Daten zeigen, dass DeepSeek seit seiner Veröffentlichung innerhalb von nur 21 Tagen 22,15 Millionen täglich aktive Nutzer (DAU) verzeichnete. Damit erreichte DeepSeek 41,6 % der Nutzerbasis von ChatGPT und übertraf die 16,95 Millionen täglich aktiven Nutzer von Doubao. Damit ist DeepSeek die weltweit am schnellsten wachsende Anwendung und führt den Apple App Store in 157 Ländern/Regionen an. Während die Nutzer jedoch in Scharen strömten, griffen Hacker die DeepSeek-App unerbittlich an und belasteten die Server erheblich. Branchenanalysten vermuten, dass dies teilweise darauf zurückzuführen ist, dass DeepSeek Karten für das Training einsetzt, obwohl ihm die Rechenleistung für die Schlussfolgerung fehlt. Ein Branchenkenner erklärte gegenüber AI Technology Review: „Die häufigen Serverprobleme lassen sich leicht durch Gebühren oder die Finanzierung zusätzlicher Maschinen lösen; letztendlich hängt es von DeepSeeks Entscheidungen ab.“ Dies stellt einen Kompromiss zwischen der Konzentration auf Technologie und der Produktisierung dar. DeepSeek stützte sich weitgehend auf die Quantenquantisierung, da es kaum externe Finanzierung erhielt. Dies führte zu einem relativ geringen Liquiditätsdruck und einem saubereren technologischen Umfeld. Angesichts der genannten Probleme fordern einige Nutzer DeepSeek in den sozialen Medien auf, die Nutzungsgrenzen zu erhöhen oder kostenpflichtige Funktionen einzuführen, um den Benutzerkomfort zu verbessern. Darüber hinaus nutzen Entwickler bereits die offizielle API oder APIs von Drittanbietern zur Optimierung. Die offene Plattform von DeepSeek gab jedoch kürzlich bekannt: „Die aktuellen Serverressourcen sind knapp, und die Gebühren für den API-Service wurden ausgesetzt.“

Dies eröffnet zweifellos zusätzliche Möglichkeiten für Drittanbieter im KI-Infrastruktursektor. Zahlreiche nationale und internationale Cloud-Giganten haben kürzlich DeepSeeks Modell-APIs eingeführt – die ausländischen Giganten Microsoft und Amazon gehörten Ende Januar zu den ersten Anbietern. Der nationale Marktführer Huawei Cloud machte den Anfang und veröffentlichte am 1. Februar in Zusammenarbeit mit Silicon-based Flow die DeepSeek R1- und V3-Reasoning-Dienste. Berichten von AI Technology Review zufolge verzeichneten die Dienste von Silicon-based Flow einen starken Nutzerzustrom, der die Plattform praktisch zum Absturz brachte. Die drei großen Technologieunternehmen – BAT (Baidu, Alibaba, Tencent) und ByteDance – veröffentlichten ab dem 3. Februar ebenfalls günstige, zeitlich begrenzte Angebote. Diese erinnern an den letztjährigen Preiskampf der Cloud-Anbieter, der durch die Einführung von DeepSeeks V2-Modell ausgelöst wurde und DeepSeek als „Preisschlächter“ galt. Das hektische Vorgehen der Cloud-Anbieter spiegelt die frühere enge Verbindung zwischen Microsoft Azure und OpenAI wider. Microsoft investierte 2019 eine Milliarde US-Dollar in OpenAI und profitierte nach der Einführung von ChatGPT im Jahr 2023 davon. Diese enge Beziehung begann jedoch zu bröckeln, nachdem Meta Llama als Open Source freigegeben hatte, sodass andere Anbieter außerhalb des Microsoft Azure-Ökosystems mit ihren großen Modellen konkurrieren konnten. In diesem Fall hat DeepSeek ChatGPT nicht nur hinsichtlich der Produktbegeisterung überholt, sondern nach der Veröffentlichung von o1 auch Open-Source-Modelle eingeführt, ähnlich der Begeisterung um Llamas Wiederbelebung von GPT-3.

Tatsächlich positionieren sich Cloud-Anbieter auch als Traffic-Gateways für KI-Anwendungen, was bedeutet, dass engere Beziehungen zu Entwicklern zu präventiven Vorteilen führen. Berichten zufolge nutzten am Tag der Einführung des DeepSeek-Modells über 15.000 Kunden von Baidu Smart Cloud das Modell über die Qianfan-Plattform. Darüber hinaus bieten mehrere kleinere Firmen Lösungen an, darunter Silicon-based Flow, Luchen Technology, Chuanjing Technology und verschiedene KI-Infrastrukturanbieter, die nun Unterstützung für DeepSeek-Modelle bieten. Laut AI Technology Review bestehen Optimierungsmöglichkeiten für lokalisierte DeepSeek-Bereitstellungen vor allem in zwei Bereichen: Zum einen können die Sparsity-Eigenschaften des MoE-Modells mithilfe eines Mixed-Reasoning-Ansatzes optimiert werden, um das 671 Milliarden Parameter umfassende MoE-Modell lokal bereitzustellen und dabei hybride GPU/CPU-Inferenz zu nutzen. Darüber hinaus ist die MLA-Optimierung unerlässlich. Allerdings sind die beiden DeepSeek-Modelle bei der Bereitstellungsoptimierung noch mit einigen Herausforderungen konfrontiert. „Aufgrund der Größe und der zahlreichen Parameter des Modells ist die Optimierung tatsächlich komplex, insbesondere bei lokalen Implementierungen, bei denen das Erreichen eines optimalen Verhältnisses zwischen Leistung und Kosten eine Herausforderung darstellt“, erklärte ein Forscher von Chuanjing Technology. Die größte Hürde liegt in der Überwindung der Speicherkapazitätsgrenzen. „Wir verfolgen einen heterogenen Kollaborationsansatz, um CPUs und andere Rechenressourcen optimal zu nutzen. Dabei platzieren wir nur die nicht gemeinsam genutzten Teile der spärlichen MoE-Matrix auf CPU/DRAM für die Verarbeitung mit leistungsstarken CPU-Operatoren, während die dichten Teile auf der GPU verbleiben“, erklärte er weiter. Berichten zufolge fügt Chuanjings Open-Source-Framework KTransformers verschiedene Strategien und Operatoren über eine Vorlage in die ursprüngliche Transformers-Implementierung ein und verbessert so die Inferenzgeschwindigkeit mit Methoden wie CUDAGraph deutlich. DeepSeek hat diesen Startups Chancen eröffnet, da Wachstumsvorteile deutlich werden; viele Unternehmen berichten nach der Einführung der DeepSeek-API von einem deutlichen Kundenwachstum und erhalten Anfragen von früheren Kunden, die nach Optimierungsmöglichkeiten suchen. Branchenkenner bemerken: „In der Vergangenheit waren etablierte Kundengruppen oft an die standardisierten Dienste größerer Unternehmen gebunden und mussten sich aufgrund ihrer Größe an deren Kostenvorteile halten. Nach der Implementierung von DeepSeek-R1/V3 vor dem Frühlingsfest erhielten wir jedoch plötzlich Kooperationsanfragen von mehreren namhaften Kunden, und selbst zuvor inaktive Kunden meldeten sich, um unsere DeepSeek-Dienste vorzustellen.“ Aktuell scheint DeepSeek die Leistungsfähigkeit der Modellinferenz zunehmend entscheidender zu machen, und mit der zunehmenden Verbreitung großer Modelle wird dies die Entwicklung der KI-Infrastrukturbranche weiterhin maßgeblich beeinflussen. Könnte ein Modell auf DeepSeek-Niveau kostengünstig lokal implementiert werden, würde dies die digitale Transformation von Regierungen und Unternehmen erheblich unterstützen. Herausforderungen bleiben jedoch bestehen, da einige Kunden hohe Erwartungen an die Leistungsfähigkeit großer Modelle haben. Dies verdeutlicht, wie wichtig ein ausgewogenes Verhältnis von Leistung und Kosten für die praktische Implementierung ist.