食堂最后一勺菜里的算法

中午十二点四十，我站在大学食堂的窗口前，指着一盘青椒炒肉说就要这个。打菜阿姨用长柄勺在盆底刮了一圈，捞起最后那点汤汁和碎肉，手腕一抖，稳稳扣进我的餐盘。这个动作她每天重复几百次，勺子的倾斜角度、抖动的力度、甚至眼神落点，都像被设定好的程序。我端着盘子走开时忽然想到，她这最后一勺菜的分量，其实早被某种看不见的东西算准了。

那东西叫需求预测。食堂经理的电脑里装着一套系统，它翻看过去三年的刷卡记录，知道周三中午青椒炒肉比周一多卖四十份，知道下雨天米饭消耗会跌一成。系统把这些数据喂给一个模型，模型吐出明天的备菜清单。阿姨不需要懂这些，她只按清单打菜。名单上写青椒炒肉备八十份，她就炒八十份，卖到第七十九份时，勺底自然就剩那么点。我吃到的那勺菜，是算法算出来的余数。

这套逻辑正在往食堂之外蔓延。你打开外卖软件，首页推荐的店铺是按你下单习惯排的。你走进便利店，货架上关东煮的数量是昨晚根据气温和周边写字楼加班数据定的。你坐地铁，闸机放行速度由实时客流量调整。每个环节都有人在做“最后一勺菜”式的决策，只不过决策依据从阿姨的经验换成了模型输出的数字。区别在于，阿姨抖勺时你能看见，模型算错了你却不知道。

模型算错过吗？当然。上个月学校办运动会，系统没把运动员临时加餐算进去，结果中午十二点半，三个窗口的米饭同时见底。经理紧急让后厨蒸了两锅，但排队的人已经散了一半。那天下午，系统多了一条新数据：运动会当天，米饭实际消耗比预测高出百分之二十三。这条数据会被写进下一次训练，模型调整参数，下回再办运动会，米饭备量就会往上走。出错、记录、修正，循环往复，模型就这样一点点逼近真实。

有意思的是，食堂里最懂这套系统的不是经理，是那位打菜阿姨。她发现每周五下午剩菜总是偏多，就自己拿本子记了两个月，然后把记录给经理看。经理比对系统报表，发现是周五下午的体育课后加餐被模型误判成了正餐。阿姨不懂什么叫特征工程，但她知道体育课结束那群男生会往哪个窗口涌。这种知识没法直接塞进模型，只能靠人翻译成数据标签，再喂回去。

所以你看，科技没把阿姨从窗口赶走。它只是把她的经验拆成了两半，一半写成代码，一半留在手里。她依然要抖那最后一勺，只是现在抖之前会瞥一眼墙上的电子屏，屏上显示今日剩余份数。那个数字来自服务器，服务器来自云端，云端来自某个机房角落里嗡嗡作响的硬盘。而硬盘里的某一行数据，可能就来自我三个月前某天中午多刷的那份青椒炒肉。