Tiedot osoittavat, että julkaisunsa jälkeen Deepseek on kerännyt 22,15 miljoonaa päivittäistä aktiivista käyttäjää (DAU) vain 21 päivän kuluessa saavuttaen 41,6% ChatgPT: n käyttäjäkunnasta ja ylittäen 16,95 miljoonaa päivittäistä aktiivista käyttäjää Doubaon, mikä on niin nopeimmin kasvava sovellus maailmanlaajuisesti, täydentäen Apple App -kauppaa 157 maassa/alueella. Vaikka käyttäjät parvesivat drovesissa, kyberhakkerit ovat kuitenkin hyökänneet Deepseek -sovellukseen säälimättömästi aiheuttaen palvelimille merkittävää rasitusta. Teollisuuden analyytikot uskovat, että tämä johtuu osittain Deepseekin, joka käyttää kortteja koulutukseen, vaikka puuttuu riittävä laskennallinen voima päättelyyn. Teollisuuden sisäpiirin tietoinen AI -teknologiakatsaus: "Useiden palvelinkysymykset voidaan ratkaista helposti veloittamalla maksuja tai rahoitusta ostaa lisää koneita; viime kädessä se riippuu Deepseekin päätöksistä." Tämä on kompromissi keskittymisessä tekniikkaan verrattuna tuotantoon. DeepSeek on suurelta osin luottanut itsekelveen kvantiumin kvantisointiin, koska se on saanut vähän ulkoista rahoitusta, mikä johtaa suhteellisen alhaiseen kassavirtapaineeseen ja puhtaampaan tekniseen ympäristöön. Tällä hetkellä edellä mainittujen ongelmien valossa jotkut käyttäjät kehottavat syvyyttä sosiaalisessa mediassa nostamaan käyttökynnysarvoja tai ottamaan käyttöön maksettuja ominaisuuksia käyttäjän mukavuuden parantamiseksi. Lisäksi kehittäjät ovat alkaneet käyttää virallisia sovellusliittymiä tai kolmansien osapuolien sovellusliittymiä optimointia varten. Deepseekin avoin alusta ilmoitti kuitenkin äskettäin: "Nykyiset palvelinresurssit ovat vähäisiä, ja API -palvelun lataukset on keskeytetty."

Tämä avaa epäilemättä lisää mahdollisuuksia kolmansien osapuolien myyjille AI-infrastruktuurialalla. Äskettäin lukuisat kotimaiset ja kansainväliset pilvi jättiläiset ovat käynnistäneet Deepseekin mallisovellusliittymät - Overseas -jättiläiset Microsoft ja Amazon olivat ensimmäisten joukossa, jotka liittyivät tammikuun lopussa. Kotimainen johtaja Huawei Cloud teki ensimmäisen siirron vapauttaen Deepseek R1: n ja V3: n päättelypalvelut yhteistyössä Piilipohjaisen virtauksen kanssa 1. helmikuuta. AI-teknologiakatsauksen raportit osoittavat, että Piilipohjaisen virtauksen palvelut ovat nähneet käyttäjien virtauksen tehokkaasti "kaatumisen" alustan. Kolme suurta teknologiayritystä-Bat (Baidu, Alibaba, Tencent) ja Bydance-julkaisivat myös edulliset, rajoitetun ajan tarjoukset, jotka alkavat 3. helmikuuta, muistuttaen viime vuoden pilvimyyjän hintasotaa, jonka sytyttivät Deepeken V2-mallin lanseeraukset, joissa Deepseek alkoi kopioida "Price Butcher". " Pilvimyyjien kiihkeät toimet toistavat aikaisemmat vahvat siteet Microsoft Azuren ja Openai: n välillä, joissa Microsoft teki vuonna 2019 huomattavan miljardin dollarin sijoituksen OpenAI: iin ja hyödynsi etuja sen jälkeen, kun ChatgPT: n julkaistiin vuonna 2023. Tämä läheinen suhde alkoi kuitenkin hylätä Meta Open-Sourced -laaman sallimalla muut myyjät. Tässä tapauksessa Deepseek ei ole vain ylittänyt ChatgPT: n tuotesämmön suhteen, vaan se on myös ottanut käyttöön avoimen lähdekoodin malleja O1-julkaisun jälkeen, samanlainen kuin LLAMA: n GPT-3: n herättäminen ympäröivä jännitys.

Todellisuudessa pilvipalveluntarjoajat asettavat itsensä myös liikenneyhdyskäytäviksi AI -sovelluksille, mikä tarkoittaa, että syventävät siteet kehittäjiin tarkoittaa ennaltaehkäiseviä etuja. Raportit osoittavat, että Baidu Smart Cloudilla oli yli 15 000 asiakasta, jotka käyttivät Deepseek -mallia Qianfan -alustan kautta mallin lanseerauspäivänä. Lisäksi useat pienemmät yritykset tarjoavat ratkaisuja, mukaan lukien piipohjainen virtaus, Luchen-tekniikka, Chuanjing-tekniikka ja erilaiset AI-infra-tarjoajat, jotka ovat tukeneet Deepseek-malleille. AI Technology Review on oppinut, että nykyiset optimointimahdollisuudet paikallisille Deepseek -käyttöönottoille on pääasiassa kahdella alueella: yksi optimoi MoE -mallin harvinaisuusominaisuudet käyttämällä sekoitettua päättelytapaa 671 miljardin parametrin MOE -mallin käyttöönottamiseksi paikallisesti käytettäessä hybridi GPU/CPU -päätelmiä. Lisäksi MLA: n optimointi on elintärkeää. Deepekin kahdella mallilla on kuitenkin edelleen joitain haasteita käyttöönoton optimoinnissa. "Mallin koon ja lukuisten parametrien vuoksi optimointi on todella monimutkaista, etenkin paikallisille käyttöönottoille, joissa optimaalisen tasapainon saavuttaminen suorituskyvyn ja kustannusten välillä on haastava", totesi Chuanjing -tekniikan tutkija. Merkittävin este on muistikapasiteetin rajoitusten voittaminen. "Hyväksymme heterogeenisen yhteistyön lähestymistavan prosessorin ja muiden laskennallisten resurssien hyödyntämiseksi kokonaan, asettamalla vain CPU/DRAM: n harvan MOE-matriisin jakamattomat osat korkean suorituskyvyn suorittimen operaattoreiden käyttämiseen, kun taas tiheät osat pysyvät GPU: lla", hän selitti edelleen. Raportit osoittavat, että Chuanjingin avoimen lähdekoodin kehys ktransformerit injektoivat ensisijaisesti erilaisia ​​strategioita ja operaattoreita alkuperäiseen muuntajien toteutukseen mallin kautta, mikä parantaa merkittävästi päätelmänopeutta käyttämällä menetelmiä, kuten Cudagraph. Deepseek on luonut mahdollisuuksia näille startup -yrityksille, koska kasvuhyödyt ovat ilmeisiä; Monet yritykset ovat ilmoittaneet huomattavan asiakaskasvun DeepSeek -sovellusliittymän käynnistämisen jälkeen, ja he ovat saaneet tiedusteluja aiemmilta asiakkailta, jotka etsivät optimointia. Teollisuuden sisäpiiriläiset ovat todenneet: "Aikaisemmin jonkin verran vakiintuneita asiakasryhmiä lukittiin usein suurempien yritysten standardisoituihin palveluihin, jotka olivat tiiviisti sidoksissa skaalauksen aiheuttamien kustannusten eduista. Kuitenkin valmistuttuaan Deepseek-R1/V3: n käyttöönottoa ennen kevään festivaalia saimme yhtäkkiä yhteistyöpyyntöjä useilta tunnetuilta asiakkailta, ja jopa aikaisemmin upotettuja asiakkaita aloittivat kontaktin syvän palvelumme." Tällä hetkellä näyttää siltä, ​​että DeepSeek tekee mallin päätelmän suorituskyvystä yhä kriittisemmäksi, ja suurten mallejen laajemman käyttöönoton myötä tämä vaikuttaa edelleen AI Infra -teollisuudessa merkittävästi. Jos Deepekek-tason malli voitaisiin käyttää paikallisesti edullisilla kustannuksilla, se auttaisi huomattavasti hallituksen ja yrityksen digitaalimuutospyrkimyksiä. Haasteet kuitenkin jatkuvat, koska joillakin asiakkailla voi olla suuria odotuksia suurista mallimahdollisuuksista, mikä tekee selvemmäksi, että suorituskyvyn ja kustannusten tasapainottaminen tulee elintärkeitä käytännön käyttöönotossa.