深夜写字楼里还亮着的几扇窗，常让人想到加班的人。可真正让那些窗子亮着的，未必全是人。服务器在机柜里运转，冷却系统低声循环，监控程序每隔几秒扫一次状态。有人下班前点了一下“训练模型”，机器便自己跑上一整夜。窗外街道空了，窗内没有人的工位上，电流仍在替人思考。科技走到今天，很多劳动已经不需要人守在旁边，但人依然会为它留一盏灯。

这种无人值守的运转，靠的是算力。十年前训练一个图像识别模型，可能需要几十台机器忙上几周。现在同样的任务，几张显卡几个小时就能完成。算力涨得快，算法也在变。早年间研究者要手工设计特征，告诉机器“边缘”“角点”长什么样。后来神经网络自己从数据里学，人只负责调结构、喂数据、看结果。省下来的力气，又拿去堆更大的模型。循环往复，窗子就越亮越久。

数据是另一头。模型再大，没有足够的数据也学不出东西。城市里的摄像头、手机上的点击、传感器传回的温度，每天都在产生记录。这些记录单看没什么，攒到一起就能看出规律。早高峰哪条路先堵，哪种零件先坏，哪类句子容易被误解。机器从这些痕迹里找关联，找得多了，就变成能用的判断。数据不是凭空来的，它来自具体的人、具体的事，只是被抽成了数字。

可数字多了，麻烦也跟着来。一个人一天去哪、买什么、和谁说话，拼起来就是很细的画像。这些画像能帮人推荐餐厅，也能被人拿去干别的。算法本身不会分辨善恶，它只认目标函数。目标设成“多卖货”，它就拼命推广告；设成“多停留”，它就挑最容易让人上瘾的内容。窗子里跑的东西，最后会落到窗外的真实生活里。写代码的人得想清楚，自己到底在让机器学什么。

机器学得再好，也有它够不着的地方。它能把病历里的指标对得整整齐齐，却没法握住病人的手。它能生成通顺的句子，却不知道这句话在具体场合说出来会伤人。人做判断时，带着经验、情绪和顾虑，这些很难写成规则喂给模型。所以现在的系统大多是人机配合：机器处理量大的部分，人处理需要掂量的部分。窗子亮着，里面往往是人和机器各干各的，偶尔互相看一眼结果。

天快亮的时候，那些窗子会一盏一盏灭掉。有人来换班，有人来看一眼跑完的结果，有人发现昨晚的训练崩了，得重新来。科技没有让夜晚消失，它只是把夜晚变成了另一种工作时段。机器不睡觉，人得睡。人睡着的时候，机器还在按人写下的指令做事。等天亮再打开屏幕，看到的是一夜之后的输出，好的坏的都有。窗子灭了，事情还没完。