深夜写字楼里还亮着的几扇窗，多半不是人在加班

凌晨两点，城市安静下来，写字楼只剩零星几扇窗亮着。里面没有人。服务器在运转，冷却风扇低声嗡鸣，指示灯规律闪烁。这些机器不需要睡觉，也不会抱怨加班。它们处理着白天积累的数据，跑完最后一轮模型训练，或者只是维持某个系统的正常响应。靠窗那层是家做图像识别的公司，机柜里几十张显卡正把一批医学影像逐张过一遍。隔壁那扇亮着的是金融公司的风控集群，每一笔深夜交易都要在几毫秒内判断风险。这些窗子亮着，说明城市里有一批机器在替人值夜班。

算力这件事，十年前还是实验室里的稀缺品。训练一个像样的神经网络，得排队等学校的集群空闲。现在不一样了。云服务把计算切成小块卖，按小时计费，谁都能租。小团队花几百块钱就能跑一次实验，大公司则直接包下整片机房。算力变得像水电，拧开就有。这种变化带来的结果很直接：想法到验证的距离缩短了。以前一个算法改进要等几周才能看到结果，现在当天就能迭代三四轮。那些深夜亮着的窗，其实是算力在持续输出。

数据是另一条线。城市里每个摄像头、每笔刷卡记录、每次手机定位，都在往某个数据库里写。单看一条没什么用，攒起来就能看出规律。交通部门用浮动车数据判断拥堵，电商用浏览记录推荐商品，医院用病历数据辅助诊断。这些事以前也有人做，靠抽样和问卷，慢且粗。现在全量数据实时进来，模型能捕捉到以前看不见的细节。比如某条路每到周五晚高峰就堵，原因不是车多，是附近商场停车场出口设计有问题。这种结论靠人工排查得花几个月，数据跑一遍就出来了。

算法本身也在变。早年的程序是人写规则，if这样then那样，逻辑清楚但脆。后来换成统计学习，让机器从数据里找模式，效果好了，可解释性差了。再往后是深度学习，层数堆上去，能力涨得快，但训练成本也高。现在有些方向在往回找平衡，比如把先验知识嵌进模型，或者用更小的网络做同样的事。这些进展不像发布会上的演示那么热闹，但正是它们让技术能真正落地。一个推荐系统响应时间从两百毫秒降到五十毫秒，用户感觉不到，可转化率会变。

技术落到日常里，往往是悄无声息的。手机地图告诉你前方事故，建议绕行，你不会去想背后是实时路况加路径规划。医院里拍完片子，医生在屏幕上圈出可疑区域，那是模型先筛过一遍。工厂流水线上摄像头盯着产品表面，有划痕就报警，工人不用再盯着看一整天。这些应用没有统一的名字，也不上新闻，但它们确实在改变做事的方式。效率提上去之后，人的角色跟着变。原来靠经验判断的活，现在变成处理异常和做决策。

天亮之前，那些窗子会一盏一盏灭掉。机器跑完任务，进入待机，等下一个夜晚。城市醒来，人接着用那些结果。技术没有替人做决定，它只是把重复的、枯燥的、需要盯着看的部分接过去。剩下的判断、权衡、拍板，还是人的事。那些深夜亮着的窗，说到底是在替人省时间。省下来的时间拿去干什么，机器不管。