•
DeepSeek等8大產品都是意外?! 改變世界的項目們，最初都沒被“當個事兒辦”
這些改變世界的產品，最初居然都是不被當回事兒的支線項目（side project）？！
包括但不限於：
- DeepSeek：幻方量化的支線項目
- Qwen：阿里的支線項目
- Claude Code：Anthropic的支線項目
- ChatGPT：OpenAI的的支線項目
- PyTorch：Meta的支線項目
- Gmail：Google的支線項目
- Twitter（現𝕏）：Odeo的支線項目
- Slack：Tiny Speck的支線項目
就說例舉的這8個項目裡面，你日常會用幾個吧（doge臉等答案）～
反正，隨便單獨拎那一個出來，都會讓人小小詫異一下：這居然也能是個支線項目？
不過我們先來界定一下，什麼叫做“支線項目”。
簡單來說，就是非主線、非KPI驅動、最初非戰略立項。這些項目成立之初並不重要，更不是公司翻身的戰略方案。
所以失敗也好，和主線方向衝突也罷，都沒有太大關係。
但——
用熱烈討論的網友的話來說：
沒有項目經理、銷售、GTMs、合規、股東，支線項目總是魔法生效的地方。
從國內到矽谷，side project神話屢見不鮮
廢話不多說，先來看國內做副業做得比主業還家喻戶曉的幻方量化。
也就是DeepSeek背後的母公司。
幻方確實很技術范兒——在幻方量化內部，長期存在大量圍繞算力、模型和工程效率的技術研究。
但幻方並不是一家專門的AI Lab，所以上述這些研究首先服務於量化交易本身。
更多時候，AI的作用都是輔助金融市場的分析研究，妥妥的支線工具屬性。
所以，DeepSeek並不是在聚光燈下誕生的項目，是沿著內部技術演進自然延伸出來的結果。
這一點非常關鍵。
這種狀態，恰恰讓它能夠繞開很多創業項目必經的約束，比如節奏、敘事、融資節點、對外承諾……
總之就是技術可以先跑在需求前面。
更別提做量化起家的幻方，完全不缺卡了。
畢竟這個時代算力為王，誰能擁有更豐富的GPU叢集，誰就佔據資源優勢，而幻方量化顯然將這點做到了極致。
同時長期深耕金融專業場景，也讓它擁有得天獨厚的資料優勢，在研發通用智能時也會更傾向於注重模型推理和數學能力。
長期高強度的演算法投入，加上頂尖的人才儲備，幻方量化能打造出爆款AI，可謂天時地利人和。
而同屬國內開源大模型第一梯隊的Qwen其實也是支線項目。
通義千問技術負責人林俊暘在𝕏上公開：Qwen was a side project。
作為成熟的老牌網際網路公司，阿里早期在大模型上的戰略定位更多的還是面向行業ToB使用者，大模型的商業化交付才是絕對主線。
Qwen則堅定走上了一條開源道路。
而且據林俊暘所說，side project能夠提高成功機率。
一是因為沒有過度的決策參與，把自主權交還給真正寫模型的人。
二是微觀管理少，更大的試錯空間換來更快的迭代速度。
簡單來說，在Qwen的早期發展中，阿里不是完全不管，也不是嚴加看管，而是找到了一條折中的道路。
即儘可能給予研究團隊空間，以支線任務的形式“放養”，在證明其價值後，再逐步融入主線資源。
再看矽谷，同樣的典型案例有Claude Code。
最初，它不過是工程師Boris Cherny的一個Claude實驗性工程：
通過連接AppleScript，它能告訴使用者正在聽什麼音樂，還能切換在播的音樂。
有用肯定是有用，但聽起來有點平平無奇（？
某次和產品經理交流後，Cherny意識到，或許可以給終端來點和系統檔案互動的工具，比如讀檔案、寫檔案，還有運行批處理命令什麼的。
Anyway，Claude Code就這樣在相當偶然的情況下誕生了。
初露苗頭時，它只是一個員工基於自家大模型手搓的side project。
但正式面市後，隨即產生了暴風式傳播效應，並成為Anthropic的當家產品之一。
Boris Cherny在𝕏上記錄道：
一年前，Claude在生成bash命令時難以避免轉義錯誤。而且它一次只能工作幾秒或幾分鐘。
快進到今天。在過去的三十天裡，我提交了259個PR——497次提交，加入了40000行程式碼，刪除了38000行程式碼。
每一行程式碼都是由Claude Code+Opus4.5編寫的。
Claude持續運行數分鐘、數小時甚至數天。
軟體工程的範式正在改變。
誰也沒想到，當初一個並未委以重任的支線項目，現在已經成了一股繞不開的力量，推著我們走進程式設計新時期。
支線項目說不定會出現更多“逆襲”故事
AI加速進入軟體工程流程之後，試錯的成本被明顯拉低了。
過去需要團隊協作和資源協調才能完成的探索，現在能由個人更輕鬆、更迅速地來完成初步驗證。
從這個角度來想的話，其實真的不用把“探索”當作正經必須立項的行為了。
因為你每天就干自己的活，都有可能探索個新思路或者新方法出來。
許多支線項目都是在這種條件下出現——從解決一個具體問題開始，通過真實使用不斷修正方向，然後逐漸茁壯成長，最終成為一根根台柱子。
現在，AI能很好地縮短從想法到驗證的距離。
像Claude Code這樣的項目，並不是一開始就奔著“核心工具”去，而是在不斷使用中積累成熟度，最終進入真實生產流程。
當試錯足夠便宜，能否被迅速使用和反饋就更加重要，小項目的價值也隨之改變。
就說是不是直接放大了個人探索的價值吧！
不過，AI雖然提升了執行效率，卻未必同步提升戰略判斷的精準性。
在技術環境變化時，主線項目更容易被原有判斷束縛，而且老話說什麼來著，船大難掉頭。
這只是某一側重點下的對比結果，我們絕對不是在說抨擊主線項目，或者說主線項目就會因此失去意義。
只是在當下，有些東西發生了變化。
支線項目探索的成本更低，反饋更快，也為主線在方向被驗證後承接規模化任務打下了堅實基礎。
這種變化還在進行中，其最終形態並不清晰。
不過可以看到一個清晰的趨勢——
在AI時代，一些關乎未來方向的早期訊號，或許會越來越多地出現在那些一開始並不被當成正事兒的項目裡。
One More Thing
BTW，並不是所有的支線項目變成主項目後，都能很快拿到一個好的結果的。
Be like：
(量子位)