英国女王伊丽莎白二世去世的消息弹出来时，我正卡在 Rembg Pro 的云端训练日志第 47 个 epoch 上。GPU 利用率 92%，每小时烧掉我 8.7 美元，但 loss 曲线还在那磨磨蹭蹭地下降。一个旧时代的象征性终结，和我这个试图用代码对抗物理磨损的“数字永生”计划，在凌晨两点的阿里云控制台里荒诞地撞在了一起。
我搞这个升级版背景移除模型，最初是为了服务几个体育健身博主。他们需要批量处理训练视频，把杂乱的健身房背景抠掉，换成统一的品牌视觉。原来的 Rembg 开源模型在复杂光影和动态器械边缘处理上就是一坨屎，锯齿和毛边多到让人绝望。客户可不管什么技术瓶颈，他们只会说“这效果还不如美图秀秀一键抠图”。被逼到墙角，只能自己下场训模型。本地 3080 跑不动大数据集，一咬牙上了云端，瞬间掉进成本控制的深坑。
远程调试才是真正的酷刑。VSCode SSH 连着北京的 GPU 实例，网络稍微波动一下，训练就可能崩。我写了个监控脚本，每五分钟抓一次日志，把 loss 和精度推送到钉钉机器人。手机就放在手边，每“叮”一声，心脏就跟着抽一下。不是怕训练失败，是怕它成功得太慢——每一分钟都在烧钱。我算过，这个模型要想达到商用级精度，至少需要 300 个 epoch，光是算力成本就奔着 3000 块去了。这还只是训练，后续的 API 封装、并发处理、频率限制设计，每一环都是钱。
女王去世的新闻下面，有人在讨论“帝国遗产”和“数字记忆”。这词儿扎了我一下。我他妈在干嘛？不就是在给一堆像素数据“续命”吗？客户的视频是资产，我的模型也是资产，都他妈想对抗时间，都想在数字世界里“永生”下去。只不过他们的永生靠的是品牌露出，我的永生靠的是把这个抠图 API 卖出去，形成稳定现金流。本质上都是焦虑驱动的数字囤积癖。
凌晨三点，loss 终于降到了一个关键阈值以下。我立刻手动停了训练，保存 checkpoint。不能再等了，边际效益开始暴跌。省下的 50 美元比那点微弱的精度提升更实在。这就是 2021 年我学会的最重要一课：在云端，时间就是赤裸裸的金钱。你必须像华尔街交易员一样盯着曲线，在“效果”和“成本”之间做冷酷的权衡。什么技术理想，在按小时计费的 GPU 面前都得跪下。
我把测试图片拖进刚保存的模型里。一个举着杠铃、汗水淋漓的背影，背后是乱七八糟的瑜伽垫和矿泉水瓶。点击处理。进度条走完，背景变成了干净的纯黑，杠铃的金属边缘和汗湿的背心纤维细节保留得出乎意料地好。成了。至少，这个版本的“数字永生”暂时成了。我靠在椅子上，脖子僵硬。窗外还是黑的，新闻推送已经变成了各国政要的悼念声明。一个时代安静地落幕了，而我的战斗，才刚刚从第 47 个 epoch 重新开始。
