午夜写字楼里还亮着的几扇窗，多半是在跑数据

凌晨两点，中关村某栋写字楼的十七层仍有四扇窗透着光。保安巡视时习惯性地抬头，知道那是算法团队在等模型收敛。机房里风扇声很响，屏幕上跳动的损失函数曲线像心电图。工程师往杯子里续了第三次速溶咖啡，盯着日志里一条反复出现的警告，那是白天没来得及处理的脏数据在作祟。窗外的城市已经沉下去，只有路灯把光铺在空荡的马路上，而这间屋子里的计算还在继续。

这种深夜的算力消耗，放在三十年前不可想象。九十年代初，一台个人电脑的内存以兆计，跑一个简单的线性回归都要等上几分钟。如今同一栋楼里的服务器集群，每秒钟能完成百亿次浮点运算。硬件迭代把曾经昂贵的东西变成了日常消耗品，就像电力一样，没人再为用一度电而心疼。软件这边也在变，开源框架把模型训练的门槛从博士论文拉到了本科课程，几个年轻人凑在一起就能搭出能用的推荐系统。

数据是喂给这些系统的粮食。白天用户在地图上点的每一次导航、在购物车里删掉的每一件商品、在输入框里打了一半又删掉的句子，都被记下来，变成夜里训练用的样本。这些痕迹单独看没什么意义，几亿条堆在一起就能看出规律。比如某个路口周五晚高峰会比平时多堵二十分钟，某款饮料在气温升到二十八度以上时销量突然翻倍。机器不关心为什么，它只关心输入和输出之间的对应关系。

但机器给出的结果常常需要人再判断一次。去年有家银行上线了自动审批贷款的系统，模型根据历史数据判断某类商户风险偏高，结果把一批经营早餐铺的个体户挡在了门外。后来人工复核发现，那些商户的流水其实很稳定，只是收款时间集中在清晨，和模型习惯的消费时段对不上。工程师回头去调整特征权重，把时间维度重新切分。这种事没法一劳永逸，数据在变，人的行为也在变，模型得跟着动。

深夜亮着的那几扇窗，做的往往就是这种修补工作。白天系统跑得好好的，晚上一测新数据就露馅。有时候是某个接口返回的字段类型变了，有时候是上游业务改了规则没通知。值班的人得一条条翻日志，找到出问题的环节。这活儿不浪漫，甚至有点枯燥，但少了这一步，第二天用户就会看到奇怪的结果。技术落地到最后，拼的是谁愿意蹲下来处理这些细碎的问题。

天快亮的时候，模型终于跑完了。工程师把结果推到测试环境，关掉显示器，窗外的晨光刚好漫过对面楼的楼顶。他收拾东西准备回家，路过走廊时看见保洁阿姨已经开始拖地。两人点了点头，谁也没说话。几个小时后，这座写字楼会重新挤满人，打开手机、点开应用、划动屏幕，没有人会想到夜里发生了什么。那些亮过的窗、跑过的数据、改过的参数，都沉到了水面以下，成了支撑日常的一部分。