OpenAI、Claude 與 Grok 同時發生故障

多供應商 AI 故障概述

幾項領先的 AI 平台同時遭遇服務中斷，包括 OpenAI、Claude (Anthropic) 與 Grok (xAI)。雖然最初的推測指向廣泛的 DNS 或 Cloudflare 問題，但證據顯示根本原因集中在實體運算基礎設施上。

此次中斷的主要原因是位於 Memphis 的 xAI 運算中心發生故障。xAI 正式承認了此事件，並表示：

我們對於您在今天早上我們的 Memphis 運算中心發生故障後，在使用 Grok 時可能遇到的問題深表歉意。我們也想向受影響的運算合作夥伴致歉。

這份聲明確認了 Memphis 設施不僅為 Grok 提供運算資源，也為其他「運算合作夥伴」提供資源，這解釋了為什麼多個獨立的 AI 供應商會同時經歷故障。

除了實體基礎設施故障外，社群分析指出，當使用者在平台之間遷移時，發生了次級的「連鎖」效應。這種現象被稱為「驚群效應」(thundering herd) 問題，發生在大量使用者同時將工作負載轉移到備援供應商時。

觀察者注意到，當一項服務（例如 OpenAI）變得無法使用時，使用者會遷移到 Claude 或 Grok 等替代方案。這種流量的突然激增很可能導致剩餘的功能性服務超載，進而導致隨後的容量限制與 503 錯誤。

技術討論強調，許多整合 AI 的應用程式使用自動化路由來在供應商故障時切換供應商。正如一位使用者所言：

如果你開發一個使用 AI 的應用程式，你會為應用程式的不同部分配置許多供應商與模型，並設有多種備援機制。當一個模型停機時，你會將流量路由到另一個在能力/成本上相似的模型。總結來說，這很愚蠢。

這種自動化加速了流量的轉移，潛在性地將單一供應商的故障轉化為整個 AI 生態系統的系統性故障。

在事件期間，提出了幾種理論來解釋同時停機的現象：

Cloudflare/DNS 問題： 許多使用者因 Downdetector 上的錯誤報告而懷疑 Cloudflare 或 AWS。然而，一些報告指出 Cloudflare 否認在該期間發生了故障。
地理限制： 法國的部分使用者報告服務仍然可用，這表明問題可能集中在以美國為基礎的數據中心。
模型發佈： 有推測認為「Fable 5.1」的發佈導致基準測試流量激增，進而使服務超載。
地緣政治參與者： 有人理論化認為國際參與者針對 AI 熱潮進行操作以移動市場，儘管這在很大程度上被基礎設施故障的說法所駁回。