6月22日Claude全家桶集体宕机，只是冰山一角。AISHPerf智算运维智能体评测基准给出残酷答案：主流大模型全军覆没，无一过50分。这道鸿沟，第一次被量化。

当AI从聊天玩具变成驱动千亿美金算力的「生产设备」，基础设施的稳定性已成产业生死存亡的隐形天花板。

由信通院推出、无问芯穹参与建设的AISHPerf基准，把Claude-4-sonnet等国内外主流模型扔进真实GPU集群处理生产级故障。结果综合得分全部低于50分，中等和困难任务正确率普遍不到一半。

想象凌晨三点，训练任务突现无规律性能波动，可网络、存储、硬件却全部正常。这类「幽灵故障」隐蔽、跨层栈、难复现，排查周期常长达十天半月，期间海量算力白白空转。

摩根士丹利预测，2028年全球AI基础设施累计投资将达2.9万亿美元，其中运维与闲置成本占比高达15%-20%，可优化空间超4350亿美元。

无问芯穹早在2025年10月就探索运维智能体，生产数据显示：工单处理时长缩短50%，关键故障效率提升约6倍，综合运维成本下降约30%。
http://t.cn/AXSe0lF4
与以往的「语言知识竞赛」不同，AISHPerf源自近百亿条真实运维数据，且不给根因，只告诉AI「任务卡死了，请复现并修复」。

智能体必须自主进集群、找线索、提假设、验证修复，全程还不能把机房搞炸。它考的是长链路推理、与物理设备交互，以及最关键的安全边界意识。

配套的AIops-Chaos混沌工程可软件层模拟GPU掉卡、NVLink故障、网络分区等异常，一台服务器即可实现分钟级故障编排。

测试结果令人震撼：所有模型总分低于50分，旗舰模型在中高难度任务正确率也普遍低于50%。一旦涉及硬件故障，正确率偏低而Token消耗反而更高。

失败模式有三：生成不符合调用规则的Token、推理治标不治本、执行高风险操作导致环境崩溃。这不是不够聪明，而是还没学会在物理世界负责任地行动。

一个更深的洞察是：当前大模型与人类运维专家的技能高度正交。模型擅长广度检索与假设生成，人类则在硬件直觉与安全决策上占优。

未来最优解或许不是替代，而是「模型快速探索＋人类深度把关」的混合范式。该基准还覆盖天数、壁仞、沐曦、摩尔、昇腾五种国产芯片，填补国产智算运维评测空白。

凌晨三点，机房依旧亮着灯。只是终有一天，守夜的不再只有人类。