Данные показывают, что с момента своего выпуска DeepSeek привлек 22,15 миллиона активных пользователей в день (DAU) всего за 21 день, достигнув 41,6% пользовательской базы ChatGPT и превзойдя 16,95 миллионов активных пользователей в день Doubao, таким образом став самым быстрорастущим приложением в мире, возглавив Apple App Store в 157 странах/регионах. Однако, пока пользователи стекались толпами, киберхакеры неустанно атаковали приложение DeepSeek, вызывая значительную нагрузку на его серверы. Аналитики отрасли полагают, что это частично связано с тем, что DeepSeek развертывает карты для обучения, не имея достаточной вычислительной мощности для рассуждений. Инсайдер отрасли сообщил AI Technology Review: «Частые проблемы с сервером можно легко решить, взимая плату или финансируя покупку большего количества машин; в конечном итоге это зависит от решений DeepSeek». Это представляет собой компромисс между фокусировкой на технологии и выпуском продукции. DeepSeek в значительной степени полагался на квантовое квантование для самообеспечения, получив небольшое внешнее финансирование, что привело к относительно низкому давлению на денежный поток и более чистой технологической среде. В настоящее время, в свете вышеупомянутых проблем, некоторые пользователи призывают DeepSeek в социальных сетях повысить пороги использования или ввести платные функции для повышения удобства пользователей. Кроме того, разработчики начали использовать официальный API или сторонние API для оптимизации. Однако открытая платформа DeepSeek недавно объявила: «Текущие ресурсы сервера ограничены, и пополнения сервиса API были приостановлены».

Это, несомненно, открывает больше возможностей для сторонних поставщиков в секторе инфраструктуры ИИ. Недавно многочисленные отечественные и международные гиганты облачных вычислений запустили API-интерфейсы модели DeepSeek — зарубежные гиганты Microsoft и Amazon присоединились к ним в конце января одними из первых. Отечественный лидер Huawei Cloud сделал первый шаг, выпустив сервисы рассуждений DeepSeek R1 и V3 в сотрудничестве с Flow на основе Silicon 1 февраля. Отчеты AI Technology Review указывают на то, что сервисы Flow на основе Silicon увидели приток пользователей, что фактически «обрушило» платформу. Три крупнейших технологических компании — BAT (Baidu, Alibaba, Tencent) и ByteDance — также выпустили недорогие ограниченные по времени предложения, начиная с 3 февраля, что напоминает прошлогодние ценовые войны поставщиков облачных вычислений, разгоревшиеся после запуска модели V2 DeepSeek, где DeepSeek стали называть «мясником цен». Неистовые действия поставщиков облачных услуг напоминают о более ранних прочных связях между Microsoft Azure и OpenAI, когда в 2019 году Microsoft сделала существенные инвестиции в OpenAI в размере 1 миллиарда долларов и получила выгоду после запуска ChatGPT в 2023 году. Однако эти тесные отношения начали рушиться после того, как Meta открыла исходный код Llama, что позволило другим поставщикам за пределами экосистемы Microsoft Azure конкурировать со своими большими моделями. В этом случае DeepSeek не только превзошел ChatGPT с точки зрения накала интереса к продукту, но и представил модели с открытым исходным кодом после выпуска o1, аналогично ажиотажу вокруг возрождения Llama GPT-3.

В действительности поставщики облачных услуг также позиционируют себя как шлюзы трафика для приложений ИИ, что означает, что углубление связей с разработчиками приводит к упреждающим преимуществам. Отчеты показывают, что у Baidu Smart Cloud было более 15 000 клиентов, использующих модель DeepSeek через платформу Qianfan в день запуска модели. Кроме того, несколько более мелких фирм предлагают решения, включая Silicon-based Flow, Luchen Technology, Chuanjing Technology и различных поставщиков ИИ-инфраструктуры, которые запустили поддержку моделей DeepSeek. AI Technology Review узнал, что текущие возможности оптимизации для локализованных развертываний DeepSeek в основном существуют в двух областях: одна из них — оптимизация характеристик разреженности модели MoE с использованием подхода смешанного рассуждения для локального развертывания модели MoE с 671 миллиардом параметров при использовании гибридного вывода GPU/CPU. Кроме того, оптимизация MLA имеет жизненно важное значение. Однако две модели DeepSeek по-прежнему сталкиваются с некоторыми проблемами при оптимизации развертывания. «Из-за размера модели и многочисленных параметров оптимизация действительно сложна, особенно для локальных развертываний, где достижение оптимального баланса между производительностью и стоимостью будет сложной задачей», — заявил исследователь из Chuanjing Technology. Наиболее существенным препятствием является преодоление ограничений емкости памяти. «Мы применяем гетерогенный подход к сотрудничеству для полного использования ЦП и других вычислительных ресурсов, помещая только неразделяемые части разреженной матрицы MoE на ЦП/DRAM для обработки с использованием высокопроизводительных операторов ЦП, в то время как плотные части остаются на ГП», — пояснил он далее. Отчеты показывают, что фреймворк с открытым исходным кодом KTransformers от Chuanjing в первую очередь внедряет различные стратегии и операторы в исходную реализацию Transformers через шаблон, значительно повышая скорость вывода с помощью таких методов, как CUDAGraph. DeepSeek создал возможности для этих стартапов, поскольку преимущества роста становятся очевидными; многие фирмы сообщили о заметном росте числа клиентов после запуска API DeepSeek, получив запросы от предыдущих клиентов, ищущих оптимизации. Инсайдеры отрасли отметили: «В прошлом несколько устоявшиеся клиентские группы часто были заперты в стандартизированных сервисах крупных компаний, тесно связанные своими ценовыми преимуществами из-за масштаба. Однако после завершения развертывания DeepSeek-R1/V3 перед Весенним фестивалем мы внезапно получили запросы на сотрудничество от нескольких известных клиентов, и даже ранее бездействующие клиенты инициировали контакт, чтобы представить наши сервисы DeepSeek». В настоящее время, похоже, DeepSeek делает производительность вывода модели все более критичной, и с более широким принятием больших моделей это продолжит существенно влиять на развитие отрасли AI Infra. Если бы модель уровня DeepSeek могла быть развернута локально по низкой цене, это значительно помогло бы усилиям правительства и предприятий по цифровой трансформации. Однако проблемы сохраняются, поскольку некоторые клиенты могут иметь высокие ожидания в отношении возможностей больших моделей, что делает более очевидным, что баланс производительности и стоимости становится жизненно важным при практическом развертывании.