Os datos indican que, desde o seu lanzamento, DeepSeek acumulou 22,15 millóns de usuarios activos diarios (DAU) en só 21 días, acadando o 41,6 % da base de usuarios de ChatGPT e superando os 16,95 millóns de usuarios activos diarios de Doubao, converténdose así na aplicación de máis rápido crecemento a nivel mundial, encabezando a Apple App Store en 157 países/rexións. Non obstante, mentres os usuarios acudían en masa, os piratas informáticos atacaron implacablemente a aplicación DeepSeek, causando unha presión significativa nos seus servidores. Os analistas do sector cren que isto se debe en parte a que DeepSeek desprega tarxetas para o adestramento mentres carece de suficiente potencia computacional para o razoamento. Un experto do sector informou a AI Technology Review: «Os frecuentes problemas do servidor pódense resolver facilmente cobrando taxas ou financiando para mercar máis máquinas; en última instancia, depende das decisións de DeepSeek». Isto supón unha compensación entre centrarse na tecnoloxía e a produtividade. DeepSeek confiou en gran medida na cuantificación cuántica para o seu autosustento, xa que recibiu pouco financiamento externo, o que resultou nunha presión de fluxo de caixa relativamente baixa e nun ambiente tecnolóxico máis puro. Actualmente, á luz dos problemas mencionados anteriormente, algúns usuarios están a instar a DeepSeek nas redes sociais a elevar os limiares de uso ou a introducir funcións de pago para mellorar a comodidade do usuario. Ademais, os desenvolvedores comezaron a utilizar a API oficial ou API de terceiros para a optimización. Non obstante, a plataforma aberta de DeepSeek anunciou recentemente: "Os recursos actuais do servidor son escasos e as recargas do servizo da API foron suspendidas".

Sen dúbida, isto abre máis oportunidades para provedores externos no sector da infraestrutura de IA. Recentemente, numerosos xigantes nacionais e internacionais da nube lanzaron as API de modelos de DeepSeek; os xigantes estranxeiros Microsoft e Amazon estiveron entre os primeiros en unirse a finais de xaneiro. O líder nacional, Huawei Cloud, deu o primeiro paso, lanzando os servizos de razoamento DeepSeek R1 e V3 en colaboración con Flow, baseado en Silicon, o 1 de febreiro. Os informes de AI Technology Review indican que os servizos de Flow, baseado en Silicon, experimentaron unha afluencia de usuarios, o que provocou que a plataforma se estrelase. As tres grandes empresas tecnolóxicas (BAT (Baidu, Alibaba, Tencent) e ByteDance) tamén emitiron ofertas de baixo custo e por tempo limitado a partir do 3 de febreiro, que lembran as guerras de prezos dos provedores da nube do ano pasado desencadeadas polo lanzamento do modelo V2 de DeepSeek, onde DeepSeek comezou a ser alcumada a "carniceira de prezos". As accións frenéticas dos provedores de nube fan eco dos fortes lazos anteriores entre Microsoft Azure e OpenAI, onde en 2019, Microsoft realizou un investimento substancial de mil millóns de dólares en OpenAI e obtivo beneficios despois do lanzamento de ChatGPT en 2023. Non obstante, esta estreita relación comezou a desgastarse despois de que Meta abertou Llama, o que permitiu a outros provedores fóra do ecosistema de Microsoft Azure competir cos seus grandes modelos. Neste caso, DeepSeek non só superou ChatGPT en termos de popularidade do produto, senón que tamén introduciu modelos de código aberto despois do lanzamento de o1, de xeito similar á emoción que rodea o renacemento de GPT-3 por parte de Llama.

En realidade, os provedores de nube tamén se están posicionando como portas de enlace para aplicacións de IA, o que significa que o fortalecemento dos lazos cos desenvolvedores tradúcese en vantaxes preventivas. Os informes indican que Baidu Smart Cloud tiña máis de 15 000 clientes que utilizaban o modelo DeepSeek a través da plataforma Qianfan o día do lanzamento do modelo. Ademais, varias empresas máis pequenas ofrecen solucións, como Silicon-based Flow, Luchen Technology, Chuanjing Technology e varios provedores de infraestrutura de IA que lanzaron soporte para os modelos DeepSeek. AI Technology Review descubriu que as oportunidades actuais de optimización para despregamentos localizados de DeepSeek existen principalmente en dúas áreas: unha é optimizar as características de dispersión do modelo MoE utilizando unha abordaxe de razoamento mixto para despregar o modelo MoE de 671 000 millóns de parámetros localmente mentres se utiliza a inferencia híbrida de GPU/CPU. Ademais, a optimización de MLA é vital. Non obstante, os dous modelos de DeepSeek aínda enfrontan algúns desafíos na optimización do despregamento. «Debido ao tamaño do modelo e aos numerosos parámetros, a optimización é realmente complexa, especialmente para implementacións locais onde lograr un equilibrio óptimo entre rendemento e custo será un reto», afirmou un investigador de Chuanjing Technology. O obstáculo máis importante reside en superar os límites da capacidade de memoria. «Adoptamos unha abordaxe de colaboración heteroxénea para utilizar plenamente as CPU e outros recursos computacionais, colocando só as partes non compartidas da matriz MoE dispersa na CPU/DRAM para o procesamento mediante operadores de CPU de alto rendemento, mentres que as porcións densas permanecen na GPU», explicou ademais. Os informes indican que o framework de código aberto KTransformers de Chuanjing inxecta principalmente varias estratexias e operadores na implementación orixinal de Transformers a través dun modelo, mellorando significativamente a velocidade de inferencia mediante métodos como CUDAGraph. DeepSeek creou oportunidades para estas empresas emerxentes, xa que os beneficios de crecemento se están a facer evidentes; moitas empresas informaron dun crecemento notable de clientes despois de lanzar a API de DeepSeek, recibindo consultas de clientes anteriores que buscaban optimizacións. Expertos do sector sinalaron: «No pasado, os grupos de clientes algo establecidos adoitaban estar vinculados aos servizos estandarizados de empresas máis grandes, fortemente vinculados polas súas vantaxes de custo debido á escala. Non obstante, despois de completar o despregamento de DeepSeek-R1/V3 antes do Festival da Primavera, recibimos de súpeto solicitudes de cooperación de varios clientes coñecidos, e mesmo clientes previamente inactivos iniciaron contacto para presentar os nosos servizos DeepSeek». Actualmente, parece que DeepSeek está a facer que o rendemento da inferencia de modelos sexa cada vez máis crítico e, cunha adopción máis ampla de grandes modelos, isto seguirá influíndo significativamente no desenvolvemento da industria da infraestrutura de IA. Se un modelo a nivel de DeepSeek puidese despregarse localmente a baixo custo, axudaría enormemente aos esforzos de transformación dixital do goberno e das empresas. Non obstante, os desafíos persisten, xa que algúns clientes poden ter altas expectativas con respecto ás capacidades dos grandes modelos, o que fai máis evidente que equilibrar o rendemento e o custo se volve vital no despregamento práctico.