黄仁勋又他妈封神了，这哥们儿在台上挥着皮衣，台下全是抢着送钱的。我盯着新闻里那些天文数字的订单，感觉喉咙发紧。算力这玩意儿，现在不是燃料，是黄金，是军火。它越贵，像我这种靠脑子吃饭的个体户，脖子上的绞索就勒得越紧。
我算过一笔账，去年为了跑一个客户的数据清洗和初步建模，用了大概两百刀的云端GPU。当时觉得还行，效率高嘛。今年同样的任务量，报价直接奔着五百刀去了。这还只是“用”，还没算上你想“训”点自己的东西。OpenAI的API调一次便宜，但你敢把客户的核心数据流全挂上去？你敢，客户也不敢。数据安全和合规成本，是另一把看不见的刀。所以黄教主越风光，我这后背越凉。他的神坛，下面垫着无数我们这种想用AI翻身的小角色的焦虑。
不行，得掉头。云端是方便，但方便是有代价的，代价就是你的命脉捏在别人手里，还随时可能涨价。我得死磕本地，死磕优化，这是唯一能喘口气的缝。
这几天就在折腾这个。客户要一个能自动从几百份竞品PDF里提取规格参数并对比的玩意儿。放以前，肯定是云函数+OCR服务+GPT-4 API一套连招，优雅，但账单也优雅。现在我的思路全变了。第一步，本地化OCR。Tesseract确实糙，但对付结构清晰的印刷体PDF，调好预处理（灰度、二值化、降噪），准确率能拉到95%以上，关键是，零成本。难点在于那些表格，Tesseract容易读串行。我就上PyPDF2配合pdfplumber，直接解析文本对象和坐标，自己写逻辑判断行列，虽然写了快两天，但一旦跑通，就是永久资产。
第二步，信息提取和对比，这才是大头。全喂给GPT-4？想都别想。我用的策略是“本地小模型筛一遍，关键难点再上大模型”。先用spaCy搞一波基础的NER（命名实体识别），把产品名、型号、数字参数先框出来，形成结构化数据的毛坯。剩下的，那些模糊的自然语言描述，比如“采用了新一代散热技术”，这种需要理解的，再集中起来，打包成一个问题列表，去调用一次GPT-3.5-Turbo。这样，本来需要和PDF内容进行多轮交互的复杂任务，被我压缩成了一轮问答，调用量砍了八九成。
这过程极其反人性。你要不断权衡，这个地方用规则硬写能不能解决？那个模糊表述是不是非得用AI？为了省一次API调用，我可能得多写五十行代码，调试三小时。感觉又回到了十年前死磕爬虫的时候，跟网站的防爬策略斗智斗勇，为了绕过一个JS渲染，能对着Chrome开发者工具研究一整晚。但现在对手不是网站了，是成本。每一个不必要的token，都是从我利润里直接抽走的血。
但这感觉居然有点爽。是一种重新掌控的感觉。当整个流程终于在我的旧笔记本上（我甚至特意换了硅脂清了下灰，象征意义拉满）跑通，看着CPU和内存占用曲线平稳，而云端账单数字是0的时候，那种安全感，比收到一笔款还踏实。我知道这很“手工业”，很不“云原生”，但这就是生存。大厂和巨头们可以追逐万亿参数的星辰大海，我必须学会在参数海洋里捞针，并且用最省电的捞法。
黄仁勋的英伟达是卖铲子的，他当然希望所有人都去疯狂挖矿，把算力需求炒上天。但我不是矿工，我是个手艺人。手艺人的出路，不是去买更贵的铲子，而是把自己的手艺磨到极致，用一把小铲子，也能挖出别人用挖掘机才能挖到的东西。甚至，学会在别人挖过的地方，再筛出点金子。
这条路很窄，很累，需要极大的耐心和近乎偏执的优化癖。但这是我看到的，在算力霸权时代，一个超级个体还能保持尊严和利润的唯一路径。死磕本地，死磕每一行代码的效率，就是我的护城河。虽然这河挖得，真他妈累。
