39岁，我学会了在深夜的冷空气里读懂商业的“周期”，这话听起来像鸡汤，但背后是连续三周凌晨两点对着屏幕，看一张张模糊的报销单被AI吞进去又吐出来的物理过程。客户是家老牌制造厂，仓库里积压了五年、近十万张手写领料单和送货单，财务总监说他们雇了四个实习生手动录入，干了两个月，错了三分之一，人快疯了。我报价的时候手都在抖，不是激动，是恐惧——我知道这坑有多深，但更知道，2023年，不接这种AI硬骨头，我就真被时代扔下车了。
十年前我可能会用OpenCV加Tesseract硬刚，调参数调到天昏地暗，最后得出一个“手写识别就是个玄学”的结论。但现在不行了，GPT-4V的API就摆在那里，它看世界的逻辑和我们不一样。第一轮测试直接崩了。那些单据被手机拍得歪歪扭扭，有反光，有阴影，笔迹潦草得像是医生处方，更致命的是，很多关键信息比如物料编码和数量，就写在印刷表格的横线边上，传统OCR连表格线和字都分不清。我盯着第一批识别结果，血压直接上来了，把“7”识别成“1”，把“KG”识别成“8G”，这误差率比实习生还感人。
没办法，只能拆解流程。先上预处理，用Python的PIL库做透视矫正和光照均衡，但这只能解决“清晰度”问题，解决不了“语义”问题。核心战斗在Prompt工程上。你不能简单扔给GPT-4V说“识别这些字”，你得告诉它这是一个“商业单据”，它的“上下文”是仓库物料流转，关键字段是“日期、单据编号、物料代码、品名、数量、领用人”。我写了一个迭代式的识别链：第一步，让模型描述整个图像的结构，找到所有文本块和表格线；第二步，针对每个疑似数字和字母的区域，进行专项识别，并给出置信度；第三步，也是最关键的，引入“业务规则校验”，比如物料代码有固定前缀，数量一般是数字带单位，让模型对低置信度的识别结果进行逻辑推理修正。这就不是简单的“看图说话”了，这是在用自然语言给AI注入领域知识。
这个过程里，时间是以API调用次数和美元消耗来计量的。每一次优化Prompt，都意味着重新跑一批测试样本，看着账单数字往上跳，心也跟着跳。但当你看到识别率从60%爬到85%，再爬到95%以上时，那种感觉，就像在冷空气里突然摸到了那根“周期”的脉搏——技术的周期。过去要一个团队吭哧吭哧干半年的脏活，现在一个人加一堆代码和API，三周就能打通，而且更准。这不是取代人力，这是对商业成本结构的暴力重构。客户关心的不是我用的是Transformer还是CNN，他们只关心下周一系统能不能跑起来，以及单价能不能再压两毛钱。
凌晨三点，窗外一片漆黑，只有屏幕光和机箱风扇的声音。我保存好最后一批验证脚本，想起2018年为了一个破爬虫绕过网站反爬机制，折腾DOM树和请求头到天亮的日子。那时候焦虑的是技术会不会过期，现在焦虑的是自己重构工作流的速度，能不能赶上AI迭代的速度。手写的字迹依然潦草，但识别它们的逻辑，已经彻底变了。商业的周期裹挟着技术的周期，冷冰冰地碾过每一个自以为是的经验，留下的唯一出路，就是把自己也变成那个不断迭代的模型。
