一句话定义
模式崩溃（Mode Collapse）是AI 词典：生成对抗网络">生成对抗网络（Generative Adversarial Network, GAN）训练中的典型失败模式：生成器（Generator）不再覆盖训练数据的多种形态，只反复输出少数几类样本，甚至同一个样本，却能靠这些输出骗过判别器（Discriminator）。
它是怎么发生的
GAN 里有两个角色：生成器负责造假样本，判别器负责分辨真假。理想情况下，生成器会被逼着学会整个数据分布——猫有各种姿势、颜色、背景。但生成器的目标不是“还原真实世界”，而是“让判别器打高分”。
一旦它发现某几种样本特别容易蒙混过关，就会把所有随机输入都映射到那一小块区域。打个比方：一个学生发现考官只考一道题，于是把这道题的答案背得滚瓜烂熟，其他内容一概不学。判别器也很为难——这些样本确实像真的，只是翻来覆去就那几张脸。
训练还会来回“打地鼠”：判别器逐渐识破当前这批样本，生成器就跳到另一小撮样本上，过一阵再跳回来。结果是损失曲线看着还行，生成结果的多样性却极低。
和相邻概念的区别
| 概念 | 发生场景 | 核心问题 | 表现 |
|---|---|---|---|
| 模式崩溃 | 单次 GAN 训练的动态过程 | 生成器找到判别器漏洞，放弃覆盖全部分布 | 输出种类极少、重复度高 |
| 模式丢弃（Mode Dropping） | 同上，常被混用 | 只覆盖部分数据模式 | 某类样本完全生成不出来 |
| 过拟合（Overfitting） | 监督学习等 | 记住训练样本而非学规律 | 生成结果接近训练集，泛化差 |
| 模型崩塌（Model Collapse） | 用模型生成数据训练后代模型 | 数据生态被自身输出污染，分布尾部消失 | 跨代退化、整体同质化 |
最容易混淆的是模型崩塌（Model Collapse）。它不是 GAN 训练内部的优化故障，而是“用 AI 产出的数据去训练下一代 AI”引发的跨代问题：真实数据的多样性被一轮轮稀释，罕见样本先消失，模型越来越像自己。模式崩溃是“这一次训练没学好”，模型崩塌是“几代之后整个数据环境变窄了”。前者靠改训练方法缓解，后者要靠数据治理和真实数据配比。
对从业者和普通人的意义
做模型的人别只看一个总分指标。衡量生成质量时，除了看“像不像”，还要看覆盖率、类别分布、最近邻重复率等多样性信号；训练侧常见的缓解方向包括小批量判别、Wasserstein 损失、谱归一化、经验回放等，具体实现和参数以论文与官方代码为准。
做产品的人要意识到：推荐、文案、配图一旦“怎么刷都一个味”，用户感知到的就是模式崩溃式的同质化。这时多样性约束和人工抽检比再调一版模型更管用。
普通人看到“AI 画来画去就那几张脸”，那就是模式崩溃最直观的版本；但如果整条内容生态互相训练、越练越窄，那是模型崩塌，别把两个词混着用。