当分析变得毫不费力，每一次聚会都会成为一组数据。
一个朋友从外地来，想庆祝他的生日。
我们决定搞一场盲品糕点比赛，专门比可颂。任何人都可以从自己喜欢的面包店带三个一样的可颂来。最终我们收到了十一份参赛作品，每份切成十二块，每人一块品尝。参与者从第一名（最喜欢）排到第十一名（最不喜欢）。
讨论和争辩都随意，但在所有排名交上来之前，没人知道哪个可颂来自哪家店，也不知道是谁带来的。
一个周六的下午，我们围坐在一张桌子旁，桌上摆满了来自湾区各地的黄油美味，大家仔细咀嚼、高谈阔论、认真记录偏好。
排行榜
Bread Belly 的柿子二次烘焙可颂以平均排名 2.17 夺冠。没有人把它排到第五名以下。
Baker Next Door 有两款入围前三。Paris Baguette 的原味可颂和 Cinderella Bakery 的草莓卡仕达并列垫底，平均排名 10.17，而这其实是整个数据集中共识最强的一项。大家对于什么难吃的意见，比什么好吃的更统一。
Costco 的丹麦卷，单价 2.16 美元，排在第八。对于一个只有冠军四分之一价格、而且根本不是可颂的东西来说，已经不错了—有些人还因此扣了分。
派对上的笔记本电脑
大家品尝的时候，我打开了笔记本电脑，跑着 Claude Code。在第一口还没咬下去之前，我就给它下了指令：
“准备好用 Python 和 seaborn 为一场糕点品鉴比赛生成表格和可视化图表。”
几分钟之内，框架就搭好了。排名陆续交上来，我把数据录入表格，随时要求即时分析。
“哪个可颂最有争议？”
Backhaus Burlingame 的原味可颂：有人排第二，有人排第十。标准差 2.75，全场最高。
“谁的口味最像？”
Jon Yu、Jack 和 Vincent 形成了一个”口味铁三角”，相关系数超过 0.90—几乎可以互换的味蕾。Kenny 的排名最能代表整个群体的口味。Peter 是经过统计验证的逆行者，与其他所有人的平均相关系数只有 0.553。
“花更多钱真的能买到更好的可颂吗？”
价格-质量回归分析，R-squared 为 0.65，有意义但不算决定性。Arsicault 的原味可颂 5 美元排第五，性价比超出预期。前三名全是 8 美元以上的特色款。
回答这些问题，放在平时都需要把数据加载到 notebook 里，导入 pandas，选择合适的相关分析方法，格式化输出。不算难，但得刻意去做。属于那种你会在派对结束后才做的事—如果你会做的话。
但这一切就在派对进行中发生了。我并没有缩在角落盯着屏幕。感觉更像是发消息—这里问一句，那里输入一段提示词，瞄一眼输出，要求做些小调整。等最后一个可颂排完名的时候，完整的分析不仅已经出来了，而且很精美。
不过，我得坦诚地说，我自己的专业知识确实发挥了作用。我从 seaborn 开始，因为我知道这个库能让 Claude 更容易直接生成好看的图表。我知道对于序数数据，Spearman 相关比 Pearson 更合适。我发现了 CSV 里的重复排名，那些错误本来会悄悄地扭曲结果。我还拿随机基线跑了一遍相关系数来验证数学计算，确保它归零。少了这些检查，输出看起来会一样精美，但会有微妙的错误。
这种知识还能必要多久，我说不准。那天我们用的是笔记本电脑。再过一个月，同样的事情大概用手机就能完成。再往后不久，没人需要知道 Spearman 的存在—模型会自己选择正确的方法，验证输入，自行检查结果，不需要任何人提醒。
毫不费力的深度
那个下午我们产出的东西—相关矩阵、价格回归、争议排名、口味聚类—以前需要更多的意愿。你得有足够的兴趣，在活动结束后坐下来，搭好环境，整理数据，反复迭代。那个努力本身就是一道过滤器。只有你真正想分析的东西，才会被分析。
感觉这道过滤器现在基本没了。每个人都想知道哪个可颂赢了。大部分人对争议之选和价格相关性感兴趣。只有少数人在意完整的相关性热力图。人们真正想要的分析深度是有自然衰减的。
这跟相机的普及有点像。现在每个人口袋里都有一台，围绕它已经形成了一种随意的礼仪：谁想拍食物就拍，大家等一下，没人介意。很快，为了留下记忆，而且意愿的门槛低到它自然而然就成了体验的一部分。也许社交场合的实时数据分析会走同样的路—从新鲜事变成惯例，最终变成大家习以为常的事。
我觉得那天我们没有过头。毕竟是新鲜事，大家玩得很开心。但当借助 AI，每一场晚宴都有人能瞬间挖出隐藏的相关性，为当晚的葡萄酒生成图表的时候呢？我不确定分析还能继续像派对魔术那样令人兴奋。
十年的重新校准
2016 年，我在研究 LSTM 的时候，模型能正确处理英语复数就已经让人真心兴奋了。该加 s 的时候加，该省略的时候省略。这在当时是可以发论文的进步，真的发了。
十年后，我在一个生日派对上让 AI 实时回答关于群体可颂偏好相关性的问题，大家的反应是”哦，挺酷的。”不是震惊。只是……挺酷的。
我一直在想这两个时刻之间的距离。我们重新校准的速度有多快。每一种新能力几乎在出现的瞬间就被吸收进了基准线。有时候感觉，一件事让人觉得了不起的时间窗口，正在以比能力增长更快的速度缩小。
确实需要真正有意识地停下来，意识到我们正身处人类技术史上最快的能力跃迁之一，而我们中的大多数人—包括我自己—已经对此有点麻木了。
这一切值什么？
那么，所有那些分析的价值究竟在哪里？
它让朋友的生日更好玩了。它给了我们在”这个好吃、那个难吃”之外更多可以聊和争论的话题。Peter 将永远是经过认证的逆行者。我们发现 Costco 的丹麦卷和 Arsicault 的原味可颂是当之无愧的性价比之选。我们留下了漂亮的记录，以后可以发给彼此，再笑一回。
也许这就够了。也许价值并不真的在于那些洞察，而在于它为我们本来就在一起做的事增添的质感。又或者，我只是在合理化一个拿着 Claude Code 的数据爱好者拿到新鲜数据后一通猛干的结果。
苏格拉底说，未经审视的人生不值得过，但被过度审视的人生，是否更值得一过？
不管怎样，Bread Belly 赢了，而且赢得并不那么接近。
完整的分析、代码和数据都在 GitHub 上，这不是理所当然的嘛。
