特斯拉Q3财报出来了，营收和利润都没达到华尔街预期，股价盘后直接跌了。但我盯着新闻稿里那几行字看了很久——马斯克在电话会上花了大量时间谈Dojo超算，谈FSD，谈AI训练集群的规模。这信号太明显了：当车卖不动的时候，他押注的根本不是下一款更便宜的车，而是那个烧钱的无底洞，那个叫“全自动驾驶”的终极赌局。
这让我后背发凉。不是为特斯拉，是为我自己。2023年，我31岁，一个前产品经理，一个靠写自动化脚本糊口的超级个体。我的“主营业务”是什么？是给中小公司做数据抓取、流程自动化，是那些基于Requests库和Selenium的定制脚本。过去三年，这套东西让我活下来了，甚至活得不错。但ChatGPT-4发布那天，我盯着那个能看懂网页截图、能描述图像内容的演示视频，脑子里就一个声音：你那些靠解析DOM树、写XPath、对付反爬虫的“手艺”，正在以肉眼可见的速度贬值。环境不是“在变”，是已经在我的头顶完成了核爆。
所以这几个月我像疯了一样。不是焦虑，是某种更冰冷的东西：我必须让我的脚本，我吃饭的家伙，先于我这个人实现“进化”。以前写爬虫，核心逻辑是“模拟人”。用Selenium驱动浏览器，填表单，点按钮，等元素加载，从复杂的网页结构里把数据抠出来。对抗的是反爬策略：IP频率限制、验证码、动态加载、JavaScript混淆。我的武器库是User-Agent轮换、代理IP池、OCR打码平台，还有大量的时间——用来分析网络请求，调试那些脆弱的XPath。
但现在，环境变成了“多模态”。信息不再规整地躺在HTML标签里。它可能在一张财报图表的截屏里，在一段分析师电话会的音频转写里，在一份PDF扫描件里，甚至在一段模糊的工厂巡检视频的几帧画面里。客户的需求变成了：“帮我监控这二十个竞品的官网，他们一换Banner图就告诉我主题是什么”，或者“从这些行业研讨会的直播回放里，提取他们提到关键技术名词的频率和上下文”。
传统的脚本面对这种需求，链条长得可怕：截图工具 -> 本地保存 -> 调用某个云的OCR API -> 解析文本 -> 再写规则清理。音频和视频更完蛋，得先转写，转写的准确率又是一道坎。每一个环节都可能断，每一个外部API调用都在增加成本和不可控性。这根本不是“自动化”，这是用胶水粘起来的一碰就碎的玩具。
我的突围点，是让脚本自身获得“感知”和“理解”的初步能力。不是取代GPT-4，而是把它变成我脚本的一个“标准内置模块”。我开始死磕几个东西：一是本地化部署的小模型。CLIP的变体用来做图像特征提取和简单描述，Whisper的量化版用来做离线音频转写。我不需要它们达到GPT-4V的水平，我只需要它们能在我本地，没有网络延迟、没有API费用的情况下，把非结构化数据（图片、音频）转化成一段结构化的文本描述。比如，一张官网Banner图，CLIP模型能告诉我“图片主题包含：电动汽车、户外山路、夕阳”，这就够了。我的脚本拿到这个文本描述，再去和上次抓取的结果做向量相似度比对，就能判断是否更新。
二是流程的重构。以前的脚本是线性的：访问A -> 解析B -> 存储C。现在是并发的、感知驱动的。一个主控脚本像调度中心，它根据任务类型（监控图片、监控文本、监控音频），动态唤醒不同的“感知子程序”。子程序可能是一个加载了轻量化视觉模型的容器，也可能是一个调用云端大模型进行深度分析的“大招”。核心是“自适应”：如果本地轻量化模型置信度低，就自动触发更昂贵但更准确的云端分析；如果网络环境差，就降级到纯本地处理，哪怕结果粗糙点。这要求脚本有状态判断和决策逻辑，而不仅仅是执行固定步骤。
三是数据流的重新设计。过去的数据流是“清洗-入库”。现在是“感知-理解-结构化-决策”。中间多了一个“理解”层。比如，脚本从一段音频转写文字里，不仅要提取出“Dojo”这个词，还要结合上下文判断情绪是“积极强调”还是“谨慎乐观”。这步以前靠写死的关键词和规则，现在靠给本地LLM（比如用ChatGLM2-6B INT4量化版）喂一段Prompt：“请判断以下文本片段中，提及‘Dojo’时传达的主要情绪是积极、消极还是中性，并简述理由。” 虽然慢，虽然回答可能啰嗦，但它在本地，它可控，它能把非结构化的“文本”变成我数据库里一个结构化的字段：`sentiment: positive, reason: 将其描述为未来增长核心引擎`。
这个过程极其痛苦。每天都在和CUDA版本、模型量化、内存溢出、推理速度搏斗。一个看起来简单的“图片描述”功能，从决定做到能在生产环境稳定跑起来，花了我三周。其中百分之八十的时间在解决环境依赖和性能调优，只有百分之二十在写真正的业务逻辑。这感觉就像你是个木匠，突然被要求去造内燃机，你还得先从炼钢开始。
但今晚看到特斯拉的新闻，我反而有点平静了。马斯克在赌一个未来，他在用Dojo赌特斯拉能从一家汽车公司变成一家人工智能公司。我在赌的，是我的脚本能从一个执行固定命令的木偶，变成一个能看、能听、能简单思考的侦察兵。当主营业务（我的定制脚本开发）的增长遇到天花板时，技术储备——这套“多模态自适应”的框架，这些被我驯服、能跑在廉价显卡上的小模型——就是我下一个项目的起点，是我面对那些只会调用OpenAI API的竞争对手时的护城河。环境不会停下来等我。我能做的，就是让我的代码，比我更早、更快地学会适应。哪怕它现在笨拙、缓慢、像个蹒跚学步的孩子。至少，它开始学习了。而很多人的工具，已经死了。
