OpenAI 转 Rust 的消息这两天在开发者圈刷屏:据 IT 之家报道,OpenAI 官方发文介绍了其在线存储平台 Habitat 从 Python 迁移到 Rust 的工程实践,迁移后 CPU 效率提升约 6 倍。这个平台支撑着 ChatGPT 每周超 10 亿用户、每秒 7000 多万次请求,相当于 OpenAI 的「数据中枢」。
下面用大白话讲清楚:Habitat 到底是什么、OpenAI 为什么放弃 Python、这事对你用 ChatGPT 有什么影响,以及开发者能从中抄到什么作业。
OpenAI Habitat 是什么?管什么用?
简单说,Habitat 是 OpenAI 的在线存储平台,负责给 ChatGPT 等产品存取数据。你的聊天记录、设置、文件等数据,背后都要经过这类系统读写。
它在 2024 年还只是一个 Python 客户端库,底层连接 Azure Cosmos DB。目标很朴素:让产品工程师不用直接管数据库,就能完成数据存取。
这个库包揽了一堆杂活,包括:
- 数据类型识别与序列化
- 请求路由和授权校验
- 数据加密
- 数据库连接池管理
随着 OpenAI 产品变多、数据量暴涨,Habitat 已经从一个小库长成支撑全系产品的分布式存储系统。按官方公布的口径,它目前的规模是:
- 每秒处理超过 7000 万次请求
- 每周服务超 10 亿用户
- 管理的数据规模超过 500PB
你可以把它理解成 ChatGPT 的「记忆仓库 + 快递分拣中心」:量小的时候我不到它,量一大,它稍微卡一下,全站都得跟着抖。
OpenAI 为什么要把 Habitat 从 Python 迁到 Rust?
原因有两层:架构撑不住了,语言也不够用了。
先看架构。Habitat 最初是嵌在各个服务里的共享库,到 2025 年年中,问题开始暴露:每次修改这个共享库,都要协调数十个服务一起部署。发布变得又慢又险,一个改动没配合好,故障风险就上去了。
所以 OpenAI 第一步是把 Habitat 拆成独立服务,集中管理部署、监控和平台功能。独立服务还带来一个好处:数据安全有了统一控制点,访问控制、审计日志、底层存储权限都能收口管理,降低外部、内部甚至代理程序未经授权访问用户数据的风险。
再看语言。据报道,OpenAI 最初选 Python 是故意的——优先保证平台稳定性和产品开发效率,先跑起来再说。但到每秒几千万次请求的量级,Python 在 CPU 效率上的短板就成了真金白银的成本。Rust 是编译型语言,没有垃圾回收停顿,还能在编译期保证内存安全,正好补这块短板。
一句话总结:不是 Python 错了,是规模到了该换工具的时候。
迁移 Rust 后效果怎么样?一组数据看懂
按 OpenAI 官方发文的说法,这次重写最亮眼的成绩是 CPU 效率提升约 6 倍。这意味着同样多的请求,需要的服务器资源大幅下降,对每周服务 10 亿用户的平台来说,省下的算力成本非常可观。
除了性能数字,架构层面的变化同样关键:
| 对比项 | 迁移前(Python 共享库) | 迁移后(Rust 独立服务) |
|---|---|---|
| CPU 效率 | 基准水平 | 提升约 6 倍(官方口径) |
| 架构形态 | 嵌在各服务里的客户端库 | 独立部署的存储服务 |
| 发布方式 | 改一处要协调数十个服务 | 集中部署、统一监控 |
| 数据安全 | 权限分散在各服务中 | 统一访问控制与审计日志 |
需要提醒的是,「6 倍」是 OpenAI 在自家特定场景下的 CPU 效率数据,不代表随便一个 Python 项目换成 Rust 都能快 6 倍。具体收益取决于业务类型,以官方公布口径为准。
对你用 ChatGPT 有什么实际影响?
先说好消息:后端存储效率提升,理论上会让 ChatGPT 在高峰期更稳,转圈、卡顿的情况有望减少。数据安全方面,统一的访问控制和审计日志,也意味着你的聊天记录被越权访问的风险更低。
但也别期待一夜起飞。你实际感受到的快慢,还取决于网络环境、前端渲染、模型推理排队等一堆因素,存储层只是其中一环。如果你平时遇到的是登录不上、打不开,那多半和服务或网络有关,可以按ChatGPT 登录不上的常见原因与排查方法逐项检查。
大家关心的价格问题:CPU 效率提升 6 倍,等于单位服务成本下降,理论上为「不涨价」甚至未来留降价空间。但会员定价完全由 OpenAI 说了算,目前没有调价消息,以官方为准。想了解现在的行情,可以看ChatGPT 充值多少钱?2026 最新价格一文,国内用户用常用支付方式也能开通。
对普通用户的结论:什么都不用做,正常使用即可,这次迁移是后台工程,不需要你升级或重新注册任何东西。
Python 和 Rust 怎么选?开发者能学到什么
这个案例最有价值的地方,是 OpenAI 自己的路径:2024 年先用 Python 快速把平台跑起来,2025 年发现瓶颈,再果断换 Rust。先求跑通、再求跑快,这个节奏值得每个团队参考。
两种语言的适用场景大致可以这样分:
- Python 适合:原型验证、AI 应用层、数据处理脚本、需要快速迭代的业务
- Rust 适合:高吞吐、低延迟、对 CPU 和内存敏感的基础设施,比如存储、网关、代理
对个人开发者来说,学 Rust 的门槛确实比 Python 高,但在基础设施方向是明显的加分项。如果你主要做 AI 应用,Python 依然是主流,不用慌。
另外一个现实是,现在大量代码本来就是 AI 辅助写的,选对工具比纠结语言更影响效率。正在纠结编程助手的话,可以参考哪个 AI 写代码最好?Cursor、Claude、ChatGPT 怎么选这篇实测对比。
注意:别看了新闻就盲目重写系统
每次大厂公布重写成果,总有人想给自家项目也来一遍。这里泼几盆冷水:
第一,重写成本极高。OpenAI 是在每秒 7000 万次请求的规模下,6 倍效率才足以覆盖重写的人力与风险。小团队日请求量可能还没人家零头多,盲目重写往往得不偿失。
第二,「6 倍」不是通用数字。它是特定负载下的 CPU 效率提升,你的业务如果是 IO 密集型,换语言可能感知甚微。先 profiling 找瓶颈,再决定动哪里。
第三,别把后端优化当万能药。国内用户访问 ChatGPT 卡不卡,更多取决于网络环境和账号状态,不是 OpenAI 换个语言就能解决的。
最后说明:本文数据来自 OpenAI 官方发文及媒体报道,细节以官方为准。信息来源:IT之家。
信息来源:www.ithome.com。本文为基于公开资讯的原创整理与解读,非原文转载。