DeepSeek日活破2000万背后的算力隐忧

DeepSeek爆火后出现的算力缺口问题展开。首先讲述了DeepSeek走红后用户量激增带来算力需求大增，导致服务器资源紧张，从而暂停API服务充值的情况。接着尝试对算力缺口大小进行估算，通过用户量和竞品等因素进行分析。最后探讨了从短期到长期多管齐下填补算力缺口的办法，包括与云服务商合作以及技术突破等方面的内容。

01

DeepSeek爆火之后，出现了明显的算力缺口。

“服务器繁忙，请稍后再试。”这可能是DeepSeek在这段时间里，用户最常得到的回应了。

DeepSeek在春节期间，凭借产品的快速更新迅速走红，其用户数量在极短的时间内急剧飙升。据统计，DeepSeek应用上线仅仅20天，日活跃用户数（DAU）就已经突破了2000万。这样庞大的用户数量的迅猛增长，无疑带来了巨大的算力需求。这使得服务器资源变得极为紧张，以至于DeepSeek不得不暂停API服务充值，优先保障现有用户的使用体验。

随后，DeepSeek发表声明称：“当前服务器资源紧张，为避免对您造成业务影响，我们已暂停API服务充值。存量充值金额可继续调用，敬请谅解！”并且还提到，暂停充值只是为了优先保障现有用户的使用体验，这并非是一个永久性的决策。

DeepSeek暂停充值的消息一经公布，就引发了用户的担忧和广泛的讨论。

02

那么，这个算力缺口到底会有多大呢？

这其实是一个很难精确估计的问题，毕竟算力可以通过购买或者租赁等动态方式来解决。不过，我们能够根据用户量和竞品等情况，来估算DeepSeek对算力的需求量，以及其在运营时需要面对的成本压力。

按照国泰君安证券分析师舒迪、李奇的测算，假设DeepSeek的日均访问量为1亿次，每次提问10次，每次提问的回复用到1000个token（1000个token大概对应750个英文字母），那么DeepSeek每秒的推理算力需求为1.6×1019TOPs。在这种普通推理情境下，如果假设DeepSeek采用的是FP8精度的H100卡做推理，利用率为50%，那么推理端H100卡的需求为16177张，A100卡的需求为51282张。

我们无法确切得知DeepSeek拥有多少算力，但是从“DeepSeek - V3模型在训练过程中使用了2048张H800 GPU，这些GPU的总计算能力为3.97 exaFLOPs（3.97百亿亿FLOPs）”“DeepSeek母公司幻方量化作为国内的私募资产管理巨头，早在2021年便储备了超过1万块英伟达A100/H100 GPU集群”等新闻线索中，能够大致推测出DeepSeek手上的算力情况。

在成本方面，可以参考“前辈”豆包。有机构预计豆包在2025年的MAU有望接近ChatGPT达到2亿，并针对这个用户量对豆包大模型算力需求（非字节全部业务算力需求）对应产业链各环节需求进行了测算。

豆包背后有字节跳动的支持，而DeepSeek作为一家初创企业，面对这样的成本，显然需要一定的时间来获得融资并成长。

点评：DeepSeek - R1的出彩之处在于，它通过重新设计训练流程，采用少量SFT数据、多轮强化学习的方法，在提高模型准确性的同时，还显著降低了内存占用和计算开销。Deepseek - R1提供的是一种低成本训练的方法，但并不是只能通过低成本来进行训练。从这个角度来看，“成本创新”并不等同于“削减算力”，DeepSeek始终强调的是“性价比”的训练路径，只是算法创新在AI大模型发展过程中的比重或者话语权变得更重了而已。

03

多管齐下填补算力缺口

早期，DeepSeek主要依靠自建数据中心，与ChatGPT背后的微软Azure云服务相比，其算力储备存在显著的差距。它的特殊模型架构（如MOE架构）在推理阶段需要更高的算力，但是在上线之前的优化准备不足，导致资源占用过高。

短期来看，DeepSeek联合云服务商（如华为昇腾云、腾讯云）提供算力支持等方式来缓解压力是最为快速有效的办法。华为云作为官方唯一合作伙伴，不仅能够提供大规模的算力支持，还能够协助优化网络攻击防御和用户需求响应。

除了直接租赁算力之外，DeepSeek还可以与云服务商进行联合研发，针对DeepSeek的特定需求对算力资源进行优化和定制。这有助于提高算力资源的利用效率，同时降低算力成本。

从长远来看，技术突破才是解决算力缺口最有效的手段。DeepSeek可以与云服务商进行联合研发，借助云计算的弹性扩展能力，在用户访问量激增的时候动态调配算力，从而实现针对DeepSeek的特定需求对算力资源进行优化和定制。

前不久，清华大学KVCache.AI团队联合趋境科技发布的KTransformers开源项目公布更新：一块24G显存的4090D就可以在本地运行DeepSeek - R1、V3的671B“满血版”。预处理速度最高能够达到286 tokens/s，推理生成速度最高能达到14 tokens/s。KTransformers更新发布之后，不少开发者也纷纷在自己的设备上进行测试。他们惊喜地发现，本地运行完全没有问题，显存消耗甚至比github里的技术文档中提到的还要少，实际内存占用约380G，显存占用约14G。

点评：从云计算到本地部署，相信多种途径并行一定能够解决DeepSeek的算力缺口问题。反过来，DeepSeek的开源策略降低了云厂商的部署门槛，使云厂商能够快速整合模型能力。金山云、优刻得等通过开源模型轻松部署“杀手级应用”，同时反哺DeepSeek的算力需求。国产算力厂商（如华为昇腾）与DeepSeek适配，最终推动“国产算力 国产大模型”的闭环生态，加速云计算国产化进程。

本文总结了DeepSeek爆火后出现算力缺口的情况，包括因用户量激增而暂停API服务充值。还探讨了算力缺口大小的估算方式，从不同方面分析了DeepSeek对算力的需求和面临的成本压力。最后阐述了填补算力缺口的多种方法，如短期与云服务商合作、长期技术突破等，并且提到DeepSeek的开源策略对云厂商和整个生态的积极影响。