今年的世界人工智能大会格外热闹——能参展的，不能参展的都去了，似乎所有行业都想与AI“沾点边”。这种“全民AI”的热潮，让我想起了几年前的一些经历，也让我对当下的行业有了些个人思考。
一、从“AI泡沫”到“隐私计算内卷”：
2018年，我看了一部老电影《Her》，让我对AI私人助理充满憧憬，于是想跳槽到当时火热的NLP、知识图谱代表的AI赛道。但接触后发现，不少公司看似光鲜，实则只有智能客服算是成熟的应用，“故事大于实际产出”，泡沫感扑面而来。
当时聊的几家“知名公司”现如今已经杳无音讯。
按照当年资本看企业服务市场：传统软件公司估值约9倍营收，SaaS能到40倍，而AI公司甚至能喊出100倍——为了撑起高估值，AI公司不得不“曲线救国”：从卖软件到卖硬件是条必经路线，甚至接总包项目，营收成了唯一的KPI。
这种“To VC”模式，我在隐私计算行业也见过，同样是涉及模型，数据的底层技术。在2021年不完全统计有260多家公司，为了融资和估值疯狂内卷，最终大多数倒在了早期。
离开这个行业后我写过一篇《2022，关于隐私计算行业的一些思考》，也正是这些经历，让我对今天的AI行业有了更冷静的思考。
二、四个个人观点：
1. 大模型创业公司：几年后可能所剩无几
大模型赛道的核心壁垒，远不止技术——它更像一场“资金+时间+耐心”的持久战。大厂凭借数据、算力和现金流优势，几乎垄断了基础设施层。创业公司即便短期技术领先，融了一些钱，也很难在“烧钱竞赛”中存活。钱，或许是这个赛道最现实的壁垒。
2. 与其卷模型，不如卷应用——但To C可能比To B更有机会
既然大模型难突围，创业公司更该聚焦“模型+场景”的应用落地。参考互联网和移动互联网的成熟标志：不是技术多先进，而是做应用的公司（App）真正赚到了钱。
如果AI应用公司长期不盈利，或许说明行业仍在早期。而从创业角度看，To C的“爆发力”可能大于To B：C端用户对体验敏感，一旦解决真实痛点（比如AI绘画、智能助手），容易快速起量；To B则需要漫长的客户教育和定制化服务，试错成本更高。
3. To B领域：创业公司大概率干不过老牌软件厂商
AI本质是底层技术，而老牌软件厂商手握“四大王牌”：成熟产品、真实场景、存量客户和行业Know-how。他们只需用AI替换原有技术模块，就能在老客户基础上提升效率，这比新创公司“从零拓荒”优势大很多。
比如AI招聘场景，北森、Moka等玩家凭借原有HR系统的客户积累，做AI升级远比新团队更容易——创业公司想在To B领域颠覆老牌厂商，难度堪比“用新木桶挑战旧水桶”，除非找到很细分的场景。
4. 大模型融资：一场“诈金花”式的赌局？
明知烧钱，明知泡沫很大，为什么大模型公司还能持续融资？
我觉得有点像“诈金花”：
初期大家都不看牌（技术前景场景不明），投资人为了不缺席“下一个互联网”，纷纷下注；
中期开始看牌（DeepSeek开源，各家技术或产品有进展），抓到“小牌”的只能退场，抓到“金花”的（比如有落地场景、数据闭环的公司）继续加注；
后期大家心里都慌：虽然有“金花”在手，但不知道对方牌面大小。不跟，怕对方“诈胡”，错过机会；跟，又怕没对方牌大。于是拉更多资方入局，把“赌局”撑大，均摊风险。
最终结局可能和共享单车类似：早期街头巷尾“五颜六色的单车”混战，最后被大厂收割（比如美团收摩拜），形成“三足鼎立”（美团、哈啰、青桔）。
三、尾声：
大模型会重蹈覆辙吗？或许，但基础设施的终局往往是“巨头垄断+细分生存”，留给创业公司的空间可能在垂直场景。
写在最后，这些判断未必正确，毕竟AI行业仍在快速变化。但有一点可以肯定：泡沫退去后，真正能解决问题的公司会留下——无论是大厂，还是找到“小而美”场景的创业者。
