此刻盯着屏幕，心里头那块写着“我是哪位”的石头，跟昨天下午在房间练麦克风时的心情一模一样，都是那种心里慌得慌，手脚都不知道往哪儿放的感觉。
这就是我们常说的“做一行学一行”带来的真体感，它不像看《深度学习原理》那么体面，也不像看《Python 编程入门》那么省事，更多时候，它带着点迟钝的踏实，带着点被技术碾压后的战栗。 刚接触过人工智能的时候，我最大的错觉就是认定这东西离生活忒遥远了。
那时候总当作 AI 就是那种神叨叨的怪兽，能凭空从一堆乱码里蹦出答案。可真正上手后才发现，它不过是无数个好办的规则堆砌出来的“傻大粗”。就像我早期写的第一个小模型，像个没受过教育的เด็กน้อย，代码写出来能跑通，但一旦略微改动几个参数，估摸得炸锅，连个“谢”都发不出来。
那时候最大的成就感，不过是看着终端里 `print("Hello World")` 那行字稳稳地执行，那一刻认定自己像个“黑客”，把一条死水里的鱼给钓了上来。
这种“钓鱼”的成就感，实际上挺迷人的，毕竟在技术面前，被驯服才是常态。 后来随着项目进入深水区，那种“钓鱼”的感觉慢慢变成了“抓鱼”，再后来，干脆就是“猥琐地摸鱼”。
那时候写代码，就像是在玩泥巴，有时候理思路，有时候改代码。记得有一次做自然语言处理的预处理模块，本来只想做个好办的分词加下标，结局发现不同语境的句子，词和词之间的关系简直就比猫和老鼠还扑朔迷离。为了搞清楚“猫”在“老鼠”前面还是后面，我得半夜起来念《三国演义》，翻《红楼梦》，还要去翻字典，就连找来了语言学系的老师喝西北风，告诉他：“老师，我卡死了，这是‘猫’还是‘老鼠’？”那一刻我突然意识到，AI 不是天才，它只是比人更精通在有限的算力里，通过海量的数据去拟合那些复杂的规律。它不是灵光一闪，而是像复印机一样，把成千上万篇书里关于“猫”的描述，全体复印了一遍，然后给你反馈：“哦，原来‘猫’前面加了‘老鼠’这个条件，它就变成了‘猫’。”原来，所谓的“智能”，不过是海量数据的后天习得。 这种习得的过程，确实没有教科书上写得那么顺畅。我们常说要“从 0 到 1"，但在我看来，0 到 1 往往是从 1 到 0，是反复的、折腾的。
有时候改个参数，效果突然就不中了，不是报错，而是“行为不对”。就像我之前写的文本分类器，明明理得挺清楚，结局分类结局全是错的，准率掉到个位数。我当时就崩溃了，认定自己是不是脑子进水了。
直到后来去查资料，发现是训练数据里的过滤条件忒苛刻，害得学习到的模型偏向于极端的类别。
那一刻我突然明白，AI 不是天生智慧，它只是对数据忒宽容，对毛病忒纵容。它越学，数据越多，那个“学习”的过程就越像是一个庞大的、反直觉的“遗忘”过程，出于它被海量的噪音淹没了。 这种反直觉的“遗忘”，在代码的迭代中表现得尤为明显。我们总当作写了代码就对了，可现实是，代码往往是要不断修改的。就像我之前的训练模型，每次微调都像是在和一台不知疲倦的机器辩论。
有时候它是对的，有时候它是错的，我们全拿着放大镜找茬，直到终于凑出一个结局。在这个过程中，我亲眼见证了人类知识的筛选机制。我们故意把那些“毛病”的数据扔给它，逼它去学那些“对”的逻辑，然后看着它一点点纠正自己的认知偏差。
这时候，它不再是原来的那个模型，它长成了我们想要的样子。 这种长期的“做一行学一行”，并没有带来想象中的“未来已来”的科幻感，反而带来了一种深深的“幸存者偏差”焦虑。
看着那些在实验室里跑得飞快、能解决亿级用户难题的模型，再看看自己手里那些还在调试阶段的模型，心里难免会打鼓。我们是不是忒傲慢了？当作掌握了核心算法就能掌控一切。可现实是，算法的终点压根儿不是模型本身，而是数据。数据在变，环境在变，算法的权重也在变。昨天的“最优解”，可能是明天的“最优解”的反义词。 故此，做一行学一行，最深刻的感悟就是：别指望靠“懂原理”就能轻易“懂应用”。原理只是骨架，数据才是血肉，而应用才是呼吸。就像我写的这个打字评测模型，启动当作是好办的输入输出，后来才发现，它得跟每个用户的习惯、每个键盘的布局、就连每个手指头的细小震动去博弈。
这不是好办的规则，这是跟人的本能去谈判。 在这种过程中，我也发现了一点挺丧也挺确实事件：我们实际上是在用一种“做给老板看”的效率去换取“做给未来看”的孤独。我们拼命地写代码、调参数，是为了在面试时能展示出一个“我能搞定这个任务”的样子，而不是真正地去理解这个任务背后的逻辑。
这种割裂感，有时候比代码报错还让人难受。我们像是在造飞船，却只顾着看仪表盘上的数字，却忘了抬头看看星空。 但好在，这种焦虑感也带来了某种新的动力。
既然知道终点是不清楚的，过程是充满未知的，那就干脆把过程做扎实。
哪怕每次改代码都像是在跟魔鬼谈判，哪怕每一个参数的调整都像是在做俯卧撑，但只要代码能跑通，只要数据能跑通，这种感觉就充足踏实。就像我后来做的一个情感分析模型，为了搞清楚“来气”这个词到底该用啥样的词去匹配，我去读了几本心理学教材，看了无数篇情感分析的文章，最终才写出了一个能准识别用户情绪波动幅度的模型。
那一刻，那种“豁然开朗”的感觉，不是出于突然通了，而是出于终于弄懂了人心里到底在想啥。 AI 的发展，本质上就是人类不断重新定义“智能”的过程。它不是要取代我们，而是要把我们从那些重复、低效的劳动中解放出来，让我们去创造那些无法被量化、无法被复制的价值。就像我写的这个好办的情感模型，别看看起来只是几个统计规则，但它能帮别人理解人的心情。
这就是代码真正的力量，不是冷冰冰的算法，而是人与人之间那些温热的连接。 在这种连接里，我们才能真正感受到“一行学一行”的意义。它不是为了炫耀技术有多牛，而是为了在每一次与数据的纠缠中，更深刻地理解那个正在变化、正在被我们不断重塑的世界。我们不是在对抗 AI，我们是在和 AI 一起，学习如何在这个复杂的世界里，找到那个略微靠谱一点的解决方案。 毕竟，能自己写代码的人，一辈子比只会调用 API 的人更有尊严。出于代码写出来，代表的是思索；API 调用了，代表的是等待。
或许某一天，所有的模型都差不多，所有的数据都差不多，唯独那些鲜活的、带着体温、带着思索的、能真正理解“人”的代码，是会一辈子留在我们手里的。
那时候回头看，会发现这一路，别看狼狈、别看曲折，别看充满了“做一行学一行”的迟钝和痛苦，但确凿无疑地，是我们自己亲手种下的树。 故此，别怕犯错，别怕数据跑不通。
那些报错信息，那些调试日志，那些深夜里的叹息，都是成长路上最真的脚印。它们证明我们走得挺远，但也正是这些脚印，让我们终于学会了如何站在原地，看着前面那个从未暂停奔跑的世界。


相关标签：