越简单的AI模型，越扛不住真实世界的流量

AI圈里有种迷思：能 scale 的东西一定得简单，甚至越简单越好扩。牛皮吹爆了。

可扩展性和简单性压根不搭边。真要把系统扛住十倍数据、百倍用户，靠的不是砍功能，而是往里塞更多严谨设计。

SVM、kNN、随机森林，这些课本里的入门模型，代码短、概念清，看着人畜无害。但数据一翻倍，训练时间直接起飞，内存咔嚓爆掉——我试过拿 kNN 跑百万级日志，完蛋，文件名果然都是乱码。

它们的“简单”只活在 Jupyter Notebook 里。一旦撞上真实世界的并发洪流或长尾分布，结构性短板立马露馅。

一个能线性扩容的服务，背后藏着分片策略、状态同步、异步队列和一堆容错兜底；而你那个20行的单线程脚本，连第二个用户都伺候不了。

可扩展从来不是省出来的，是堆出来的——堆机制、堆判断、堆对失败场景的预判。起点不是“怎么简化”，而是“它会在哪一步死掉”。