DeepSeek等8大产品都是意外？

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?）：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?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AppleScript，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?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，反馈包快，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：