داده‌ها نشان می‌دهد که از زمان انتشار، DeepSeek تنها در عرض ۲۱ روز ۲۲.۱۵ میلیون کاربر فعال روزانه (DAU) را به خود جذب کرده است و ۴۱.۶٪ از پایگاه کاربران ChatGPT را به خود اختصاص داده و از ۱۶.۹۵ میلیون کاربر فعال روزانه Doubao پیشی گرفته است، بنابراین به سریع‌ترین برنامه در حال رشد در سطح جهانی تبدیل شده و در ۱۵۷ کشور/منطقه در صدر فروشگاه اپل قرار گرفته است. با این حال، در حالی که کاربران به صورت دسته جمعی افزایش یافته‌اند، هکرهای سایبری بی‌وقفه به برنامه DeepSeek حمله کرده‌اند و فشار قابل توجهی بر سرورهای آن وارد کرده‌اند. تحلیلگران صنعت معتقدند که این امر تا حدی به دلیل استفاده DeepSeek از کارت‌ها برای آموزش در حالی است که فاقد قدرت محاسباتی کافی برای استدلال است. یکی از افراد داخلی صنعت به AI Technology Review گفت: "مشکلات مکرر سرور را می‌توان به راحتی با دریافت هزینه یا تأمین مالی برای خرید دستگاه‌های بیشتر حل کرد. در نهایت، این به تصمیمات DeepSeek بستگی دارد." این نشان دهنده یک بده بستان بین تمرکز بر فناوری در مقابل تولید است. DeepSeek تا حد زیادی برای خودکفایی به کوانتیزاسیون کوانتومی متکی بوده و بودجه خارجی کمی دریافت کرده است که منجر به فشار جریان نقدی نسبتاً کم و یک محیط فناوری خالص‌تر شده است. در حال حاضر، با توجه به مشکلات ذکر شده، برخی از کاربران در رسانه‌های اجتماعی از DeepSeek می‌خواهند که آستانه استفاده را افزایش دهد یا ویژگی‌های پولی را برای افزایش راحتی کاربر معرفی کند. علاوه بر این، توسعه‌دهندگان شروع به استفاده از API رسمی یا APIهای شخص ثالث برای بهینه‌سازی کرده‌اند. با این حال، پلتفرم باز DeepSeek اخیراً اعلام کرده است: «منابع سرور فعلی کمیاب هستند و شارژ مجدد سرویس API به حالت تعلیق درآمده است.»

بدون شک این امر فرصت‌های بیشتری را برای فروشندگان شخص ثالث در بخش زیرساخت هوش مصنوعی ایجاد می‌کند. اخیراً، بسیاری از غول‌های ابری داخلی و بین‌المللی، APIهای مدل DeepSeek را راه‌اندازی کرده‌اند - غول‌های خارجی مایکروسافت و آمازون از اولین کسانی بودند که در پایان ژانویه به این جمع پیوستند. رهبر داخلی، هواوی کلود، اولین اقدام را انجام داد و سرویس‌های استدلال DeepSeek R1 و V3 را با همکاری Flow مبتنی بر سیلیکون در اول فوریه منتشر کرد. گزارش‌های AI Technology Review نشان می‌دهد که سرویس‌های Flow مبتنی بر سیلیکون شاهد هجوم کاربران بوده‌اند و عملاً این پلتفرم را "از کار انداخته‌اند". سه شرکت بزرگ فناوری - BAT (Baidu، Alibaba، Tencent) و ByteDance - نیز از سوم فوریه پیشنهادهای کم‌هزینه و با مدت زمان محدود ارائه دادند که یادآور جنگ قیمت فروشندگان ابری سال گذشته است که با راه‌اندازی مدل V2 DeepSeek شعله‌ور شد، جایی که DeepSeek لقب "قصاب قیمت" را گرفت. اقدامات سراسیمه فروشندگان ابری، یادآور روابط قوی قبلی بین مایکروسافت آژور و OpenAI است، جایی که در سال ۲۰۱۹، مایکروسافت سرمایه‌گذاری قابل توجه ۱ میلیارد دلاری در OpenAI انجام داد و پس از راه‌اندازی ChatGPT در سال ۲۰۲۳ از مزایای آن بهره‌مند شد. با این حال، این رابطه نزدیک پس از متن‌باز شدن Llama توسط Meta، که به سایر فروشندگان خارج از اکوسیستم Microsoft Azure اجازه رقابت با مدل‌های بزرگ آنها را می‌داد، رو به وخامت گذاشت. در این مورد، DeepSeek نه تنها از نظر میزان استقبال از محصول، از ChatGPT پیشی گرفته است، بلکه پس از انتشار o1، مدل‌های متن‌باز را نیز معرفی کرده است، مشابه هیجانی که پیرامون احیای GPT-3 توسط Llama وجود داشت.

در واقع، ارائه دهندگان خدمات ابری نیز خود را به عنوان دروازه‌های ترافیک برای برنامه‌های هوش مصنوعی معرفی می‌کنند، به این معنی که تعمیق روابط با توسعه‌دهندگان به مزایای پیشگیرانه منجر می‌شود. گزارش‌ها نشان می‌دهد که Baidu Smart Cloud در روز راه‌اندازی مدل DeepSeek بیش از ۱۵۰۰۰ مشتری داشت که از طریق پلتفرم Qianfan از آن استفاده می‌کردند. علاوه بر این، چندین شرکت کوچک‌تر، از جمله Silicon-based Flow، Luchen Technology، Chuanjing Technology و ارائه دهندگان مختلف AI Infra که پشتیبانی از مدل‌های DeepSeek را آغاز کرده‌اند، در حال ارائه راه‌حل‌هایی هستند. AI Technology Review دریافته است که فرصت‌های بهینه‌سازی فعلی برای استقرار محلی DeepSeek در درجه اول در دو حوزه وجود دارد: یکی بهینه‌سازی ویژگی‌های پراکندگی مدل MoE با استفاده از یک رویکرد استدلال ترکیبی برای استقرار مدل ۶۷۱ میلیارد پارامتری MoE به صورت محلی و در عین حال با استفاده از استنتاج ترکیبی GPU/CPU. علاوه بر این، بهینه‌سازی MLA حیاتی است. با این حال، دو مدل DeepSeek هنوز با چالش‌هایی در بهینه‌سازی استقرار مواجه هستند. یکی از محققان Chuanjing Technology اظهار داشت: «به دلیل اندازه مدل و پارامترهای متعدد، بهینه‌سازی واقعاً پیچیده است، به‌ویژه برای استقرارهای محلی که دستیابی به تعادل بهینه بین عملکرد و هزینه چالش‌برانگیز خواهد بود.» مهم‌ترین مانع، غلبه بر محدودیت‌های ظرفیت حافظه است. او در ادامه توضیح داد: «ما یک رویکرد همکاری ناهمگن را برای استفاده کامل از CPUها و سایر منابع محاسباتی اتخاذ می‌کنیم و فقط بخش‌های غیرمشترک ماتریس MoE پراکنده را برای پردازش با استفاده از اپراتورهای CPU با کارایی بالا روی CPU/DRAM قرار می‌دهیم، در حالی که بخش‌های متراکم روی GPU باقی می‌مانند.» گزارش‌ها نشان می‌دهد که چارچوب منبع باز Chuanjing، KTransformers، در درجه اول استراتژی‌ها و اپراتورهای مختلفی را از طریق یک الگو به پیاده‌سازی اصلی Transformers تزریق می‌کند و با استفاده از روش‌هایی مانند CUDAGraph سرعت استنتاج را به طور قابل توجهی افزایش می‌دهد. DeepSeek فرصت‌هایی را برای این استارت‌آپ‌ها ایجاد کرده است، زیرا مزایای رشد در حال آشکار شدن است. بسیاری از شرکت‌ها پس از راه‌اندازی DeepSeek API، رشد قابل توجه مشتری را گزارش کرده‌اند و از مشتریان قبلی که به دنبال بهینه‌سازی بوده‌اند، درخواست‌هایی دریافت کرده‌اند. افراد آگاه در صنعت خاطرنشان کرده‌اند: «در گذشته، گروه‌های مشتری تا حدودی تثبیت‌شده اغلب به خدمات استاندارد شرکت‌های بزرگ‌تر وابسته بودند و به دلیل مقیاس، به شدت به مزایای هزینه‌ای آنها وابسته بودند. با این حال، پس از تکمیل استقرار DeepSeek-R1/V3 قبل از جشنواره بهار، ناگهان درخواست‌های همکاری از چندین مشتری شناخته‌شده دریافت کردیم و حتی مشتریانی که قبلاً غیرفعال بودند، برای معرفی خدمات DeepSeek ما تماس گرفتند.» در حال حاضر، به نظر می‌رسد که DeepSeek عملکرد استنتاج مدل را به طور فزاینده‌ای حیاتی می‌کند و با پذیرش گسترده‌تر مدل‌های بزرگ، این امر همچنان به طور قابل توجهی بر توسعه در صنعت هوش مصنوعی Infra تأثیر خواهد گذاشت. اگر یک مدل در سطح DeepSeek بتواند به صورت محلی با هزینه کم مستقر شود، به تلاش‌های تحول دیجیتال دولت و سازمان کمک زیادی خواهد کرد. با این حال، چالش‌ها همچنان ادامه دارد، زیرا برخی از مشتریان ممکن است انتظارات بالایی در مورد قابلیت‌های مدل‌های بزرگ داشته باشند و این امر آشکارتر می‌کند که ایجاد تعادل بین عملکرد و هزینه در استقرار عملی حیاتی است.