衡宇 鹭羽 发自 凹非寺

量子位 | 公众号 QbitAI

这些改变世界的产品， 最初居然都是不被当回事儿的支线项目（side project）？！

包括但不限于：

• DeepSeek：幻方量化的支线项目

• Qwen：阿里的支线项目

• Claude Code：Anthropic的支线项目

• ChatGPT：OpenAI的的支线项目

• PyTorch：Meta的支线项目

• Gmail：Google的支线项目

• Twitter（现𝕏）：Odeo的支线项目

• Slack：Tiny Speck的支线项目

就说例举的这8个项目里面，你日常会用几个吧（doge脸等答案）～

反正，随便单独拎哪一个出来，都会让人小小诧异一下：这居然也能是个支线项目？

不过我们先来界定一下，什么叫做“支线项目”。

简单来说，就是非主线、非KPI驱动、最初非战略立项。 这些项目成立之初并不重要，更不是公司翻身的战略方案。

所以失败也好，和主线方向冲突也罢，都没有太大关系。

但——

用热烈讨论的网友的话来说：

没有项目经理、销售、GTMs、合规、股东， 支线项目总是魔法生效的地方。

从国内到硅谷，side project神话屡见不鲜

废话不多说，先来看国内做副业做得比主业还家喻户晓的幻方量化。

也就是DeepSeek背后的母公司。

幻方确实很技术范儿——在幻方量化内部，长期存在大量围绕算力、模型和工程效率的技术研究。

但幻方并不是一家专门的AI Lab，所以上述这些研究首先服务于量化交易本身。

更多时候，AI的作用都是辅助金融市场的分析研究，妥妥的支线工具属性。

所以，DeepSeek并不是在聚光灯下诞生的项目，是沿着内部技术演进自然延伸出来的结果。

这一点非常关键。

这种状态，恰恰 让它能够绕开很多创业项目必经的约束，比如节奏、叙事、融资节点、对外承诺……

总之就是技术可以先跑在需求前面。

更别提做量化起家的幻方，完全不缺卡了。

毕竟这个时代算力为王，谁能拥有更丰富的GPU集群，谁就占据资源优势，而幻方量化显然将这点做到了极致。

同时长期深耕金融专业场景，也让它拥有得天独厚的数据优势，在研发通用智能时也会更倾向于注重模型推理和数学能力。

长期高强度的算法投入，加上顶尖的人才储备，幻方量化能打造出爆款AI，可谓天时地利人和。

而同属国内开源大模型第一梯队的Qwen其实也是支线项目。

通义千问技术负责人林俊旸在𝕏上公开：Qwen was a side project。

作为成熟的老牌互联网公司，阿里早期在大模型上的战略定位更多的还是面向行业ToB用户，大模型的商业化交付才是绝对主线。

Qwen则坚定走上了一条开源道路。

而且据林俊旸所说，side project能够提高成功几率。

一是因为没有过度的决策参与，把自主权交还给真正写模型的人。

二是微观管理少，更大的试错空间换来更快的迭代速度。

简单来说，在Qwen的早期发展中，阿里不是完全不管，也不是严加看管，而是找到了一条折中的道路。

即尽可能给予研究团队空间，以支线任务的形式“放养”，在证明其价值后，再逐步融入主线资源。

再看硅谷，同样的典型案例有Claude Code。

最初，它不过是工程师Boris Cherny的一个Claude实验性工程：

通过连接Apple，它能告诉用户正在听什么音乐，还能切换在播的音乐。

有用肯定是有用，但听起来有点平平无奇 （？

某次和产品经理交流后，Cherny意识到，或许可以给终端来点和系统文件交互的工具，比如读文件、写文件，还有运行批处理命令什么的。

Anyway，Claude Code就这样在相当偶然的情况下诞生了。

初露苗头时，它只是一个员工基于自家大模型手搓的side project。

但正式面市后，随即产生了暴风式传播效应，并 成为Anthropic的当家产品之一。

Boris Cherny在𝕏上记录道：

一年前，Claude在生成bash命令时难以避免转义错误。而且它一次只能工作几秒或几分钟。

快进到今天。在过去的三十天里，我提交了259个PR——497次提交，添加了40000行代码，删除了38000行代码。

每一行代码都是由Claude Code+Opus4.5编写的。

Claude持续运行数分钟、数小时甚至数天。

软件工程的范式正在改变。

谁也没想到， 当初一个并未委以重任的支线项目，现在已经成了一股绕不开的力量，推着我们走进编程新时期。

支线项目说不定会出现更多“逆袭”故事

AI加速进入软件工程流程之后，试错的成本被明显拉低了。

过去需要团队协作和资源协调才能完成的探索，现在能由个人更轻松、更迅速地来完成初步验证。

从这个角度来想的话， 其实真的不用把“探索”当作正经必须立项的行为了。

因为你每天就干自己的活，都有可能探索个新思路或者新方法出来。

许多支线项目都是在这种条件下出现——从解决一个具体问题开始，通过真实使用不断修正方向，然后逐渐茁壮成长，最终成为一根根台柱子。

现在，AI能很好地缩短从想法到验证的距离。

像Claude Code这样的项目，并不是一开始就奔着“核心工具”去，而是在不断使用中积累成熟度，最终进入真实生产流程。

当试错足够便宜，能否被迅速使用和反馈就更加重要，小项目的价值也随之改变。

就说是不是直接放大了个人探索的价值吧！

不过，AI虽然提升了执行效率，却未必同步提升战略判断的准确性。

在技术环境变化时，主线项目更容易被原有判断束缚，而且老话说什么来着，船大难掉头。

这只是某一侧重点下的对比结果，我们绝对不是在说抨击主线项目，或者说主线项目就会因此失去意义。

只是在当下，有些东西发生了变化。

支线项目探索的成本更低，反馈更快，也为主线在方向被验证后承接规模化任务打下了坚实基础。

这种变化还在进行中，其最终形态并不清晰。

不过可以看到一个清晰的趋势——

在AI时代，一些关乎未来方向的早期信号，或许会越来越多地出现在那些一开始并不被当成正事儿的项目里。

One More Thing

BTW， 并不是所有的支线项目变成主项目后，都能很快拿到一个好的结果的。

Be like：

参考链接：

— 欢迎AI产品从业者共建 —

📚「AI产品知识库」是量子位智库基于长期产品库追踪和用户行为数据推出的飞书知识库，旨在成为AI行业从业者、投资者、研究者的核心信息枢纽与决策支持平台。