既然不想买高价服务器，我就租了云端 GPU 跑模型，这事干到年底，账单一拉，发现省下的钱全变成学费了。云端按小时计费，模型一跑起来就忘了关，半夜惊醒摸手机查账单，那种心跳加速的感觉比咖啡因还管用。今年最后一天，得把这笔账算清楚。
年初的时候可不是这么想的。2022 开年，我还陷在去年那种“超级个体”的幻觉里，觉得靠个人交付就能通吃。接了几个体育健身 APP 的咨询单，用 Python 给他们做数据分析和自动化报告生成，现金流看着挺稳。但三月份上海一封，所有线下业务瞬间归零，那几个 APP 的老板自己都快断粮了，尾款拖了三个月。我才猛地意识到，所谓“个人品牌”在系统性风险面前，脆弱得跟纸一样。那段时间焦虑到爆，半夜睡不着就爬起来折腾云端实例，好像只要机器还在转，我就没垮。
真正的转折点是五月份，试着用早期版本的 Codex 辅助写爬虫脚本。我原本引以为傲的手艺，比如处理反爬的动态渲染、破解加密参数、搭建分布式队列，AI 几下就给出个七七八八的框架。那一刻不是惊喜，是恐慌。我花了十年积累的“技术直觉”，正在被快速标准化。你得理解，一个靠信息差和手速吃饭的人，看见工具开始抹平信息差，那种根基动摇的感觉。所以我必须跳进去，亲手弄明白它到底有多深。
于是开始死磕 GPU 云服务。从 Google Colab 的免费额度，到 AWS 的 p3 实例，再到后来发现的一些小众平台像 RunPod。每一个坑都踩得结结实实。比如以为用 spot instance 能省一半钱，结果训练到一半实例被回收，半天白跑。比如没做好数据挂载，实例重启后几个 G 的预处理数据没了。最蠢的一次，写了个循环脚本，但退出逻辑有 bug，实例关了但卷没删，月底收到一份巨额的存储账单。这些错误，文档里不会用加粗标红，每一分钱都是沉默的导师。
技术细节上，今年主要跟 BERT 变体和一些早期的扩散模型耗上了。不是为了发论文，就是想知道怎么把它“用起来”。比如，试着微调一个模型去自动生成健身计划的饮食建议。难点根本不在模型本身，而在数据清洗：那些从各个健身论坛爬来的食谱数据，格式千奇百怪，“一勺”、“适量”、“少许”这种词满天飞，你需要大量的规则引擎和正则表达式先去规范化，才能喂给模型。AI 不是魔术，它前面需要一大堆脏活累活铺路。这个过程让我重新理解了“逻辑”的价值——模型可以替代我写代码，但替代不了我定义问题、拆解步骤、设计数据流水线的思维框架。
身体是另一个教训。上半年高压的时候，靠低卡饮食和每天一小时力量训练硬扛。但有一次连续调试模型 36 小时，从云端控制台站起来直接眼前发黑，差点栽过去。低卡饮食在长期脑力消耗下就是个陷阱，血糖稳不住，情绪和效率一起崩。后来调整了，碳水必须吃，训练不能停，但更要命的是“睡眠剥夺”。搞 AI 实验特别容易陷入心流，一抬头天亮了，然后一整天报废。37 岁，不能再拿身体换进度了，换不动了，恢复速度明显下降。
所以年底复盘，2022 年我到底得到了什么？一个烧了不少钱换来的、对云端 GPU 成本结构的肌肉记忆。一种被 AI 迎面重击后、反而更清醒的认知：旧的手艺会贬值，但定义问题的能力、将模糊需求转化为逻辑链条的能力、以及管理自身能量和健康的能力，这些反而成了壁垒。服务器可以租，模型可以调 API，但能持续学习、保持健康、并把复杂问题拆解成机器能懂指令的这颗脑子，租不来。这才是能带进下一个年代的、唯一的行李。
账单显示，今年在云服务上的开支是去年本地硬件投入的三倍。但我知道，有些学费，贵也得交。明年，得让这些机器开始替我赚钱了。
