干扰球
- 最近一直在磕云台的移动算法。简单来说，我们的目标是让云台稳稳地跟着篮球转。但实际跑起来才发现，最难的不是跟踪，而是“排除”。
- 镜头里经常会莫名其妙出现一些干扰：可能是场边路过的球，或者是静止不动的球。我问了 AI 很久，它给我推荐了 ByteTrack 算法。听起来挺高端，我兴致冲冲地花了 5 个小时，把这套逻辑撸了出来。
- 第二天测试，日志显示 ByteTrack 压根没生效。我又闷头调试了两三个小时，效果还是不尽如人意。
- 就在我钻牛角尖的时候，老板提了一个方案：“我们直接锁死篮筐啊。” 只要保证篮筐一直处于镜头中间 30% 的区域，球再怎么跑，大方向也丢不了。
- 这个逻辑实现起来极其简单。测试了一下，效果居然出奇地好。这种“巧妙”让我感触很深： 我们总觉得得用高深的数学算法、得找技术精英、得调各种各样的参数才能解决问题，但很多时候，如果并不真正懂那个复杂的算法，而在时间又紧迫的情况下，死磕它可能并不是最优解。
- 最后我坐下来想了想，大多数深奥的数学算法，如果你研究透了却只用这一次，它的“人生杠杆率”其实是很低的。
- 但 ByteTrack 对我们来说有点特殊。因为我们深耕球类运动，以后排除干扰球的需求会反复出现。所以，虽然这次“偷懒”用了简单方案解决了急迫问题，但长远来看，花精力把 ByteTrack 彻底吃透，依然是一件高价值、高杠杆的事。
关于“能力”的题外话
- 我想起在抖音上听过的一句话：“个人的能力，是那些别人没办法通过简单培训就习得的知识。”
- 回看我平时做的工作，比如画个页面、接个常规需求，这些事只要我把 AI 调教好，甚至稍微花点时间给新人培训一下，他们很快就能上手。这种“低门槛”的事情，其实是要警惕的。
- 真正的价值，应该是把这些简单、重复的琐事委托出去，把精力腾挪给那些**“大方向上的难题”和“关键性的决策”**。