Data indikerer at DeepSeek siden lanseringen har oppnådd 22,15 millioner daglige aktive brukere (DAU) i løpet av bare 21 dager, og oppnådd 41,6 % av ChatGPTs brukerbase og overgått 16,95 millioner daglige aktive brukere av Doubao. Dette har blitt den raskest voksende applikasjonen globalt, og toppet Apple App Store i 157 land/regioner. Mens brukerne strømmet til i hopetall, har imidlertid cyberhackere angrepet DeepSeek-appen nådeløst, noe som forårsaket betydelig belastning på serverne. Bransjeanalytikere mener dette delvis skyldes at DeepSeek distribuerer kort for trening, mens de mangler tilstrekkelig beregningskraft for resonnering. En bransjeinnsider informerte AI Technology Review: «De hyppige serverproblemene kan enkelt løses ved å kreve gebyrer eller finansiere kjøp av flere maskiner. Til syvende og sist avhenger det av DeepSeeks beslutninger.» Dette representerer en avveining mellom fokus på teknologi kontra produktifisering. DeepSeek har i stor grad vært avhengig av kvantekvantisering for selvforsørgelse, etter å ha mottatt lite ekstern finansiering, noe som resulterer i relativt lavt kontantstrømpress og et renere teknologisk miljø. I lys av de nevnte problemene oppfordrer noen brukere DeepSeek på sosiale medier til å heve bruksgrensene eller introdusere betalte funksjoner for å forbedre brukerkomforten. I tillegg har utviklere begynt å bruke det offisielle API-et eller tredjeparts API-er for optimalisering. DeepSeeks åpne plattform kunngjorde imidlertid nylig: «Nåværende serverressurser er knappe, og API-tjenestepåfylling er suspendert.»

Dette åpner utvilsomt flere muligheter for tredjepartsleverandører innen AI-infrastruktursektoren. Nylig har en rekke innenlandske og internasjonale skygiganter lansert DeepSeeks modell-API-er – utenlandske giganter som Microsoft og Amazon var blant de første som ble med i slutten av januar. Den innenlandske lederen, Huawei Cloud, tok det første steget og lanserte resonneringstjenestene DeepSeek R1 og V3 i samarbeid med Silicon-baserte Flow 1. februar. Rapporter fra AI Technology Review indikerer at Silicon-baserte Flows tjenester har sett en tilstrømning av brukere, noe som effektivt har «krasjet» plattformen. De tre store teknologiselskapene – BAT (Baidu, Alibaba, Tencent) og ByteDance – ga også ut lavpristilbud med begrenset tid fra 3. februar, noe som minner om fjorårets priskriger blant skyleverandører som ble antent av DeepSeeks V2-modelllansering, der DeepSeek begynte å bli kalt «prisslakteren». De hektiske handlingene til skyleverandørene gjenspeiler de tidligere sterke båndene mellom Microsoft Azure og OpenAI, der Microsoft i 2019 investerte betydelig 1 milliard dollar i OpenAI og høstet fordelene etter ChatGPTs lansering i 2023. Dette nære forholdet begynte imidlertid å smuldre etter at Meta ga Llama åpen kildekode, slik at andre leverandører utenfor Microsoft Azure-økosystemet kunne konkurrere med deres store modeller. I dette tilfellet har DeepSeek ikke bare overgått ChatGPT når det gjelder produktvarme, men har også introdusert modeller med åpen kildekode etter o1-lanseringen, i likhet med begeistringen rundt Llamas gjenoppliving av GPT-3.

I realiteten posisjonerer skyleverandører seg også som trafikkportaler for AI-applikasjoner, noe som betyr at tettere bånd med utviklere fører til forebyggende fordeler. Rapporter indikerer at Baidu Smart Cloud hadde over 15 000 kunder som brukte DeepSeek-modellen via Qianfan-plattformen på modellens lanseringsdag. I tillegg tilbyr flere mindre firmaer løsninger, inkludert Silicon-based Flow, Luchen Technology, Chuanjing Technology og diverse AI Infra-leverandører som har lansert støtte for DeepSeek-modeller. AI Technology Review har erfart at nåværende optimaliseringsmuligheter for lokaliserte distribusjoner av DeepSeek primært eksisterer på to områder: det ene er å optimalisere for sparsitetsegenskapene til MoE-modellen ved å bruke en blandet resonnementstilnærming for å distribuere MoE-modellen med 671 milliarder parametere lokalt samtidig som man bruker hybrid GPU/CPU-inferens. I tillegg er optimalisering av MLA viktig. DeepSeeks to modeller står imidlertid fortsatt overfor noen utfordringer innen distribusjonsoptimalisering. «På grunn av modellens størrelse og mange parametere er optimalisering virkelig komplekst, spesielt for lokale distribusjoner der det vil være utfordrende å oppnå en optimal balanse mellom ytelse og kostnad», uttalte en forsker fra Chuanjing Technology. Den største hindringen ligger i å overvinne begrensningene i minnekapasitet. «Vi bruker en heterogen samarbeidstilnærming for å utnytte CPUer og andre beregningsressurser fullt ut, og plasserer bare de ikke-delte delene av den sparsomme MoE-matrisen på CPU/DRAM for behandling ved hjelp av CPU-operatorer med høy ytelse, mens de tette delene forblir på GPU-en», forklarte han videre. Rapporter indikerer at Chuanjings åpen kildekode-rammeverk KTransformers primært injiserer ulike strategier og operatorer i den opprinnelige Transformers-implementeringen gjennom en mal, noe som forbedrer inferenshastigheten betydelig ved hjelp av metoder som CUDAGraph. DeepSeek har skapt muligheter for disse oppstartsbedriftene, ettersom vekstfordeler blir tydelige. Mange firmaer har rapportert merkbar kundevekst etter lanseringen av DeepSeek API, og mottatt henvendelser fra tidligere kunder som ser etter optimaliseringer. Bransjefolk har bemerket: «Tidligere var noe etablerte kundegrupper ofte låst til standardiserte tjenester fra større selskaper, tett bundet av deres kostnadsfordeler på grunn av skala. Etter å ha fullført utrullingen av DeepSeek-R1/V3 før vårfestivalen, mottok vi imidlertid plutselig samarbeidsforespørsler fra flere kjente kunder, og selv tidligere sovende kunder tok kontakt for å introdusere våre DeepSeek-tjenester.» For tiden ser det ut til at DeepSeek gjør modellinferensytelse stadig viktigere, og med bredere bruk av store modeller vil dette fortsette å påvirke utviklingen i AI-infrastrukturbransjen betydelig. Hvis en modell på DeepSeek-nivå kunne distribueres lokalt til en lav kostnad, ville det i stor grad hjelpe myndigheter og bedrifter med digital transformasjon. Utfordringene vedvarer imidlertid, ettersom noen kunder kan ha høye forventninger til store modellegenskaper, noe som gjør det tydeligere at det å balansere ytelse og kostnader blir avgjørende i praktisk utrulling.