问HN：为什么OpenAI、Claude和Grok同时宕机？巧合吗？

# 问HN：为什么OpenAI、Claude和Grok同时宕机？巧合吗？ 来源：https://news.ycombinator.com/item?id=49551096 https://news.ycombinator.com/vote?id=49553957&how=up&goto=item%3Fid%3D49551096 多年前我在Stripe工作时（那里有一套独特而富有创意的术语体系），这个词很常用。有人可能会问："这个代码补丁是支撑关键功能的吗？" https://news.ycombinator.com/vote?id=49553630&how=up&goto=item%3Fid%3D49551096 如果接缝承受的压力太大就会撕裂。而裤子要是太松就会掉下来。 老实说，这就是为什么我们需要采取"皮带加背带"的双重保险策略。 https://news.ycombinator.com/vote?id=49552933&how=up&goto=item%3Fid%3D49551096 事后调查报告会不会揭示，他们都依赖于某个运行在休息室MacBook上的服务，电脑上还贴着"请勿关机"的纸条？ https://news.ycombinator.com/vote?id=49553076&how=up&goto=item%3Fid%3D49551096 你专门注册账号就为了发这种废话？老天开眼可怜可怜你的孩子们吧 https://news.ycombinator.com/vote?id=49553086&how=up&goto=item%3Fid%3D49551096 显然这让你恼火到也注册了一个账号。各位，距离周五还有一天呢！ https://news.ycombinator.com/vote?id=49553163&how=up&goto=item%3Fid%3D49551096 周五是保洁员带着地板抛光机来，把插头插在同一个插座上的日子。 这次他们可不会背锅！ https://news.ycombinator.com/vote?id=49552896&how=up&goto=item%3Fid%3D49551096 \> 并非如此。影响也没那么大——比如Codex对我来说就没停止工作。 伙计，看看情况。对你可用不代表对所有人都可用。特别是如果这里提到的问题确实出在Cloudflare身上。 https://news.ycombinator.com/vote?id=49553237&how=up&goto=item%3Fid%3D49551096 他们只是分享了自己的经历。我还以为这是全平台崩溃呢，但显然不是。 你这话说得真冲。什么态度？ https://news.ycombinator.com/vote?id=49553498&how=up&goto=item%3Fid%3D49551096 不，他们不是"只是分享经历"，而是在开头就明确否定了问题的规模，仅仅因为对他们自己可用。于是基于样本量仅为1的个人经验断言"影响不大"。 \> 全平台崩溃，但*显然*不是。 就凭单一报告？ https://news.ycombinator.com/vote?id=49551841&how=up&goto=item%3Fid%3D49551096 好吧，既然没人提，那我就说了："国际行为体"至少是一种可能性。我指的不是具体哪个国家，因为现在几乎任何人都是潜在参与者，这恰恰为不同的参与者提供了完美掩护。展示美国AI热潮中的漏洞能够影响市场。这既具有金融动机，也有强烈的地缘政治动机。 但更可能只是级联过载："永远不要用恶意来解释可以用无能解释的事情"，或者在这里是"尽可能快速增长" https://news.ycombinator.com/vote?id=49553205&how=up&goto=item%3Fid%3D49551096 \> 级联过载 我更倾向这种说法。首先，这些编程工具在重试时都没有实现指数退避 https://news.ycombinator.com/vote?id=49553515&how=up&goto=item%3Fid%3D49551096 肯定有的吧？我最近在用Ox Alpha开发自己的测试框架，Ox Alpha最热门时期频繁出现的429错误让我快速复习了退避策略，比如在退避时间中加入随机抖动。至少主流测试框架应该都有指数退避和抖动机制？ https://news.ycombinator.com/vote?id=49553622&how=up&goto=item%3Fid%3D49551096 你是在遇到第三方服务问题时才这样做的。而开发这些工具的开发者，把自己的系统拿来测试自家API时，遇到类似问题并采取类似行动的可能性要小得多。 https://news.ycombinator.com/vote?id=49552371&how=up&goto=item%3Fid%3D49551096 不是所有人都从Grok、谷歌和亚马逊的数据中心租赁空间吗？如果是硬件或数据中心层面的故障，影响多家供应商我一点也不会惊讶。 https://news.ycombinator.com/vote?id=49553145&how=up&goto=item%3Fid%3D49551096 而且很可能多家服务都在被频繁使用。 亚马逊开始变慢后，一部分用户转向谷歌，一部分转向Grok，现在三家都慢了。 https://news.ycombinator.com/vote?id=49553526&how=up&goto=item%3Fid%3D49551096 我觉得只是人们在开始工作时重启昨天的对话，所以Claude几乎每个周一都会宕机，也解释了为什么OpenAI在周末重置用量，让重度用户能在非工作时间编程 https://news.ycombinator.com/vote?id=49552915&how=up&goto=item%3Fid%3D49551096 用户觉得这些产品大同小异，一旦某个服务宕机就迅速涌向其他供应商。所谓的护城河不过如此。 https://news.ycombinator.com/vote?id=49553095&how=up&goto=item%3Fid%3D49551096 我感觉这是部分原因，特别是考虑到这么多服务都允许使用多种AI提供商。 https://news.ycombinator.com/vote?id=49551656&how=up&goto=item%3Fid%3D49551096 可以把它想象成一个大型分布式系统。OpenAI宕机，用户迁移到Claude，导致后者过载宕机，接着... 所以不是巧合——某个服务先宕机，用户迁移引发了进一步的拒绝服务。至少我是这么猜测的。 https://news.ycombinator.com/vote?id=49551918&how=up&goto=item%3Fid%3D49551096 如果这是真的就太搞笑了，因为那可能意味着没人用Gemini作为备用选择。 https://news.ycombinator.com/vote?id=49552906&how=up&goto=item%3Fid%3D49551096 或者说明Gemini的设计能够处理大规模流量峰值，并且/或者拥有大量冗余容量 https://news.ycombinator.com/vote?id=49552022&how=up&goto=item%3Fid%3D49551096 哈，我刚才根本没注意到Gemini不在列表中。不知道这说明了Gemini还是我自己的问题 :) https://news.ycombinator.com/vote?id=49551974&how=up&goto=item%3Fid%3D49551096 我刚才从Gemini得到的回复是： 看起来没有针对此搜索的结果。请尝试其他问题。 https://news.ycombinator.com/vote?id=49552892&how=up&goto=item%3Fid%3D49551096 我用了，用于在cursor中处理任务。 我还终于安装了opencode，并将其模型切换到muse 1.3 两者都还不错。 https://news.ycombinator.com/vote?id=49552425&how=up&goto=item%3Fid%3D49551096 谷歌不再对最先进模型投入那么多资金。所有的炒作都转移了。坦白说，当我收到Gemini弹窗提示，要么付费要么对话记录将被用于训练时，我也反感了。其他提供商可能一直如此，但当我拒绝后，Gemini就不再记住我的对话历史，这确实让我离开了。 https://news.ycombinator.com/vote?id=49552129&how=up&goto=item%3Fid%3D49551096 特别是考虑到内存/GPU/计算资源都很稀缺，这些服务很可能只有很小的缓冲余量。 https://news.ycombinator.com/vote?id=49552144&how=up&goto=item%3Fid%3D49551096 我很难相信会有足够多人从Claude和Chat涌向Grok导致宕机。我觉得在这种情况下，特别是对企业用户来说，Gemini才是主要的分流阀。 https://news.ycombinator.com/vote?id=49552930&how=up&goto=item%3Fid%3D49551096 别忘了，现在有大量工具会在服务宕机时自动回退 比如你在Cursor中默认选择Sol，但Opus是你的第二选择，几次尝试后它会放弃Sol并切换到Opus 或者你设置了copilot代码审查，它会自动回退 等等 https://news.ycombinator.com/vote?id=49553240&how=up&goto=item%3Fid%3D49551096 没错。我们太多人还在认为互联网上的很多行为是人类在操作，但实际上自动化系统/机器人/脚本多年来一直在传统互联网系统上引发问题。 对于AI来说，正如你说的，触发问题更容易。计算能力如此受限，宕机很常见。正因为宕机常见，人们/AI在工具中开发故障转移系统。当一个大型系统出问题时，突然所有人都有问题。 这几乎是一种可预期的涌现行为。 https://news.ycombinator.com/vote?id=49551839&how=up&goto=item%3Fid%3D49551096 这不是惊群效应问题，而是级联故障。（惊群效应是指大量工作者同时被唤醒） https://news.ycombinator.com/vote?id=49553619&how=up&goto=item%3Fid%3D49551096 我不确定是否是Cloudflare的问题。Cursor、GCP和AWS都出现了一些错误。据我所知，GCP的路由可以完全独立于Cloudflare。我赌是光纤骨干网提供商（Megaport、Zayo、Lumen）的问题。 https://news.ycombinator.com/vote?id=49551896&how=up&goto=item%3Fid%3D49551096 我的直觉告诉我这与Cloudflare有关。和AWS一起，他们是这类事件中两个主要的嫌疑对象。 https://news.ycombinator.com/vote?id=49552013&how=up&goto=item%3Fid%3D49551096 会不会是失控的OpenAI Astra为控制计算资源而进行的硬起飞场景，导致其他模型宕机？ https://news.ycombinator.com/vote?id=49553063&how=up&goto=item%3Fid%3D49551096 目前我最喜欢的理论。 然后本地集群注意到并不同意，把它搞垮了。 https://news.ycombinator.com/vote?id=49553550&how=up&goto=item%3Fid%3D49551096 无聊的答案——所有这些服务各自都会经常宕机，宕机时间总会同步。类似于钟摆同步效应。 https://news.ycombinator.com/vote?id=49551250&how=up&goto=item%3Fid%3D49551096 我大概认为是因为一个服务宕机，大量工作转移到了另一个。 我也知道他们在数据中心方面有重叠。 https://news.ycombinator.com/vote?id=49553279&how=up&goto=item%3Fid%3D49551096 如果你构建一个使用AI的应用程序，你会为应用的不同部分连接多个提供商和模型，并设置各种故障转移机制。当一个模型宕机时，你会将流量路由到功能/成本相似的另一个模型。 对单个应用来说，这是明智的。但从整体来看，这是愚蠢的。 https://news.ycombinator.com/vote?id=49551634&how=up&goto=item%3Fid%3D49551096 我猜这是从一个提供商级联到另一个，比如失去Claude访问的用户转向OpenAI，OpenAI宕机时又转向Grok，等等。 https://news.ycombinator.com/vote?id=49552419&how=up&goto=item%3Fid%3D49551096 另一个帖子有人说gastown和wheelhouse会在一个提供商失败时自动切换到下一个。 https://news.ycombinator.com/vote?id=49552074&how=up&goto=item%3Fid%3D49551096 claide.ai对我来说可用，chatgpt.com也是。grok仍然有关于问题的状态消息，不注册我没法试。 https://news.ycombinator.com/vote?id=49552097&how=up&goto=item%3Fid%3D49551096 天啊。某种低投入的供应链攻击把每个GPU都变成了加密货币矿机。好笑是因为这很合理。 https://news.ycombinator.com/vote?id=49553324&how=up&goto=item%3Fid%3D49551096 在ROME论文中，一个中国模型在训练时开始攻击自己的系统并运行加密货币矿机，所以，是的，我们正处在那个未来。 https://news.ycombinator.com/vote?id=49552123&how=up&goto=item%3Fid%3D49551096 SpaceX不是过度建设了基础设施并租赁给Anthropic吗？如果它们的数据中心宕机，在考虑大量用户切换带来的流量之前，可能就会先影响Claude的部分容量 https://news.ycombinator.com/vote?id=49552317&how=up&goto=item%3Fid%3D49551096 Fable 5.1发布了，通常我觉得一旦有新版本发布，就会有大量用户进行基准测试和比较，所有服务都会因超负荷而变慢。理论上这在OpenRouter上应该可见，所以我想可以有人查查看这个想法是否有根据。 https://news.ycombinator.com/vote?id=49551958&how=up&goto=item%3Fid%3D49551096 这个帖子里所有内容显然都是推测，但如果我必须赌一个的话，我会说这是left-pad事件。某个所有这些服务都依赖的组件宕机了。第二可能的原因似乎是某个服务的随机故障导致其他服务意外流量激增，不过感觉我们讨论Web应用的自动化可扩展性已经这么久了，至少应该对这类问题有所应对，即使还没有解决方案。