从DeepSeek到ChatGPT，从Gmail到Twitter，这些改变世界的产品最初都只是不被重视的支线项目。它们绕开了KPI束缚和过度管理，在自由探索中实现了技术突破。本文通过8个典型案例，揭示了side project如何成为创新温床，以及在AI时代个人探索价值被放大的新趋势。
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：
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。
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。
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。
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：
[1]https://x.com/Yuchenj_UW/status/2005361471224746368
[2]https://x.com/bcherny/status/2004887829252317325
[3]https://x.com/hardmaru/status/1882698763988545808
衡宇 鹭羽 发自 凹非寺量子位 | 公众号 QbitAI
本文由人人都是产品经理作者【量子位】，微信公众号：【量子位】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。