主要观点总结
DeepSeek因服务器繁忙而引发用户困扰，尤其在发布新的语言模型R1后。该问题在全球范围内引起关注，并导致用户对AI顶流应用如ChatGPT的使用体验下降。文章详细分析了DeepSeek遇到的问题，包括服务器中断、API不可用、用户量激增以及推理算力需求爆炸性增长等。同时，讨论了DeepSeek与其他AI产品如OpenAI的合作和对比，强调了算力储备和优化在解决这些问题中的重要性。目前，DeepSeek正寻找解决方案并尝试与云服务厂商合作以应对该问题。
关键观点总结
关键观点1: DeepSeek服务器繁忙问题引发用户困扰
发布新的语言模型R1后，DeepSeek面临服务器繁忙问题，导致用户无法正常使用其功能。全球用户都对此表示不满，并对比ChatGPT等AI应用的稳定性。
关键观点2: DeepSeek与其他AI产品的对比
与OpenAI等相比，DeepSeek在算力储备方面有所不同。DeepSeek遇到用户增长迅速的情况，对应激情况的准备时间较少。DeepSeek在某些方面采用了创新技术以降低训练成本，但与OpenAI的成熟合作模式和标准化技术有所不同。
关键观点3: 算力储备和优化是解决卡顿问题的关键
专家分析指出，算力储备和优化是解决DeepSeek卡顿问题的关键。DeepSeek需要找到降低推理成本的方法，并优化卡的输出以降低单次输出token的数量。
关键观点4: DeepSeek正在寻找解决方案并与云服务厂商合作
为解决卡顿问题，DeepSeek正在与云服务厂商合作以提供模型部署服务。同时，开发者们也在尝试提供解决方案以改善用户体验。
关键观点5: 中国AIGC产业应用峰会回顾
峰会汇集行业专家和领军企业，共同聚焦AIGC领域，探讨行业的新思路和新模式。
正文
DeepSeek-V3与R1都是一个671B的模型，模型启动过程就是推理的过程，推理时的算力储备需要与用户量相衬，比如有1亿用户量就需配备1亿用户量的显卡，不仅庞大，且与训练时的算力储备独立开来，并不相关。从各方信息看，DS的显卡和算力储备明显不足，于是频频卡顿。
这种对比让适应了ChatGPT丝滑体验的用户并不习惯，特别是他们对R1的兴趣愈发高涨的当下。
而且，仔细对比，OpenAI和DeepSeek遇到的情况是很不同的。
前者有微软做后盾，作为OpenAI的独家平台，微软Azure云服务搭载了ChatGPT、Dalle-E 2图像生成器、GitHub Copilot自动编码工具，此后，这一组合成为了云+AI的经典范式，并快速普及成为业界标配；后者虽是初创，却大部分情况下依靠自建数据中心，与谷歌类似，而不依赖第三方云计算提供商。硅星人查阅公开信息后发现，DeepSeek在任何层面都没有跟云厂商芯片厂商开启合作（虽然春节期间云厂商纷纷宣布让DeepSeek模型跑在其上，但他们并没有开展任何真正意义的合作）。
而且，DeepSeek遇到了史无前例的用户增长，这意味着它对应激情况的准备时间也比ChatGPT更少。
DeepSeek的良好性能来自其在硬件和系统层面做出的整体优化。DeepSeek的母公司幻方量化，早在2019年就花了2亿打造萤火一号超算集群，到22年就默默存储万张A100显卡，为了更高效的并行训练，DeepSeek自研了HAI LLM训练框架。业界认为，萤火集群可能采用了数千至数万张高性能GPU（如英伟达A100/H100或国产芯片），以提供强大的并行计算能力。目前萤火集群支撑了DeepSeek-R1、DeepSeek-MoE等模型训练，这些模型在数学、代码等复杂任务中表现接近于GPT-4水平。
萤火集群代表着DeepSeek在全新架构和方法上的探索历程，也让外界认为，通过这类创新技术，DS降低了训练的成本，可以仅需西方最先进模型几分之一的算力，就训练出与顶级AI模型性能相当的R1。SemiAnalysis经推算指出，DeepSeek实际拥有庞大的算力储备：DeepSeek共堆砌了6万张英伟达GPU卡，其中包括1万张A100、1万张H100、1万张“特供版”H800以及3万张“特供版”H20。
这似乎意味着R1的卡量比较充足。但实际上，作为推理模型的R1，对标的是OpenAI的O3，这类推理模型需要部署更多算力用于应答环节，但DS在训练成本侧节约的算力，与推理成本侧骤增的算力，孰高孰低，目前并不明确。
值得一提的是，DeepSeek-V3和DeepSeek-R1都是大语言模型，但运作方式有差。DeepSeek-V3 是指令模型，类似ChatGPT，接收提示词生成相应文本进行回复。但DeepSeek-R1是推理模型，用户向R1提问时，它会首先进行大量的推理过程，然后再生成最终答案。R1生成的token中首先出现的是大量的思维链过程，模型在生成答案之前，会先解释问题，分解问题，所有这些推理过程都会以token的形式快速生成。
在耀途资本副总裁温廷灿看来，前述DeepSeek庞大的算力储备是指训练阶段，训练阶段算力团队可规划，可预期，不容易出现算力不足，但推理算力则不确定性较大，因为主要取决于用户规模和使用量，相对来说弹性较大，“推理算力会按照一定规律增长，但随着DeepSeek成为现象级产品，短时间内用户规模和使用量爆炸性增长，这导致推理阶段算力需求爆炸性增长，所以出现卡顿。”
即刻上活跃的模型产品设计师，独立开发者歸藏认同卡量是DeepSeek卡顿的主因，他认为DS作为当前在全球140个市场下载量最高的移动应用，现在的卡无论如何都撑
不住，哪怕用新的卡也不行，因为“新的卡做云是需要时间”。
“英伟达A100、H100等芯片运行一个小时的成本有公允的市场价格，DeepSeek从输出token的推理成本上看是比OpenAI同类模型o1便宜90%以上，这个跟大家的计算偏差不大，因此模型架构MOE本身不是最主要问题，但DS拥有的GPU数量决定了他们每分钟最多可以生产提供的token数，即便可以把更多GPU用来做推理服务用户，而不用于预训练研究，但上限在那摆着。”AI原生应用小猫补光灯的开发者陈云飞持类似观点。
也有业界人士向硅星人提到，DeepSeek卡顿本质在于私有云没有做好。
