随着网络规模数据的激增，生成式人工智能（GenAI）取得了显著进展，已在多个行业落地。实践者开始利用 AI 合成的数据来训练下一代模型，这在一定程度上缓解了真实数据日益紧缺的压力。然而，模型与合成数据形成的自我消费循环会导致模型崩塌（Model Collapse），进而削弱生成式 AI 的可信度。近年来，研究者陆续揭示了模型崩塌的表现形式，包括生成质量下降、分布漂移以及对抗性漏洞等，并提出了多种缓解策略，如数据多样性增强、模型正则化、对抗训练以及混合真实‑合成数据的训练方案。不同应用场景下的实验表明，这些对策在一定程度上能够延缓或抑制崩塌趋势，但仍面临评估标准缺失、跨模态迁移不稳以及大规模部署成本高等挑战。本文系统梳理了已有工作，归纳了技术路径，并指出未来需要在理论分析、评估基准以及可解释性方面开展深入研究。博主点评：模型崩塌是生成式 AI 规模化应用的潜在瓶颈，只有在数据治理与模型设计上同步发力，才能真正实现可持续的智能系统。