01、DeepSeek爆火后的算力缺口
“服务器繁忙，请稍后再试。”——这或许是DeepSeek这段时间里最常收获的答案。
DeepSeek在春节期间由于产品更新迅速走红，用户量在短时间内飙增。根据统计，DeepSeek应用上线20天，日活跃用户数（DAU）已突破2000万。这种用户量的激增带来了巨大的算力需求，导致服务器资源紧张，DeepSeek不得不暂停API服务充值以优先保障现有用户的使用体验。
随后，DeepSeek对此发表声明称，“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！”此外，DeepSeek还提到，暂停充值是为了优先保障现有用户的使用体验，并非永久性决策。
DeepSeek的暂停充值消息一经发布，便引发了用户的担忧和讨论。
02、算力缺口会有多大
这个问题恐怕很难估计，毕竟算力可以通过购买、租赁动态解决，但我们却可以通过用户量和竞品估算DeepSeek对算力的需求量以及运营时需面对的成本压力。
根据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，则DeepSeek每秒的推理算力需求为1.6×1019TOPs。在这种普通推理情境下， 假设DeepSeek采用的是FP8精度的H100卡做推理，利用率50%，那么推理端H100卡的需求为16177张，A100卡的需求为51282张。
DeepSeek有多少算力这个显然无法得知，但从“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，可大致推测DeepSeek手上的算力。
成本方面则可以参考“前辈”豆包，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支持，DeepSeek作为一家初创企业，面对这样的成本，显然需要时间来获得融资和成长。
点评：DeepSeek-R1的惊艳之处是通过重新设计训练流程、以少量SFT数据+多轮强化学习的办法，在提高了模型准确性的同时，也显著降低了内存占用和计算开销。Deepseek-R1提供了一种低成本训练的方法，而不是说只能通过低成本来进行训练。从这个角度看，“成本创新”≠“削减算力”，DeepSeek强调的始终是“性价比”的训练路径，算法创新在AI大模型发展过程中的比重或话语权变重了而已。
03、多管齐下填补缺口
早期，DeepSeek主要依赖自建数据中心，与ChatGPT背后的微软Azure云服务相比，算力储备存在明显差距，其特殊模型架构（如MOE架构）在推理阶段需要更高算力，但上线前的优化准备不足，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缓解压力是最快速有效的办法。华为云作为官方唯一合作伙伴，不仅提供大规模算力支持，还协助优化网络攻击防御和用户需求响应。
除了直接租赁算力外，DeepSeek可以与云服务商进行联合研发，针对DeepSeek的特定需求进行算力资源的优化和定制。这有助于提升算力资源的利用效率，同时降低算力成本。
而长远来看，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，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，DeepSeek在用户访问激增时动态调配算力，从而实现针对DeepSeek的特定需求进行算力资源的优化和定制。
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”。预处理速度最高达到286 tokens/s，推理生成速度最高能达到14 tokens/s。KTransformers的更新发布后，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可以解决DeepSeek算力缺口问题，而反过来，DeepSeek开源策略降低了云厂商的部署门槛，使其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。
