第七次人口普查数据出来了，14.11亿。这个数字砸过来，我第一反应不是人口结构，而是“妈的，这背后得有多少脏活累活”。去年，就栽在一个跟数据沾边的项目上，现在想起来胃都抽筋。
客户是南方一个地级市的统计口下属单位，需求听起来巨简单：把历年堆积的纸质普查表扫描件，变成结构化的Excel。我们团队当时刚接了几个政府单子，有点飘，觉得这就是OCR+规则引擎，洒洒水。我亲自带队，用Python+Tesseract搭了个框架，为了处理模糊、倾斜、盖章覆盖的图片，还上了图像预处理和对抗样本训练，自研的识别引擎准确率在测试集上刷到了98.7%。团队那帮小孩兴奋得不行，觉得技术碾压。
结果呢？交付那天就是噩梦的开始。客户那边操作的是几个平均年龄45岁以上的大姐，我们精心设计的批处理脚本，对她们来说就是天书。一个文件夹拖拽的路径问题，就能卡住一上午。她们真正焦虑的不是那1.3%的识别误差，而是“这表扫不完明天上级就要通报批评”、“系统里有个字段对不上，整个街道的数据都要打回来重做”。我们引以为傲的算法，在她们生存级的 deadline 压力和僵化的行政流程面前，脆弱得像张纸。
我记得最清楚的一个场景，为了帮一个大姐找回她误删的一个中间文件，我远程连过去，在层层叠叠的文件夹里翻了半小时。那一刻我盯着屏幕上跳动的光标，感觉自己像个修电脑的。代码写得再牛，封装得再漂亮，用户一爪子下去就回到原始社会。我们提供了“核弹”，但客户连怎么安全地划燃火柴都害怕。
这个项目最后尾款拖了半年，算上人力几乎没赚钱。但比亏钱更伤的是那种无力感，技术人的傲慢被现实按在地上摩擦。你没法跟客户说DOM树解析多优雅，多线程效率多高，她们只关心今天下午5点前能不能交差。
所以看到14.11亿这个数，我立刻想到的是这背后有多少类似的、未被技术“友好”触碰的流程。红利从来不在技术本身，而在技术怎么蹲下来，适应那些粗糙、保守、但体量惊人的真实场景。这也是为什么我现在死磕 Rembg Pro 的交互。这个抠图工具底层算法是现成的，但我要把它做得让一个完全不懂命令行的淘宝美工，也能在30秒内搞定一批商品图。
比如，我把那个该死的“选择背景色”从RGB数值输入，改成了一个巨大的取色器，直接让用户从原图里点一下。把“批量处理”按钮做得像播放键一样大，放在界面正中间，处理进度用一个非常粗、颜色变化明显的进度条展示，旁边配上“已处理 23/100 张”的大字。甚至考虑加入“一键删除所有纯白背景”这种看似不严谨、但符合直觉的预设。
技术必须包裹上厚厚的、符合人类本能的水泥层，才能建成通往效率的桥。否则，再锋利的算法，也只是实验室里的玩具。14.11亿人产生的数据洪流里，能捞到金子的，一定是那些把工具做得像筷子一样简单的人，而不是炫耀自己会造精密机床的人。这个道理，我花了三十多万和一个失败的项目才想明白，但愿还不算太晚。
