Llama 2 正式发布那晚，我盯着我的阿里云账单，感觉心脏和硬盘一起在共振。不是兴奋，是肉疼。跑一个7B的模型，显存占用就快把那个破P100给撑爆了，电费在后台滋滋地往上跳。我一边等结果，一边翻着Keep和超级猩猩的爬虫数据，这种分裂感特别真实：一边是代码生成的未来在燃烧算力，另一边是几百个线下门店的团课预约数据，告诉我什么叫“肉身在场”。
健身这个领域，数据脏得令人发指。你以为爬下来的是课程排期和用户评价，实际上是一堆非结构化的情绪碎片。教练的“状态好不好”，会员的“今天练到位了”，这些玩意儿藏在点评网站的emoji和短句里，大模型能分析情感倾向，但分析不出那个下午三点阳光斜射进操房、教练吼一嗓子带来的多巴胺分泌。这就是线下服务的护城河——体验的实时反馈和物理场域的能量交换，没法被API标准化。我写了个脚本去追踪热门时段的满员率变化，发现周末早上的搏击课和深夜的舒缓瑜伽，预约曲线截然不同，这背后是都市人精确到小时的情绪周期管理，不是线上跟练视频能解决的。
服务器风扇在哀嚎，我脑子里却在算另一笔账。一个成熟教练的时薪、场馆的坪效、器械折旧，这些实体经济的数字，比云服务的计价单位实在多了。去年做私域工具，给健身房老板画大饼，说能自动化跟进会员，结果发现最有效的还是教练亲手在微信里发一句“明天课给你留位置了”。技术在这里的角色很微妙，它不是替代，是放大器。比如用OCR识别健身餐外卖单据，反向推算会员的蛋白质摄入和消费能力，再推定制化课程包——这活儿需要爬虫、需要本地部署的轻量模型做快速解析，还需要绕过美团那些反爬机制。对，就是2017年我玩烂的那套东西，现在得用新工具重新组装。
我突然觉得，Llama 2这种开源模型，真正的战场可能不在互联网大厂，而在这些毛细血管般的垂直行业里。健身教练不需要知道transformer架构，但他需要知道这个会员最近三次训练的心率曲线和疲惫度分析，能不能用AI快速生成一个白话解读报告？这需要把大模型的能力封装成教练手机上的一个按钮，背后是数据管道、私有化部署和极其接地气的提示词工程。这比单纯追SOTA有意思，因为你要和真实世界的摩擦力肉搏。
凌晨四点，第一批微调实验跑崩了，显存溢出。我关了训练进程，打开另一个窗口，继续调那个解析健身房POS系统导出的脏Excel的脚本。代码很糙，正则表达式写得像补丁，但跑通了。那一刻我明白了，未来几年我的状态可能就是如此分裂：一只眼睛盯着arXiv上最新的LoRA论文，另一只眼睛盯着怎么用最土的办法把线下场景的数据流打通。烧服务器是为了理解前沿，而真正赚钱和创造价值的，可能是在那些服务器火光映照不到的、充满汗水和噪音的实体空间里。
