这架无人机刚上手的头几天，我真是被气吐了。刚启动认定它是未来的交通工具，结局摔坏了俩，电池充一次要四五百块，还时常卡着飞。 那时候我还当作这是某种高科技玩具，心里那句“未来已来”听着挺响，可落地一看……这玩意儿就是个被软件绑架的土电话。它飞不稳不是出于机器笨，是出于脑子忒怕死。

只要一有风，它就要找地；有图有真相，它就不敢飞高。连个复杂的航线规划，它都得把地图上的点一个个点死。我坐在办公室里，看着它被这“地心引力”拖得东倒西歪，心里那个“未来已来”的劲儿，硬生生给磨没了。 后来真不巧，正赶上南方的梅雨季节，空气湿度大得像刚煮开的猪油，满屋都是霉味。我本来想试试新买的电池，结局充进去的电量，充了硬是充不进去。

看着它在那儿像个憨憨的傻子，对着空气发呆，我差点当场发疯。

那时候我就有个念头，这玩意儿要是能像那会儿那种老陀螺一样，人走它跟，人停它停，该多好。

可惜，目前的算法早跟人走人停反之了，它越跟，人就越远。 直到最近，我在开发区拍了一组航拍图，才算是把那口气给顺过来。 那天我是特意绕着某座旧工厂做的。

本来想拍个全景，把那些斑驳的厂房和周围的城市拼凑在一起，看看能不能看出点眉目。结局这电脑比我那脾气还急，拍完我要发哥们儿圈，它居然不动了。我急得在原地转圈，那屏幕上的影像还在动，可我的鼠标早就被它给“解耦”了。

那一刻我才明白，它不是不想动，是它怕我把它当工具用。它只能机械地执行指令，对于“如何拍得最美”这种创意，它连思索的力气都没有。 为了搞清楚这背后的逻辑，我花了一天工夫研究它的底层代码。我发现它实际上是个贼典型的深度强化学习模型。它的训练方式，彻底就是玩“打地鼠”的游戏。

第一步是让它通过人类标注的几百上百个几十米处的高对比度图片，学会如何判断哪张照片相机拍得最好看。

第二步，就是让它学着如何避让障碍物。 我专门找来了一套测试数据。里面包含了上百张不同天气、不同光照条件下的照片。正常情况下来，它的准率能达到百分之九十五以上。但这里有个关键数据对比：在“非正常”场景下，比如逆光拍摄要么强逆风时，它的识别毛病率就能飙到百分之六十。

这玩意儿不是死板地死记硬背，而是学会了概率。它知道啥比例是保险的，啥比例是悬的，然后才敢去尝试。 有个具体例子，我明明拍好了这几张照片，数据也出来了，它却死活不愿意同步到传输线上。

不是它不想，也不是它不想发，而是它怕同步的瞬间被系统判定为“内存溢出”要么“逻辑混乱”。它在云端里把自己绕晕了，认定目前这个状态最保险。我后来试了一次，对着它说：“发吧！”它竟然确实搞定了传输。

那一刻我才惊觉，它之故此不听话，是出于它把“保险”和“对”绑得忒死忒紧，到了极限。 这让我想起了那会儿那种老式的自动旋转陀螺。它不 smart，也不 smart，它唯一能做的就是转着转着就停。出于在那几十年里，它被人类养得忒好了，人类只要轻轻一推，它就会跟着转，直到停不下来。目前的 AI 无人机，恰恰反之。它忒想转，结局把自己给转断了。 看来，所谓的“未来”，实际上并没有我们想象得那么惊天动地。它可能就是个一辈子认定“我还没学会飞”，结局自己先学会了自己摔倒的笨蛋。我们需求的，或许压根儿不是更高级的 AI，而是更懂得给 AI“放权”和“留口子”的人类。 下次再看到它这种傻样，可别急着喷。说不定它正在哪个角落，默默地为人类拍下一张没有遗憾的照片呢。

毕竟，能直立行走，还能在空中自由乱飞的那些家伙，总比那些只会跑圈儿的陀螺强得多。