36岁，我学会了在沉默中发力。今天把 Rembg Pro 的抠图引擎从本地 PyTorch 换成了云端 API，成本从一张图 0.3 秒的 GPU 时间变成了 0.0008 美元。显卡溢价？去他妈的，老子不跟了。
去年这时候我还在为团队里两个后端因为 Redis 连接池配置吵架而血压飙升，现在凌晨两点，屋里只有机箱风扇声和 API 返回的 JSON 数据流。世界安静得可怕，也清晰得可怕。团队解散后这半年，我重新理解了“生产力”这三个字——它不再是我管理多少人、签下多少合同，而是我手指敲下去的每一行代码，能不能直接、立刻、不经过任何人地变成可交付的结果。交付链条越短，人就越自由。自由到可以为了一个背景消除的毫秒级优化，跟云端服务的文档死磕四个小时。
Rembg 这个库的本地版本其实已经很强了，基于 U²-Net，在 COCO 数据集上训的。但问题出在长尾场景：毛绒玩具的边缘绒毛、半透明婚纱、复杂背景里的发丝。本地模型一旦遇到这些，要么疯狂吃显存让推理时间飙升，要么就直接给出锯齿状边缘。更恶心的是，用户上传的图片分辨率毫无节制，4K、8K 往上扔，本地显存直接 OOM。我试过用 PIL 做预处理，强制缩放到 1024px，但细节损失太大，婚纱的薄纱直接糊成一团。
所以必须上云端。不是用现成的 Remove.bg 那种封装好的服务，那太贵了，而且数据要过第三方。我要的是把模型部署在我自己的云服务器上，但调用 GPU 实例按需计费。调研了一圈，最后锁定了 Modal。这平台有点意思，它让你用装饰器定义函数，标注需要什么硬件（比如 A100），然后它帮你把整个函数环境——包括依赖——打包成容器，冷启动时拉起来，执行完就销毁。本质上，我写了个函数，接收 base64 编码的图片，在函数内部用 Triton 推理服务器加载我微调过的 U²-Net 模型，吐回透明背景的 PNG。关键成本：一次调用，如果模型已经预热，大概 300 毫秒，费用主要就是那 300 毫秒的 A100 时间加上一点网络开销。比一直养着一块 3090 划算太多了，尤其是对于我这种间歇性高并发的场景——用户可能集中半小时上传几百张图，然后安静一整天。
调试过程全是坑。首先是模型格式转换，从 PyTorch 的 .pth 到 ONNX 再到 TensorRT，每一步都有精度损失。我开了三个终端同时跑对比测试，用 OpenCV 计算原始输出和转换后输出的 MSE，必须控制在 1e-5 以内。然后是 API 的响应时间优化，图片传输不能走 base64 了，太臃肿，改成 presigned URL 从 S3 直接读。边缘情况处理：用户上传了非图片文件怎么办？网络超时重试策略怎么定？费用异常飙升的监控告警怎么设置？每一个问题都没有现成答案，都得翻文档、搜 GitHub issue、在 Discord 频道里问。这种纯粹的技术问题，反而让我感到一种久违的安心——问题就在那儿，不甩锅，不扯皮，解决路径虽然曲折，但终点是明确的。
凌晨三点十七分，测试脚本跑通了最后一组样例图。那是一张户外婚礼照，新娘的头纱飘在树影斑驳的背景前。点击运行，命令行里进度条一闪而过，不到一秒，本地文件夹里生成了一张新的 PNG。用预览打开，放大到 800%，头纱边缘那些细微的半透明渐变，被干净地剥离出来，背后的树叶阴影一点都没残留。就那一瞬间，后脑勺像过电一样。不是兴奋，是一种深沉的、确信的平静。我知道这条路走通了。
36 岁，爬虫抢流量那套过时了，管理团队把自己累成狗的模式也证伪了。现在就是缩到最小单元，一个人，一套代码，一个精准的需求点，然后像钉子一样砸进去。沉默不是没话说，是力气都用在关节上了。健身房撸铁知道吧，发力的时候都是憋着一口气，不吭声的。做产品也是，真正的突破，往往发生在你闭嘴、动手、把所有噪音都屏蔽掉的那一刻。AI 这波浪潮，我算是赶晚集了，但晚集有晚集的好处——坑都被人踩过一遍了，我只要找到最结实的那座桥，走过去就行。
