凌晨急诊室的叫号屏亮着，红色数字跳了一下，从037变成038。椅子上打盹的男人猛地睁眼，确认不是自己母亲的名字后又靠回去。这块屏背后是一套调度系统，它决定谁先被叫到，哪个诊室空出来，医生的排班如何与病人的流量匹配。没有这套东西，分诊台护士得靠嗓门和纸条撑过整个夜班。

医院信息系统的核心是一张数据库表。病人的挂号时间、主诉、生命体征被逐条录入，算法按病情权重和等待时长算出排序。听起来简单，做起来麻烦。一个胸痛病人和三十个感冒病人同时涌入，系统得在几秒内把前者插到队列前面。这套逻辑写错了，会出人命。写对了，没人会注意到它存在。

同样的逻辑跑在更多地方。外卖平台把订单塞给骑手，网约车把乘客匹配给司机，银行在几毫秒内判断一笔刷卡是否可疑。这些系统共用一套底层思路：采集数据，建立模型，输出决策。区别只在于出错时的代价。推荐错了视频，用户划走就行。风控错了，卡被冻结，人得打客服电话。

算力是这一切的燃料。十年前训练一个图像识别模型需要几十块GPU跑几周，现在手机芯片就能实时处理。成本降下来，技术才铺得开。偏远乡镇的卫生院能连上三甲医院的远程诊断系统，靠的是光纤和云端推理。没有便宜的算力，这些场景只能停在演示阶段。

数据量也在膨胀。一次CT扫描产生几百MB图像，一座城市一天的交通摄像头录像能塞满上千块硬盘。存储便宜了，但清洗和标注仍然费人。很多AI项目卡在这一步：模型架构是现成的，缺的是几十万条标好的样本。干这活的人叫数据标注员，他们的工作很少被提及。

凌晨三点，叫号屏又跳了一下。038号站起来，扶着母亲往诊室走。屏幕不会知道这些，它只负责把字符串渲染成红色数字。技术就是这样，嵌在具体的事情里，做它该做的那部分。