ML蹲在老小区的门禁机里：我见过最不"性感"的机器学习落地现场

入秋的杭州连下了12天雨。我蹲在小区单元门的雨棚下面，裤脚全湿了，手里攥着拆下来的门禁主板，屏幕上跳着识别错误的红叉。

雨还在下。

我去年从大厂算法岗被裁的时候，满脑子都是千亿参数大模型、多模态对齐、AGI落地的宏大叙事，从来没想过自己跟ML的下一段交集，会是在这个连电梯都经常坏的老小区，对着一台价值两千块的门禁机修修补补。

那个把业主拦在门外的ML模型

最先触发我火气的是我妈。上周她拎着一筐我爱吃的糖炒栗子从老家过来，戴着我去年给她买的宽檐遮阳帽，在单元门门口站了20分钟。保安刷了三次自己的权限卡，门禁愣是没开——屏幕上一直跳”未匹配到通行人员”。最后是住在一楼的张阿姨出门倒垃圾，顺手给她开的门。

我当时站在旁边等门，越看越不对劲。拆下来主板导了系统文件才发现，门禁内置的ML人脸识别模型，是供应商从某开源数据集直接拉过来改都没改的，整个模型才12MB，训练样本里根本没有戴宽檐帽的中老年东亚女性，连雨棚下这种阴雨天的低光照场景都没覆盖到。

物业的小伙子跟我吐槽，说当初装这个门禁，供应商拍着胸脯说”用的是行业最先进的ML算法”，两万块钱包安装包一年维护。结果去年疫情刚放开那会，全小区一半人戴着口罩进出，模型连戴口罩的样本都没加，直接瘫了三天。最后保安搬了个桌子在门口，拿个硬壳本子手动登记进出人员，跟回到2005年似的。更离谱的是，小区里那只天天在门口晃的三花流浪猫，每次蹲在雨棚下躲雨，模型就把它识别成”异常闯入人员”，触发尖锐的警报声，吵得整栋楼的午休都睡不好。

被裁之后，我才看懂ML的真实生态位

说出来有点臊得慌。我之前在大厂做推荐系统的ML模型，天天盯着后台的离线指标，哪个模型的AUC涨了0.02，全组人凑在会议室里开香槟，算着这个季度能多给公司赚多少GMV。有次模型把母婴类的产品推给了刚做完流产手术的用户，人家投诉到客服，我们改了改特征权重就算交差，谁也没真的站在用户的角度想想，那些被推到眼前的内容，会给人带来什么感受。

HR跟我谈离职的时候，说现在ML的落地成本降了90%，基础算法岗的需求本来就在收缩。我当时还不服，觉得是公司抠门，直到我把门禁里的模型文件导出来，用自己的旧笔记本跑了一遍推理流程才反应过来——这就是现在绝大多数线下场景的ML真实现状：没有天价的训练集群，没有复杂的注意力机制，就是个被剪到最小的轻量化模型，跑在成本几十块的端侧芯片上。

我跟物业说我免费帮他们调模型，就当练手。花了三天时间，我在小区里拍了2000张照片：戴帽子的张阿姨，推婴儿车的李姐，穿校服背着大书包的初中生，下雨天撑伞挡着脸的上班族，甚至还有那只三花流浪猫的各种角度的照片。就用这些完全来自真实场景的照片，给那个12MB的小模型做了半小时的微调，之前52%的识别准确率，直接涨到了97%。

那天张阿姨戴着宽檐帽从外面回来，门禁“滴”的一声开了。她回头看见站在旁边的我，塞给我一把刚炒的南瓜子。南瓜子是咸的。我站在门口，突然有点鼻酸。之前我在大厂做的模型，训练一次烧的电费，够这个门禁机用十年。但从来没有哪个模型，给过我这种实实在在的反馈。

ML从来不是什么可以拿来吹的黑科技

不过话说回来，我之前跟行业里的老同事聚会，大家张口就是大模型、智能体、端到端训练，好像ML要是不跟千亿参数沾边，就不配叫技术。结果上次我帮楼下开水果店的王哥调他的库存预测模型，他之前花了三千多买的付费SaaS，吹得天花乱坠，说是什么”基于ML的智能补货系统”，结果每次都给他推多进三倍的车厘子，最后坏了半冰柜，王哥哭丧着脸说，这模型还不如他自己蹲在门口数三个月人流算得准。

我之前总觉得，ML是那种摆在展台上、被聚光灯照着、需要穿西装的人站在旁边讲十分钟才能说清楚的东西。直到我蹲在满是雨水的水泥地上，把沾了泥的主板接到自己的旧笔记本上，才反应过来它本来就该是长在这些细碎的、不值一提的生活褶皱里的。

我们之前太容易陷入脱离真实场景的离线指标幻觉了：对着屏幕上的数字欢呼，觉得模型涨了几个点的准确率，就是改变世界的壮举。但我们从来没走到雨棚下面，看看那些被模型拦在门外的人，看看那些被乱推的商品砸到的用户，看看那些被误判成“异常闯入者”的流浪猫。

昨天晚上我加班给模型加了个小功能：识别到三花流浪猫蹲在门口的时候，就自动解锁门禁旁边的小电箱——那是我给它搭的小窝，里面垫了旧毛衣。门禁这次没有响警报，屏幕上跳出来一行软乎乎的字：”检测到常驻友好生物，门已解锁”。

雨停了。风从单元门吹进来，带着点桂花的香味。

没人给这个小模型的迭代算ROI，也没人会把它写进行业报告里。但我知道，这才是ML本来该有的样子。