Amazon var blandt de første til at tilslutte sig i slutningen af ​​januar. Den indenlandske leder, Huawei Cloud, tog det første skridt og lancerede DeepSeek R1- og V3-logotjenesterne i samarbejde med Silicon-baserede Flow den 1. februar. Rapporter fra AI Technology Review viser, at Silicon-baserede Flows tjenester har oplevet en tilstrømning af brugere, hvilket effektivt har "krakket" platformen. De tre store tech-virksomheder – BAT (Baidu, Alibaba, Tencent) og ByteDance – udstedte også billige, tidsbegrænsede tilbud fra den 3. februar, hvilket minder om sidste års priskrige mellem cloudleverandører, der blev antændt af DeepSeeks V2-modellancering, hvor DeepSeek begyndte at blive kaldt "prisslagteren". Cloud-leverandørernes hektiske handlinger afspejler de tidligere stærke bånd mellem Microsoft Azure og OpenAI, hvor Microsoft i 2019 foretog en betydelig investering på 1 milliard dollars i OpenAI og høstede fordelene efter ChatGPT's lancering i 2023. Dette tætte forhold begyndte dog at slides op, efter at Meta open source-lancerede Llama, hvilket gjorde det muligt for andre leverandører uden for Microsoft Azure-økosystemet at konkurrere med deres store modeller. I dette tilfælde har DeepSeek ikke kun overgået ChatGPT med hensyn til produktoptimering, men har også introduceret open source-modeller efter o1-lanceringen, svarende til begejstringen omkring Llamas genoplivning af GPT-3.

I virkeligheden positionerer cloud-udbydere sig også som trafikgateways for AI-applikationer, hvilket betyder, at tættere bånd med udviklere resulterer i forebyggende fordele. Rapporter viser, at Baidu Smart Cloud havde over 15.000 kunder, der brugte DeepSeek-modellen via Qianfan-platformen på modellens lanceringsdag. Derudover tilbyder flere mindre virksomheder løsninger, herunder Silicon-based Flow, Luchen Technology, Chuanjing Technology og forskellige AI Infra-udbydere, der har lanceret understøttelse af DeepSeek-modeller. AI Technology Review har erfaret, at de nuværende optimeringsmuligheder for lokaliserede implementeringer af DeepSeek primært findes på to områder: det ene er at optimere for MoE-modellens sparsity-karakteristika ved hjælp af en blandet ræsonnementstilgang til at implementere MoE-modellen med 671 milliarder parametre lokalt, samtidig med at man bruger hybrid GPU/CPU-inferens. Derudover er optimeringen af ​​MLA afgørende. DeepSeeks to modeller står dog stadig over for nogle udfordringer i forbindelse med implementeringsoptimering. "På grund af modellens størrelse og de mange parametre er optimering virkelig kompleks, især for lokale implementeringer, hvor det vil være udfordrende at opnå en optimal balance mellem ydeevne og omkostninger," udtalte en forsker fra Chuanjing Technology. Den største hindring ligger i at overvinde begrænsninger i hukommelseskapaciteten. "Vi anvender en heterogen samarbejdstilgang for fuldt ud at udnytte CPU'er og andre beregningsressourcer, hvor vi kun placerer de ikke-delte dele af den sparsomme MoE-matrix på CPU/DRAM til behandling ved hjælp af højtydende CPU-operatorer, mens de tætte dele forbliver på GPU'en," forklarede han yderligere. Rapporter tyder på, at Chuanjings open source-framework KTransformers primært injicerer forskellige strategier og operatorer i den originale Transformers-implementering gennem en skabelon, hvilket forbedrer inferenshastigheden betydeligt ved hjælp af metoder som CUDAGraph. DeepSeek har skabt muligheder for disse startups, da vækstfordele bliver tydelige; mange virksomheder har rapporteret mærkbar kundevækst efter lanceringen af ​​DeepSeek API'en og modtaget forespørgsler fra tidligere kunder, der søger optimeringer. Branchefolk har bemærket: "Tidligere var relativt etablerede kundegrupper ofte bundet til standardiserede tjenester fra større virksomheder, tæt bundet af deres omkostningsfordele på grund af stordriftsfordele. Men efter at have afsluttet implementeringen af ​​DeepSeek-R1/V3 før forårsfestivalen modtog vi pludselig samarbejdsanmodninger fra flere kendte kunder, og selv tidligere inaktive kunder indledte kontakt for at introducere vores DeepSeek-tjenester." I øjeblikket ser det ud til, at DeepSeek gør modelinferensydelse stadig vigtigere, og med bredere anvendelse af store modeller vil dette fortsat påvirke udviklingen i AI-infrastrukturbranchen betydeligt. Hvis en DeepSeek-niveaumodel kunne implementeres lokalt til en lav pris, ville det i høj grad hjælpe regeringer og virksomheder med digital transformation. Der er dog fortsat udfordringer, da nogle kunder kan have høje forventninger til store modelfunktioner, hvilket gør det mere tydeligt, at det bliver afgørende at afbalancere ydeevne og omkostninger i den praktiske implementering.