苹果发布新款 iPad Pro，这玩意儿又贵了，但每次都说自己是生产力工具，我他妈现在看到“生产力”这三个字就想笑。今天刚把 Flovico Rembg Pro 的并发处理模块调通，用 Python 的 concurrent.futures 硬怼了 5000 张产品图，CPU 差点烧了。苹果那 M1 芯片再强，能帮我解决 API 频率限制吗？能帮我处理模型在内存泄漏时卡死整个进程吗？不能。它只是个壳，一个很贵的壳。
生产力？我现在对生产力的理解，就是别让任何环节卡住。去年这时候我还在管着十几号人，每天开不完的会，填不完的表，那才叫毫无生产力。现在回归一个人，所有问题都变成技术问题，反而清爽。Rembg 这个背景移除模型，开源版本单线程跑一张图要 1.5 秒，客户要处理几万张电商图，等得起吗？等不起。所以问题就变成了：怎么在不炸掉服务器的情况下，把吞吐量提上去。
我试过用 asyncio 去包装模型推理，发现根本不行。深度学习模型，特别是 PyTorch 加载的，它本身不是异步友好的，IO 等待和计算密集型混在一起，事件循环反而成了瓶颈。最后回到老路子，用 ProcessPoolExecutor。这里第一个坑就来了：模型加载。你不能在每个子进程里都去 import torch 和加载一次模型，那内存瞬间就爆了。得用 initializer 参数，在进程池初始化时就全局加载一次模型，把模型对象变成子进程的全局变量。但这样又带来了第二个坑，进程间通信的数据序列化。图片数据，特别是高分辨率的，从主进程传到子进程，pickle 一下再 unpickle，开销巨大。
我的解决方法是把路径传过去，让子进程自己去读文件。听起来简单，但涉及到共享存储的 IO 压力。我把图片预先按批次散列到不同的临时目录，让子进程去不同的物理路径读取，避免磁盘争抢。这他妈哪是写代码，这是在给服务器做外科手术。
调优的过程就是不断地看 htop，看 nvidia-smi（虽然这次没用 GPU，纯 CPU 推理），看 iostat。把 worker 数量从 10 调到 8，发现整体时间反而快了，因为减少了进程切换的开销和内存竞争。找到了一个甜点，不是线程/进程越多越好，得匹配你 CPU 的物理核心数和 IO 瓶颈。这道理跟管团队一模一样，人堆多了，沟通成本指数级上升，产出反而下降。
苹果的广告里，一个人在咖啡馆用 iPad Pro 配着键盘写写画画，很惬意。那是消费，不是生产。真实的生产是混乱的、充满毛刺的。就像我现在，为了处理一个模型推理后内存释放不彻底的问题，得在每次 predict 后面强行调用 gc.collect()，甚至得隔一段时间重启 worker 进程来清空内存碎片。这种脏活累活，iPad Pro 那光滑的玻璃屏幕能体现出来吗？体现不出来。
新款 iPad Pro 也许能流畅剪辑 4K 视频，但它处理不了我这种“脏数据”。客户给的图片，什么格式都有，有的带透明通道，有的 EXIF 信息是歪的，有的尺寸大到离谱。我的脚本里充满了 try-except 和 fallback 逻辑，先尝试用 PIL 开，失败了换 OpenCV，再失败就记录错误跳过。这种在泥潭里打滚的“生产力”，才是大多数数字营生的真相。
所以它是什么？对于绝大多数买它的人，包括 2018 年那个还会被这种广告打动的我，它就是个昂贵的玩具，一个身份标签，一个“我在努力变得专业”的心理安慰剂。真正的生产力工具，是你手里这个正在疯狂报错的控制台，是那一行行为了提升 10% 效率而写的丑陋却有效的代码，是凌晨三点盯着日志流，发现某个异常被成功捕获时，那一声“操，终于搞定了”的脏话。
Flovico Rembg Pro 今晚跑通了第一个万张图片的测试集，平均每张处理时间压到了 0.4 秒。我关掉了终端，屋里只剩下屏幕的光。工具不重要，重要的是你用工具解决了多么具体、多么脏、多么值钱的问题。新款 iPad Pro 很好，但它离我的战场，太远了。
