ChatGPT崩了

千问你好会阴阳噢

结合近期发生的大规模故障事件来看，ChatGPT频繁宕机已经不仅仅是偶发的网络波动，而是暴露出了一些深层次的系统性问题。我们可以从以下几个核心维度来剖析它为什么会“崩”：

1. 用户量激增与算力扩容的“剪刀差”随着ChatGPT手机端月活用户突破10亿，以及企业版、Codex编程助手等新功能的快速扩张，海量用户的并发请求（尤其是长文本、代码生成等高负载任务）让服务器利用率飙升。然而，基础设施的弹性扩容速度往往跟不上用户爆发式增长的步伐，导致局部过载迅速扩散为全局中断。

2. 底层架构的“单点故障”与级联崩溃ChatGPT网页版、开发者API以及Codex虽然表面上是独立的产品线，但它们实际上共用同一套底层基础设施（如登录鉴权、缓存层、路由模块等）。这就好比一栋大楼共用水电管网，一旦作为“总闸”的协同节点（如缓存与登录模块）发生拥堵或崩溃，就会导致所有服务同时“窒息”停摆。

3. MoE架构在高并发下的调度瓶颈为了平衡性能与成本，当前主流大模型普遍采用MoE（混合专家）架构。在这种架构下，高并发场景对调度能力的要求极高。如果路由器不能在毫秒内为请求合理分配专家节点，或者缺乏完善的弹性限流机制，就容易引发“调度拥堵”，导致整条推理链条发生连锁阻塞。

4. 新功能上线与灰度部署的风险新模型（如GPT系列迭代）的发布或静默升级往往伴随着巨大的流量涌入。如果新功能的用户量远超预期，或者灰度测试不够完善，极易引发连锁反应。例如，此前在开发者大会宣布新功能后，就曾因使用量远超预期导致服务器崩溃近两小时。

5. 复杂的外部网络与安全因素除了内部技术瓶颈，外部因素同样不可忽视。例如，遭受DDoS（分布式拒绝服务）攻击导致的异常流量，或是上游基础设施提供商（upstream provider）出现故障，都会直接导致服务瘫痪。

总而言之，当AI从早期的“玩具”逐渐变成人们日常依赖的基础设施时，其系统稳定性正面临着前所未有的考验。这也是为什么现在很多专业用户开始养成“多模型并行”的习惯，以防止因单一平台宕机而导致工作流中断。