开篇就是一幅很海淀的画面下午三点五道口某家咖啡厅靠窗一桌坐着三个年龄差至少二十岁的人。左边是个穿卫衣、还在念高二的男生笔记本电脑屏幕上全是密密麻麻的loss曲线中间是个头发已经有点稀疏的中年人正用笔在A4纸上画业务流程图右边那位手腕上还挂着住院手环刚拔了针头就赶来见投资人。这三个人我都认识他们分属三类截然不同的AI创业者。过去半年我在海淀见了不下四十位这样的从业者一个很强烈的感受是这轮AI浪潮在海淀不是涓涓细流而是集体开弓。少年极客、中年创客、ICU归来者三条年龄、背景、资源都差异极大的队伍几乎在同一时间把手里的箭射了出去。箭靶各不相同但弓弦紧绷的声音是同一频率的。今天这篇不写教程也不列API文档就想把一个真实的、正在发生的海淀AI生态剖面切开给你看。如果你也身在这轮浪潮里或者正在犹豫要不要下场这里的每一段都可能映照出你自己的影子。1. 海淀AI生态的三支箭地理基因决定了谁在这里射箭1.1 从电子卖场到大模型试验场中关村土壤的变迁海淀这片区域有意思的地方在于它从来不是一个靠单一产业定义的地方。九十年代的中关村是电子卖场攒机、光盘、盗版软件都在这里流通零几年的时候这里冒出一批做SP、做页游的公司到了移动互联网时代又在西二旗和后厂村长出好几家体量惊人的大厂。每一轮技术周期海淀都会换一层皮但底层的东西一直没变离高校近离人才近离“想法变成产品”的距离近。这一轮AI浪潮到来的时候我原本以为会重演移动互联网那种“资本狂涌、草根搬砖”的路径。但实际观察下来不是这样。海淀这轮AI创业的人群构成复杂得多有还在读书的少年有在行业里泡了十五年的中年还有从ICU里活着走出来的“归来者”。后两类人放在移动互联网时代几乎是不可想象的组合但在AI时代他们成了同一条赛道上并行的选手。1.2 为什么是海淀高校密度、算力布局与风险资本的三角关系很多人问为什么这轮AI创业的“集体开弓”集中在海淀而不是深圳、杭州或者成都。我的判断是三个因素叠加的结果。第一个因素是高校密度带来的“人才近水楼台”。清华、北大、北航、北理工、人大这些学校的学生在校园里就能直接接触到最前沿的模型技术。我认识的少年极客里有相当一部分是大二或高三就跟着实验室师兄做项目的导师手把手带着看论文、调模型这种人才供给节奏是其他城市很难复制的。第二个因素是算力资源的物理分布。海淀周边聚集了大量智算中心和提供算力租赁的创业公司对早期团队来说“买不起卡但租得起卡”是真实可行的路径。一个刚起步的小团队只需要几千块的月成本就能租到够用的训练资源这种基础设施密度直接把创业门槛砍掉了好几档。第三个因素才是风险资本。海淀的投资人密集得有点夸张一条街上可能同时走着十几个看AI赛道的合伙人。但和很多人想象的不同这轮浪潮里真正厉害的创始人反而不太愿意早期就融很多钱因为账上钱太多容易让人产生“我已经成了”的错觉这种心态在技术快速迭代的周期里很危险。1.3 “集体开弓”的隐喻技术窗口期带来的共时性机会“集体开弓”这个意象我第一次听到是在一场AI硬件路演上。当时有个做边缘推理设备的创始人说了一句话让我印象极深“大模型把门槛砸碎了所以现在什么人都能射箭但箭射出去之后能不能中靶靠的还是各自的力气和准头。”这句话点破了海淀当下最真实的生态基础模型的开源和API化把过去需要上百人、上亿资金才能做的AI产品压缩成了一个人、一台笔记本、一个月时间就能出Demo的小实验。于是少年、中年、归来的病愈者都在同一条起跑线上拉开了弓。技术窗口期就是这么公平它不管你今年二十岁还是四十五岁也不管你上一家公司是活着还是已经倒了只看你能不能在这个窗口期内用最少的资源做出最锋利的东西。2. 少年极客没有历史包袱的第一代原生AI人2.1 他们的入场姿势从玩模型到造产品只隔一个Demo少年极客这个群体是海淀这轮AI浪潮里最让人意外的变量。我最初以为他们只是在大模型上玩票比如用AI换脸做个搞笑视频、让ChatGPT帮忙写作业之类的。但接触多了才发现这批人里已经有一小撮跑得极快快到让一些上市公司都坐不住了。一个典型的例子是我在清华科技园附近认识的一个孩子十七岁还在读高三。他用了不到一个月的时间基于一个开源的多模态模型做了个AI识物工具专门帮视障人群识别药品包装、食品保质期和公共交通站牌。他为什么做这个因为他奶奶视力不好过年时拿错药差点出事。他把这个Demo发到几个技术社区两天之内收到了三百多封邮件有视障用户感谢他的也有投资人问他要不要聊一轮的。这个孩子给我最大的冲击不是技术能力而是他对“做一个产品”这件事的天然直觉。他根本没想过“这个市场有多大”“商业模式怎么闭环”这类问题他只关注“这个东西解决了谁的什么问题”。对一个十七岁的人来说这种直觉既干净又锋利是他比大多数成年人都有竞争力的地方。2.2 一个十六岁团队的AI应用拆解选题、算力、分发后来我专门跟着这个高三学生以及他的两个同学做了一次深度访谈把他们做一个AI应用的全流程拆了个底朝天。这里分享出来对任何想低成本入局AI的年轻人都应该有参考价值。先说选题。他们的逻辑很简单找一个自己日常生活中真实存在的痛点然后用AI把它解决掉。识物工具的痛点是奶奶拿错药另一个同学做的校园二手书匹配应用痛点是期末考试季教材难找。他们没有做那种宏大叙事的AI产品而是从一米内的问题出发这恰恰是很多成年人最不愿意做的事总觉得问题太小不值得做结果被少年的“小切角”打了措手不及。然后是算力。这个团队没有任何一张自己的显卡全部用云平台按小时租。租用价格大概是几十块钱一个小时他们用点云训练的模型跑一次大概需要三个多小时整个开发周期花了差不多一千三百块的算力成本。这个成本放在大公司眼里不算什么但对一个没有收入的高中生团队这笔费用是靠三个人周末帮人做家教积攒出来的每一分钱都花得咬牙切齿。最后是分发。他们没有做App也没有做小程序而是先做成了Telegram机器人因为那里面聚集了大量视障用户社群获客几乎零成本。上线两周就有了四千多个真实用户这个数据放到商业公司的投放体系里可能要花几十万才能换到。2.3 少年军团的软肋工程化与商业化之间的裂缝当然少年极客不是没有弱点。最明显的一个弱点是他们对“工程化”这件事的理解远远不够。Demo能跑通、能做出来但放到高并发环境里立刻就会崩。我见过一个很优秀的学生团队做了一款AI写作助手本地测试效果很好结果一上线就被流量冲垮了服务器因为没有做负载均衡也没有做降级策略甚至数据库连接池都没配置。这在国内AI创业圈里不罕见但发生在少年团队身上往往更容易致命因为他们的容错空间太小一次服务崩溃就可能让几千个早期用户流失殆尽。另一个软肋是商业化意识。很多少年极客打心底里觉得“谈钱很俗”更愿意做开源、做公益项目。这种心态我非常理解甚至在情感上很欣赏但在真实的创业环境里没有现金流支撑的项目很难活过两年的技术迭代周期。这里我给所有少年极客一个中肯的建议不要急着拒绝商业化先想办法让项目至少达到“收支平衡”哪怕只是每个月赚到算力成本的钱也比永远免费要强得多。否则你做的那个“很有价值”的工具最后会因为交不起服务器费用而无声死掉。3. 中年创客把AI揉进行业褶皱里的转换器3.1 中年转场逻辑不是追风口是给老行业找新引擎如果说少年极客是这轮AI浪潮的“原生物种”那中年创客就是“转换器”。他们大多在传统行业里浸淫了十年以上做过供应链、做过制造业、做过医疗信息化对某个行业的毛细血管了如指掌但过去这些经验在大模型出现之前很难转化为产品层面的壁垒。我认识的一位老陈就是这个群体的典型样本。他今年四十四岁在制造业干了十七年先后在两家知名电子代工企业做过生产总监和供应链负责人。三年前他自己出来做咨询帮中小企业搞数字化转型说实话那几年特别挣扎——传统的数字化方案比如ERP、MES这些系统实施周期长、定制化程度高、客户付费意愿又低做得非常辛苦。大模型这波起来之后老陈和几个老同事开了个会结论是不管这技术听起来多玄幻能帮车间少一个统计员、多一份产能利用率报告就值得试。他没有去做那种“颠覆行业”的宏大叙事而是从最朴素、最不起眼的生产日报入手用AI读设备状态、读报工记录、读质检数据自动生成生产分析日报。就这么个不起眼的小工具在制造业圈子里意外地受欢迎。3.2 一个制造业老兵的大模型落地路径从私有化部署到数据飞轮老陈的AI落地路径值得单独拿出来讲讲因为它代表了一种典型的“非AI原生公司”该走的路。第一步是私有大模型部署。老陈没有直接用云端的API接口而是在客户厂区里部署了一套开源模型当时是Qwen系列的某个版本用一台双卡服务器跑。他跟我解释过这么做的原因制造业客户对数据安全极度敏感生产数据绝对不允许出园区所以云端API这条路从一开始就行不通。同时他要求客户那边把近两年的排产记录、质检记录、维修工单全部整理出来用这些真实业务数据对模型做微调。微调后的模型对工厂车间里的术语识别准确率从最初的六成左右拉到了九成以上。第二步是RAG增强检索。纯靠模型微调不够因为工厂里的工艺知识和技术文档太多太杂且经常更新。老陈用了一套检索增强生成的架构把工艺手册、设备维修手册全部做成向量库让AI在回答问题之前先去查资料然后再整合输出。这样就能避免很多“一本正经胡说八道”的情况。这个我在其他项目里也反复验证过对专有领域来说RAG带来的准确率提升往往比盲目微调大得多。第三步是数据飞轮。他做的这套系统本身就产生产业数据AI每次生成的日报如果车间主管修改了某些内容系统会记录修改痕迹并反哺回模型的few-shot示例池。一个季度之后模型对异常工况的判断准确率又往上走了一截。老陈说了一句让我记忆很深的话“传统软件是越用越旧AI系统是越用越懂这个厂这是本质区别。”3.3 藏在项目里的避坑经验数据治理、成本测算、预期管理老陈踩过的坑可能比大多数AI创业者都要多。他总结了几条我听完之后觉得非常实用值得任何想入局传统行业的AI从业者牢记。第一条是数据治理的优先级。老陈最开始犯的错是想用AI的时候才发现客户的底层数据乱成一团同一个设备在A系统里叫“注塑机01”在B系统里叫“IM-01”在Excel表里又叫“3号机”。这些历史包袱靠AI算法是解不开的必须先做数据清洗和ID映射把不同系统里的设备编码统一否则再强的模型喂进去也是垃圾进、垃圾出。他花了整整两个月帮一个客户梳理数据字典这看起来完全不是AI的活但没有这一步后面所有环节都是空中楼阁。第二条是成本测算的颗粒度。很多公司老板问老陈“上一套AI要多少钱”老陈现在的习惯是反问“你要先告诉我你期望它帮你省多少人力、提多少效率。”他每次签项目前都会做一个详细的成本收益分析不但算AI系统本身的服务器、算力、实施费还算客户内部配合人员投入的时间成本。这样做的目的是把预期拉到一个双方都认可的水平线上最后交付的时候才能少一些“为什么这么贵”“为什么这么久”的扯皮。第三条是预期管理这一条在传统行业里尤为重要。老陈从不跟客户承诺“AI能做到100%准确”他一定会强调“AI帮你从80分提到95分但剩下的5分需要人来做最后确认”。制造业容错率极低一个误判可能导致整条产线停工所以他在系统设计上一定会留一个“人机共审”的环节。这种设计思路可能不够“酷”但特别适用于老陈所在的客户群因为传统行业老板要的从来不是技术前沿的荣誉称号而是明天早会上能少挨一次骂。4. ICU归来者失败病历是最稀缺的训练语料4.1 死过一次的创业者为什么反而更敢押注AI第三类人群是这个标题里最重的一支箭ICU归来者。我在这里说的“ICU”不完全是字面意义上的重症监护室也包含创业战场上那些“临床死亡过”的人——公司资金链断裂、被合伙人背叛、核心团队一夜解散、甚至自己的身体被疾病拖垮。他们和前三类的区别在于他们已经经历过一次“死所以对“失败”这件事的恐惧感被抹掉了一大截。在海淀这轮AI创业潮里ICU归来者的数量比想象中多得多。原因很简单上一轮移动互联网的创业泡沫在2019年前后破裂过一大批社区团购、共享经济、P2P、在线教育几乎每个赛道都有一批创始人从巅峰跌到谷底。这些人消沉了两年之后在大模型的时代重新找到了一个“翻身”的机会。和少年极客相比他们没有技术上的先发优势和中年创客相比他们的行业积累可能已经过时。但他们有一个别人很难复制的核心竞争力对失败有免疫力。4.2 从破产记录到AI客服一个“归来者”的第二曲线我见过一个让我印象最深的归来者先叫他老K吧。老K今年四十岁2018年在在线教育行业创业融了将近两个亿最风光的时候团队两百多人办公室包了整层。后来政策变化加上行业寒冬公司三个月之内从两百多人裁到只剩七八个人账上资金清零他自己也因为连续工作导致心脏出了问题在医院住了二十多天。用他的话说那一阵子他感觉自己这辈子已经结束了。两年之后老K再出现的时候穿着一件普通的黑色T恤背着一个磨破角的双肩包在中关村一间共享办公室租了四个工位做的是AI客服机器人。这个方向一点不性感甚至有点土但老K的逻辑非常清晰他破产过程中最痛苦的一段经历就是接不完的退费电话和客服投诉他太懂“客户服务”是怎么把人逼疯的了。大模型出现后他终于找到一个机会做一个真正“能听懂人话”的AI客服用大模型做语义理解再结合他自己的知识库来回答用户问题准确率比自己当年用的那套基于规则的老式客服系统提升了好几个量级。他做了十个月产品已经有四十多家付费客户了大多数是中小电商和教育机构。这些客户最大的共同点就是付不起传统客服外包的高昂成本但又常常被个位数的客服人员淹没在客诉里。老K很坦诚地说他现在的公司规模和过去没法比但他今年有一个明确目标把月营收做到五十万然后在这个基础上再谈融资。这个目标在他第一次创业的时候他连看都不会看一眼但现在他觉得先活下来才有资格谈后面所有的事。4.3 幸存者心态带来的产品哲学先保现金流再谈AGI老K身上有一个很鲜明的特质就是他对“现金流”的执念已经到了有点病态的程度。他的团队目前只有五个人每一个人的产出他都会盯着每个月他都会把资产负债表打印出来贴在办公室墙上。他跟我说过一句很真实的话“在上一轮创业里我最大的错误就是以为融到钱就安全了。现在我学乖了客户的钱比投资人的钱香得多。投资人的钱是贷款客户的每一单钱都是砝码。”这种“幸存者心态”带来的产品哲学和少年极客的浪漫主义、中年创客的务实主义都不同。老K不做任何“愿景型”产品他只做那些能在三个月内看到付费意向的项目。我曾经问他你为什么不做一个更有想象力的AI应用他反问我你见过ICU里出来的人第一件事是想跑马拉松吗不会的他第一件事是先确认自己能下床走路。这种心态让他在所有参与者里显得最“钝”但恰恰是这份钝感让他在大模型技术还不算完全成熟的早期阶段守住了一个个能够产生真实现金流的场景。如果把海淀这轮AI创业比作一场集体开弓那老K这类人的箭是最慢的但大概率也是射得最稳的因为他们知道脱靶的代价是什么。5. 三股力量的交汇与摩擦海淀AI社区的真实的协作画面5.1 跨代际合作的化学反应少年出灵感中年出框架归来者出底线这三个群体在海淀这片土地的碰撞不总是和和气气的。我在一次周六下午的AI Hackathon上亲眼看到过一场很戏剧性的合作。那场比赛的题目是给社区医院做一个AI预问诊工具。参赛队伍自由组队我注意到一个有趣的队伍一个十八岁的大一新生、一个三十五岁的前药企销售总监、一个刚从三线城市创业失败归来的三十七岁程序员。他们三个是在比赛正式开始前半小时才认识的然后决定临时组队。少年负责写核心的接口和调模型前药企销售负责梳理医生的问诊流程和场景痛点那位创业失败的程序员则承担起了整个工具的系统架构和部署运维。比赛结束的时候他们做出来的东西功能丰富度比另一支全员资深工程师的队伍还高。少年极客对整个AI能力的边界非常清楚知道哪些提示词能让模型输出最好的结果中年创客知道医生真正烦的是什么所以特意加了一个“一键生成病历草稿”的功能归来者则始终盯着数据库性能和成本一直在说“这个功能如果用共享GPU跑太贵了可以精简一下”。三个人互相补充最后拿了那场比赛的第一名。这个场景特别能说明问题AI创业真的不是一个人的游戏少年、中年、归来者各自把自己手里最锋利的那把刀拿出来拼接起来之后才是一套完整的武器。5.2 分歧点在哪里融资节奏、技术信仰与对失败的态度不过三股力量在协作中也有不少张力。最典型的分歧集中在三个方面。先说融资节奏。少年极客普遍认为应该先跑快一点最好在产品上线之前就把钱谈好中年创客倾向于有一定收入之后再融资拿数据证明自己归来者则普遍对融资有一种本能的警惕宁愿自己多干几个月也不愿意把决策权交出去。这种分歧本质上是风险偏好的差异没有绝对的对错但放到同一个团队里就很容易产生节奏上的拉扯。再说技术信仰。少年极客对开源社区有近乎宗教般的热情觉得一切都要用最新最强的开源模型动不动就要上几千亿参数的版本中年创客更加在意工具是不是够稳定、文档是不是够好、社区是不是够活跃归来者则往往对“新技术”抱有深度怀疑他们更愿意把一个简单可靠的方案用到底。这种分歧处理不好很容易变成团队内部的内耗。第三个分歧点是对失败的态度。少年极客把失败看成一次学习机会摔倒了爬起来就好中年创客把失败看作项目复盘的一个流程节点归来者则把失败当成创伤记忆每一个决策都会反复掂量“会不会重蹈覆辙”。这种差异会导致他们面对同样一个问题时反应完全不同需要非常强的沟通和共识机制才能调和。5.3 海淀AI生态的“集体开弓”效应批量涌现与批量淘汰同时发生如果站在更高视角看海淀这轮AI创业的“集体开弓”效应其实也在同时酝酿着大批量的淘汰。我见过太多类似的案例三个名校毕业生用两个月做出一个AI写作工具拿了天使轮然后在第二笔融资之前数据一直没有起色六个月之后无声无息地解散了。也见过一个从大厂出来的中年团队做AI数据分析产品自认为技术很牛但一直找不到付费客户最后不得不退回到做外包维持生计。这不是坏事。一个健康的生态本来就是批量涌现和批量淘汰同时发生的。前两年的元宇宙泡沫、此前的区块链热潮都验证了同一个逻辑真正留下来的不是喊得最响的而是那些能从真实需求里抠出收入的人。海淀这个生态更像一个雨林少年极客是新长出来的藤蔓长得快但根基不稳中年创客是高大的乔木吸收阳光的能力强但转型慢ICU归来者是经历过林火的树桩看起来不起眼但根系已经扎进了地下很深的位置。雨水充沛的时候三种植物都能活下来一阵子但等旱季一来谁的根系最深谁才能熬过去。6. 站在海淀看AI创业我们正处在哪一段射程6.1 从“技术奇点论”到“工程落地论”心态在回归最近半年我明显感觉到海淀AI圈的讨论氛围在发生变化。去年这个时候大家聚在一起聊的还是“AGI什么时候到来”“这个模型能力是不是已经超越人类了”这类话题情绪是亢奋的、带有某种宗教感的。但进入今年之后越来越多的人开始把话题切换到“这个功能怎么落地”“客户什么时候能付钱”“这个项目的ROI怎么算”氛围已经从“技术奇点论”逐步滑向“工程落地论”。这在我看来是泡沫出清的好信号说明真正干实事的人留下来了。这一轮心态的回归很大程度上是被大模型本身的进化节奏教育出来的。当模型能力在快速提升的时候单纯“追新”确实能吃到一波红利但当模型能力进入平台期真正决定一个产品生死的就回到了那些最朴素的商业命题你的用户是谁你解决了什么问题你的交付效率是否足够高。6.2 给不同阶段AI从业者的几句实在话基于我在海淀的观察对不同阶段的AI创业者我有些非常实在的建议想留下来。对少年极客你们的优势是免疫于思维定式一定要保持这种“我为具体的人做具体的事”的本能但同时要正视工程化和商业化这堂课。建议你们尽早去真实的企业环境里泡一泡哪怕只是实习几个月亲眼看一看产品从开发到交付的全过程这比你们在校园里多修几门课要管用得多。对中年创客你们的行业积累是最大的本钱但一定要警惕“经验变成包袱”。AI时代很多旧经验确实有效比如渠道管理、供应链能力、客户关系但也有大量经验正在快速失效比如传统的软件项目实施方法论。建议你们多和比自己小十五岁以上的年轻人组队不是去指导他们而是去倾听他们如何理解AI的边界这种“反向输入”带来的帮助往往是巨大的。对ICU归来者你们值得被这个世界再相信一次。经过重创之后你们对风险的理解、对现金流的管理能力、对人性的判断都到了一个人最成熟的状态。请把过去的事故变成故事但不要把故事变成每天向人诉说的伤疤。踏实做产品利润自然会替你把这段经历讲成一个有力量的品牌故事。6.3 这轮窗口期还剩多久判断框架与观察指标最后很多人问我对这轮AI创业窗口期的判断。我给不了具体的时间点这有太多不可控因素但我可以提供一个判断框架供你参考。第一看开源模型的能力提升速度。当开源模型和顶尖闭源模型的差距缩小到一定程度意味着个人和中小企业可以用极低成本做出接近大厂质量的产品这是创业者的黄金期反之如果闭源模型一骑绝尘那大多数创业者就只能做没有门槛的应用层壁垒会很浅。第二看工具链的成熟度。两年前做一个AI Agent还需要自己写一堆编排代码现在Graph框架、RAG工具、评估框架这些基础设施越来越完善。当工具链成熟到“拉配置就能搭一个AI应用”的时候差异化就不再来自技术实现而来自行业理解和用户体验设计这时候真正有血肉的创业者会跑出来。第三看算力成本曲线。如果算力价格持续走低那意味着更多人可以更低成本地做实验试错几率会大幅上升反之如果算力成本攀升那些拿着大额融资的团队会重新获得优势草根创业的机会窗口就会被压缩。海淀这场“集体开弓”并不会在短时间内停歇。少年极客的弓拉得最快中年创客的弓拉得最稳ICU归来者的弓拉得最准而这三股力量同时出现在一个地理空间里本身就是这个时代最好的注脚。作为长期观察者我不确定谁最终会射中靶心但我知道一点弓已经拉开风向正在改变那些还站在原地观望的人会在一两年之后发现自己已经错过了最容易中靶的那一段射程。 海淀AI创业的集体开弓：少年极客、中年创客与ICU归来者
开篇就是一幅很海淀的画面下午三点五道口某家咖啡厅靠窗一桌坐着三个年龄差至少二十岁的人。左边是个穿卫衣、还在念高二的男生笔记本电脑屏幕上全是密密麻麻的loss曲线中间是个头发已经有点稀疏的中年人正用笔在A4纸上画业务流程图右边那位手腕上还挂着住院手环刚拔了针头就赶来见投资人。这三个人我都认识他们分属三类截然不同的AI创业者。过去半年我在海淀见了不下四十位这样的从业者一个很强烈的感受是这轮AI浪潮在海淀不是涓涓细流而是集体开弓。少年极客、中年创客、ICU归来者三条年龄、背景、资源都差异极大的队伍几乎在同一时间把手里的箭射了出去。箭靶各不相同但弓弦紧绷的声音是同一频率的。今天这篇不写教程也不列API文档就想把一个真实的、正在发生的海淀AI生态剖面切开给你看。如果你也身在这轮浪潮里或者正在犹豫要不要下场这里的每一段都可能映照出你自己的影子。1. 海淀AI生态的三支箭地理基因决定了谁在这里射箭1.1 从电子卖场到大模型试验场中关村土壤的变迁海淀这片区域有意思的地方在于它从来不是一个靠单一产业定义的地方。九十年代的中关村是电子卖场攒机、光盘、盗版软件都在这里流通零几年的时候这里冒出一批做SP、做页游的公司到了移动互联网时代又在西二旗和后厂村长出好几家体量惊人的大厂。每一轮技术周期海淀都会换一层皮但底层的东西一直没变离高校近离人才近离“想法变成产品”的距离近。这一轮AI浪潮到来的时候我原本以为会重演移动互联网那种“资本狂涌、草根搬砖”的路径。但实际观察下来不是这样。海淀这轮AI创业的人群构成复杂得多有还在读书的少年有在行业里泡了十五年的中年还有从ICU里活着走出来的“归来者”。后两类人放在移动互联网时代几乎是不可想象的组合但在AI时代他们成了同一条赛道上并行的选手。1.2 为什么是海淀高校密度、算力布局与风险资本的三角关系很多人问为什么这轮AI创业的“集体开弓”集中在海淀而不是深圳、杭州或者成都。我的判断是三个因素叠加的结果。第一个因素是高校密度带来的“人才近水楼台”。清华、北大、北航、北理工、人大这些学校的学生在校园里就能直接接触到最前沿的模型技术。我认识的少年极客里有相当一部分是大二或高三就跟着实验室师兄做项目的导师手把手带着看论文、调模型这种人才供给节奏是其他城市很难复制的。第二个因素是算力资源的物理分布。海淀周边聚集了大量智算中心和提供算力租赁的创业公司对早期团队来说“买不起卡但租得起卡”是真实可行的路径。一个刚起步的小团队只需要几千块的月成本就能租到够用的训练资源这种基础设施密度直接把创业门槛砍掉了好几档。第三个因素才是风险资本。海淀的投资人密集得有点夸张一条街上可能同时走着十几个看AI赛道的合伙人。但和很多人想象的不同这轮浪潮里真正厉害的创始人反而不太愿意早期就融很多钱因为账上钱太多容易让人产生“我已经成了”的错觉这种心态在技术快速迭代的周期里很危险。1.3 “集体开弓”的隐喻技术窗口期带来的共时性机会“集体开弓”这个意象我第一次听到是在一场AI硬件路演上。当时有个做边缘推理设备的创始人说了一句话让我印象极深“大模型把门槛砸碎了所以现在什么人都能射箭但箭射出去之后能不能中靶靠的还是各自的力气和准头。”这句话点破了海淀当下最真实的生态基础模型的开源和API化把过去需要上百人、上亿资金才能做的AI产品压缩成了一个人、一台笔记本、一个月时间就能出Demo的小实验。于是少年、中年、归来的病愈者都在同一条起跑线上拉开了弓。技术窗口期就是这么公平它不管你今年二十岁还是四十五岁也不管你上一家公司是活着还是已经倒了只看你能不能在这个窗口期内用最少的资源做出最锋利的东西。2. 少年极客没有历史包袱的第一代原生AI人2.1 他们的入场姿势从玩模型到造产品只隔一个Demo少年极客这个群体是海淀这轮AI浪潮里最让人意外的变量。我最初以为他们只是在大模型上玩票比如用AI换脸做个搞笑视频、让ChatGPT帮忙写作业之类的。但接触多了才发现这批人里已经有一小撮跑得极快快到让一些上市公司都坐不住了。一个典型的例子是我在清华科技园附近认识的一个孩子十七岁还在读高三。他用了不到一个月的时间基于一个开源的多模态模型做了个AI识物工具专门帮视障人群识别药品包装、食品保质期和公共交通站牌。他为什么做这个因为他奶奶视力不好过年时拿错药差点出事。他把这个Demo发到几个技术社区两天之内收到了三百多封邮件有视障用户感谢他的也有投资人问他要不要聊一轮的。这个孩子给我最大的冲击不是技术能力而是他对“做一个产品”这件事的天然直觉。他根本没想过“这个市场有多大”“商业模式怎么闭环”这类问题他只关注“这个东西解决了谁的什么问题”。对一个十七岁的人来说这种直觉既干净又锋利是他比大多数成年人都有竞争力的地方。2.2 一个十六岁团队的AI应用拆解选题、算力、分发后来我专门跟着这个高三学生以及他的两个同学做了一次深度访谈把他们做一个AI应用的全流程拆了个底朝天。这里分享出来对任何想低成本入局AI的年轻人都应该有参考价值。先说选题。他们的逻辑很简单找一个自己日常生活中真实存在的痛点然后用AI把它解决掉。识物工具的痛点是奶奶拿错药另一个同学做的校园二手书匹配应用痛点是期末考试季教材难找。他们没有做那种宏大叙事的AI产品而是从一米内的问题出发这恰恰是很多成年人最不愿意做的事总觉得问题太小不值得做结果被少年的“小切角”打了措手不及。然后是算力。这个团队没有任何一张自己的显卡全部用云平台按小时租。租用价格大概是几十块钱一个小时他们用点云训练的模型跑一次大概需要三个多小时整个开发周期花了差不多一千三百块的算力成本。这个成本放在大公司眼里不算什么但对一个没有收入的高中生团队这笔费用是靠三个人周末帮人做家教积攒出来的每一分钱都花得咬牙切齿。最后是分发。他们没有做App也没有做小程序而是先做成了Telegram机器人因为那里面聚集了大量视障用户社群获客几乎零成本。上线两周就有了四千多个真实用户这个数据放到商业公司的投放体系里可能要花几十万才能换到。2.3 少年军团的软肋工程化与商业化之间的裂缝当然少年极客不是没有弱点。最明显的一个弱点是他们对“工程化”这件事的理解远远不够。Demo能跑通、能做出来但放到高并发环境里立刻就会崩。我见过一个很优秀的学生团队做了一款AI写作助手本地测试效果很好结果一上线就被流量冲垮了服务器因为没有做负载均衡也没有做降级策略甚至数据库连接池都没配置。这在国内AI创业圈里不罕见但发生在少年团队身上往往更容易致命因为他们的容错空间太小一次服务崩溃就可能让几千个早期用户流失殆尽。另一个软肋是商业化意识。很多少年极客打心底里觉得“谈钱很俗”更愿意做开源、做公益项目。这种心态我非常理解甚至在情感上很欣赏但在真实的创业环境里没有现金流支撑的项目很难活过两年的技术迭代周期。这里我给所有少年极客一个中肯的建议不要急着拒绝商业化先想办法让项目至少达到“收支平衡”哪怕只是每个月赚到算力成本的钱也比永远免费要强得多。否则你做的那个“很有价值”的工具最后会因为交不起服务器费用而无声死掉。3. 中年创客把AI揉进行业褶皱里的转换器3.1 中年转场逻辑不是追风口是给老行业找新引擎如果说少年极客是这轮AI浪潮的“原生物种”那中年创客就是“转换器”。他们大多在传统行业里浸淫了十年以上做过供应链、做过制造业、做过医疗信息化对某个行业的毛细血管了如指掌但过去这些经验在大模型出现之前很难转化为产品层面的壁垒。我认识的一位老陈就是这个群体的典型样本。他今年四十四岁在制造业干了十七年先后在两家知名电子代工企业做过生产总监和供应链负责人。三年前他自己出来做咨询帮中小企业搞数字化转型说实话那几年特别挣扎——传统的数字化方案比如ERP、MES这些系统实施周期长、定制化程度高、客户付费意愿又低做得非常辛苦。大模型这波起来之后老陈和几个老同事开了个会结论是不管这技术听起来多玄幻能帮车间少一个统计员、多一份产能利用率报告就值得试。他没有去做那种“颠覆行业”的宏大叙事而是从最朴素、最不起眼的生产日报入手用AI读设备状态、读报工记录、读质检数据自动生成生产分析日报。就这么个不起眼的小工具在制造业圈子里意外地受欢迎。3.2 一个制造业老兵的大模型落地路径从私有化部署到数据飞轮老陈的AI落地路径值得单独拿出来讲讲因为它代表了一种典型的“非AI原生公司”该走的路。第一步是私有大模型部署。老陈没有直接用云端的API接口而是在客户厂区里部署了一套开源模型当时是Qwen系列的某个版本用一台双卡服务器跑。他跟我解释过这么做的原因制造业客户对数据安全极度敏感生产数据绝对不允许出园区所以云端API这条路从一开始就行不通。同时他要求客户那边把近两年的排产记录、质检记录、维修工单全部整理出来用这些真实业务数据对模型做微调。微调后的模型对工厂车间里的术语识别准确率从最初的六成左右拉到了九成以上。第二步是RAG增强检索。纯靠模型微调不够因为工厂里的工艺知识和技术文档太多太杂且经常更新。老陈用了一套检索增强生成的架构把工艺手册、设备维修手册全部做成向量库让AI在回答问题之前先去查资料然后再整合输出。这样就能避免很多“一本正经胡说八道”的情况。这个我在其他项目里也反复验证过对专有领域来说RAG带来的准确率提升往往比盲目微调大得多。第三步是数据飞轮。他做的这套系统本身就产生产业数据AI每次生成的日报如果车间主管修改了某些内容系统会记录修改痕迹并反哺回模型的few-shot示例池。一个季度之后模型对异常工况的判断准确率又往上走了一截。老陈说了一句让我记忆很深的话“传统软件是越用越旧AI系统是越用越懂这个厂这是本质区别。”3.3 藏在项目里的避坑经验数据治理、成本测算、预期管理老陈踩过的坑可能比大多数AI创业者都要多。他总结了几条我听完之后觉得非常实用值得任何想入局传统行业的AI从业者牢记。第一条是数据治理的优先级。老陈最开始犯的错是想用AI的时候才发现客户的底层数据乱成一团同一个设备在A系统里叫“注塑机01”在B系统里叫“IM-01”在Excel表里又叫“3号机”。这些历史包袱靠AI算法是解不开的必须先做数据清洗和ID映射把不同系统里的设备编码统一否则再强的模型喂进去也是垃圾进、垃圾出。他花了整整两个月帮一个客户梳理数据字典这看起来完全不是AI的活但没有这一步后面所有环节都是空中楼阁。第二条是成本测算的颗粒度。很多公司老板问老陈“上一套AI要多少钱”老陈现在的习惯是反问“你要先告诉我你期望它帮你省多少人力、提多少效率。”他每次签项目前都会做一个详细的成本收益分析不但算AI系统本身的服务器、算力、实施费还算客户内部配合人员投入的时间成本。这样做的目的是把预期拉到一个双方都认可的水平线上最后交付的时候才能少一些“为什么这么贵”“为什么这么久”的扯皮。第三条是预期管理这一条在传统行业里尤为重要。老陈从不跟客户承诺“AI能做到100%准确”他一定会强调“AI帮你从80分提到95分但剩下的5分需要人来做最后确认”。制造业容错率极低一个误判可能导致整条产线停工所以他在系统设计上一定会留一个“人机共审”的环节。这种设计思路可能不够“酷”但特别适用于老陈所在的客户群因为传统行业老板要的从来不是技术前沿的荣誉称号而是明天早会上能少挨一次骂。4. ICU归来者失败病历是最稀缺的训练语料4.1 死过一次的创业者为什么反而更敢押注AI第三类人群是这个标题里最重的一支箭ICU归来者。我在这里说的“ICU”不完全是字面意义上的重症监护室也包含创业战场上那些“临床死亡过”的人——公司资金链断裂、被合伙人背叛、核心团队一夜解散、甚至自己的身体被疾病拖垮。他们和前三类的区别在于他们已经经历过一次“死所以对“失败”这件事的恐惧感被抹掉了一大截。在海淀这轮AI创业潮里ICU归来者的数量比想象中多得多。原因很简单上一轮移动互联网的创业泡沫在2019年前后破裂过一大批社区团购、共享经济、P2P、在线教育几乎每个赛道都有一批创始人从巅峰跌到谷底。这些人消沉了两年之后在大模型的时代重新找到了一个“翻身”的机会。和少年极客相比他们没有技术上的先发优势和中年创客相比他们的行业积累可能已经过时。但他们有一个别人很难复制的核心竞争力对失败有免疫力。4.2 从破产记录到AI客服一个“归来者”的第二曲线我见过一个让我印象最深的归来者先叫他老K吧。老K今年四十岁2018年在在线教育行业创业融了将近两个亿最风光的时候团队两百多人办公室包了整层。后来政策变化加上行业寒冬公司三个月之内从两百多人裁到只剩七八个人账上资金清零他自己也因为连续工作导致心脏出了问题在医院住了二十多天。用他的话说那一阵子他感觉自己这辈子已经结束了。两年之后老K再出现的时候穿着一件普通的黑色T恤背着一个磨破角的双肩包在中关村一间共享办公室租了四个工位做的是AI客服机器人。这个方向一点不性感甚至有点土但老K的逻辑非常清晰他破产过程中最痛苦的一段经历就是接不完的退费电话和客服投诉他太懂“客户服务”是怎么把人逼疯的了。大模型出现后他终于找到一个机会做一个真正“能听懂人话”的AI客服用大模型做语义理解再结合他自己的知识库来回答用户问题准确率比自己当年用的那套基于规则的老式客服系统提升了好几个量级。他做了十个月产品已经有四十多家付费客户了大多数是中小电商和教育机构。这些客户最大的共同点就是付不起传统客服外包的高昂成本但又常常被个位数的客服人员淹没在客诉里。老K很坦诚地说他现在的公司规模和过去没法比但他今年有一个明确目标把月营收做到五十万然后在这个基础上再谈融资。这个目标在他第一次创业的时候他连看都不会看一眼但现在他觉得先活下来才有资格谈后面所有的事。4.3 幸存者心态带来的产品哲学先保现金流再谈AGI老K身上有一个很鲜明的特质就是他对“现金流”的执念已经到了有点病态的程度。他的团队目前只有五个人每一个人的产出他都会盯着每个月他都会把资产负债表打印出来贴在办公室墙上。他跟我说过一句很真实的话“在上一轮创业里我最大的错误就是以为融到钱就安全了。现在我学乖了客户的钱比投资人的钱香得多。投资人的钱是贷款客户的每一单钱都是砝码。”这种“幸存者心态”带来的产品哲学和少年极客的浪漫主义、中年创客的务实主义都不同。老K不做任何“愿景型”产品他只做那些能在三个月内看到付费意向的项目。我曾经问他你为什么不做一个更有想象力的AI应用他反问我你见过ICU里出来的人第一件事是想跑马拉松吗不会的他第一件事是先确认自己能下床走路。这种心态让他在所有参与者里显得最“钝”但恰恰是这份钝感让他在大模型技术还不算完全成熟的早期阶段守住了一个个能够产生真实现金流的场景。如果把海淀这轮AI创业比作一场集体开弓那老K这类人的箭是最慢的但大概率也是射得最稳的因为他们知道脱靶的代价是什么。5. 三股力量的交汇与摩擦海淀AI社区的真实的协作画面5.1 跨代际合作的化学反应少年出灵感中年出框架归来者出底线这三个群体在海淀这片土地的碰撞不总是和和气气的。我在一次周六下午的AI Hackathon上亲眼看到过一场很戏剧性的合作。那场比赛的题目是给社区医院做一个AI预问诊工具。参赛队伍自由组队我注意到一个有趣的队伍一个十八岁的大一新生、一个三十五岁的前药企销售总监、一个刚从三线城市创业失败归来的三十七岁程序员。他们三个是在比赛正式开始前半小时才认识的然后决定临时组队。少年负责写核心的接口和调模型前药企销售负责梳理医生的问诊流程和场景痛点那位创业失败的程序员则承担起了整个工具的系统架构和部署运维。比赛结束的时候他们做出来的东西功能丰富度比另一支全员资深工程师的队伍还高。少年极客对整个AI能力的边界非常清楚知道哪些提示词能让模型输出最好的结果中年创客知道医生真正烦的是什么所以特意加了一个“一键生成病历草稿”的功能归来者则始终盯着数据库性能和成本一直在说“这个功能如果用共享GPU跑太贵了可以精简一下”。三个人互相补充最后拿了那场比赛的第一名。这个场景特别能说明问题AI创业真的不是一个人的游戏少年、中年、归来者各自把自己手里最锋利的那把刀拿出来拼接起来之后才是一套完整的武器。5.2 分歧点在哪里融资节奏、技术信仰与对失败的态度不过三股力量在协作中也有不少张力。最典型的分歧集中在三个方面。先说融资节奏。少年极客普遍认为应该先跑快一点最好在产品上线之前就把钱谈好中年创客倾向于有一定收入之后再融资拿数据证明自己归来者则普遍对融资有一种本能的警惕宁愿自己多干几个月也不愿意把决策权交出去。这种分歧本质上是风险偏好的差异没有绝对的对错但放到同一个团队里就很容易产生节奏上的拉扯。再说技术信仰。少年极客对开源社区有近乎宗教般的热情觉得一切都要用最新最强的开源模型动不动就要上几千亿参数的版本中年创客更加在意工具是不是够稳定、文档是不是够好、社区是不是够活跃归来者则往往对“新技术”抱有深度怀疑他们更愿意把一个简单可靠的方案用到底。这种分歧处理不好很容易变成团队内部的内耗。第三个分歧点是对失败的态度。少年极客把失败看成一次学习机会摔倒了爬起来就好中年创客把失败看作项目复盘的一个流程节点归来者则把失败当成创伤记忆每一个决策都会反复掂量“会不会重蹈覆辙”。这种差异会导致他们面对同样一个问题时反应完全不同需要非常强的沟通和共识机制才能调和。5.3 海淀AI生态的“集体开弓”效应批量涌现与批量淘汰同时发生如果站在更高视角看海淀这轮AI创业的“集体开弓”效应其实也在同时酝酿着大批量的淘汰。我见过太多类似的案例三个名校毕业生用两个月做出一个AI写作工具拿了天使轮然后在第二笔融资之前数据一直没有起色六个月之后无声无息地解散了。也见过一个从大厂出来的中年团队做AI数据分析产品自认为技术很牛但一直找不到付费客户最后不得不退回到做外包维持生计。这不是坏事。一个健康的生态本来就是批量涌现和批量淘汰同时发生的。前两年的元宇宙泡沫、此前的区块链热潮都验证了同一个逻辑真正留下来的不是喊得最响的而是那些能从真实需求里抠出收入的人。海淀这个生态更像一个雨林少年极客是新长出来的藤蔓长得快但根基不稳中年创客是高大的乔木吸收阳光的能力强但转型慢ICU归来者是经历过林火的树桩看起来不起眼但根系已经扎进了地下很深的位置。雨水充沛的时候三种植物都能活下来一阵子但等旱季一来谁的根系最深谁才能熬过去。6. 站在海淀看AI创业我们正处在哪一段射程6.1 从“技术奇点论”到“工程落地论”心态在回归最近半年我明显感觉到海淀AI圈的讨论氛围在发生变化。去年这个时候大家聚在一起聊的还是“AGI什么时候到来”“这个模型能力是不是已经超越人类了”这类话题情绪是亢奋的、带有某种宗教感的。但进入今年之后越来越多的人开始把话题切换到“这个功能怎么落地”“客户什么时候能付钱”“这个项目的ROI怎么算”氛围已经从“技术奇点论”逐步滑向“工程落地论”。这在我看来是泡沫出清的好信号说明真正干实事的人留下来了。这一轮心态的回归很大程度上是被大模型本身的进化节奏教育出来的。当模型能力在快速提升的时候单纯“追新”确实能吃到一波红利但当模型能力进入平台期真正决定一个产品生死的就回到了那些最朴素的商业命题你的用户是谁你解决了什么问题你的交付效率是否足够高。6.2 给不同阶段AI从业者的几句实在话基于我在海淀的观察对不同阶段的AI创业者我有些非常实在的建议想留下来。对少年极客你们的优势是免疫于思维定式一定要保持这种“我为具体的人做具体的事”的本能但同时要正视工程化和商业化这堂课。建议你们尽早去真实的企业环境里泡一泡哪怕只是实习几个月亲眼看一看产品从开发到交付的全过程这比你们在校园里多修几门课要管用得多。对中年创客你们的行业积累是最大的本钱但一定要警惕“经验变成包袱”。AI时代很多旧经验确实有效比如渠道管理、供应链能力、客户关系但也有大量经验正在快速失效比如传统的软件项目实施方法论。建议你们多和比自己小十五岁以上的年轻人组队不是去指导他们而是去倾听他们如何理解AI的边界这种“反向输入”带来的帮助往往是巨大的。对ICU归来者你们值得被这个世界再相信一次。经过重创之后你们对风险的理解、对现金流的管理能力、对人性的判断都到了一个人最成熟的状态。请把过去的事故变成故事但不要把故事变成每天向人诉说的伤疤。踏实做产品利润自然会替你把这段经历讲成一个有力量的品牌故事。6.3 这轮窗口期还剩多久判断框架与观察指标最后很多人问我对这轮AI创业窗口期的判断。我给不了具体的时间点这有太多不可控因素但我可以提供一个判断框架供你参考。第一看开源模型的能力提升速度。当开源模型和顶尖闭源模型的差距缩小到一定程度意味着个人和中小企业可以用极低成本做出接近大厂质量的产品这是创业者的黄金期反之如果闭源模型一骑绝尘那大多数创业者就只能做没有门槛的应用层壁垒会很浅。第二看工具链的成熟度。两年前做一个AI Agent还需要自己写一堆编排代码现在Graph框架、RAG工具、评估框架这些基础设施越来越完善。当工具链成熟到“拉配置就能搭一个AI应用”的时候差异化就不再来自技术实现而来自行业理解和用户体验设计这时候真正有血肉的创业者会跑出来。第三看算力成本曲线。如果算力价格持续走低那意味着更多人可以更低成本地做实验试错几率会大幅上升反之如果算力成本攀升那些拿着大额融资的团队会重新获得优势草根创业的机会窗口就会被压缩。海淀这场“集体开弓”并不会在短时间内停歇。少年极客的弓拉得最快中年创客的弓拉得最稳ICU归来者的弓拉得最准而这三股力量同时出现在一个地理空间里本身就是这个时代最好的注脚。作为长期观察者我不确定谁最终会射中靶心但我知道一点弓已经拉开风向正在改变那些还站在原地观望的人会在一两年之后发现自己已经错过了最容易中靶的那一段射程。