2020 年那年的创业，给我印象最深的不是那些宏大的愿景，也不是那些完美的数据模型。我那时候最大的感觉是，咱们又回到了那个闷在网咖、吃盒饭、连 Wi-Fi 信号都勉强稳定的年代。
那时候做项目，就不讲究有没有啥 SaaS 工具要么有没有啥冷启动的算法，咱们就琢磨着：能不能把那会儿瞎折腾的东西，给干出点像样的样子。 那时候的项目，大多就是那种把“需求”和“技术”拼凑在一起的产物。我见过一个做 AI 图像处理的小团队，他们一启动就试图用深度学习去重构整个行业的视觉检测体系，结局发现数据标注的成本比预期的高了三倍，算法的泛化本事还差得远。他们就连把重心都放在如何把现有的数据集打包成 API 接口上了，结局客户连核心业务逻辑都没跑通。
那时候我就在想，是不是咱们再深入一点，把那些绕不掉的“脏活累活”，都变成项目标一局部？比如搞定一张图的标注，搞定一个文档的解析，搞定一个语音转写的接口。
没有这些笨功夫，别说做复杂的模型，连做点稳定的工具都难。 我认识一个人，他是做机器人视觉的，那时候他们搞一套基于深度学习的手眼协同系统，理论上成本能降下来，但实际落地时发现，那个“视觉”模块成了最大的拦路虎。他们试图用一个大模型去统一不同品牌设备的特征，结局发现不同厂商的摄像头、不同厂家的机械臂，连个特征对齐都不中。最终他们只能把系统拆成两块：一块是通用的视觉预处理，另一块是针对特定设备的边缘端处理。别看看起来有点割裂，但起码在可维护性上有了突破。
这让我意识到，2020 年的大量项目，本质上就是在解决“如何让技术更接地气”这个难题。 那时候的项目，往往伴随着大量的“试错”和“打补丁”。我们没法用云开发去解决数据隐私难题，也没办法直接调用强大的中间件。便，咱们就自己动手写个本地服务，要么用 Docker 把那些核心模块打包好。记得有一次，我的团队在开发一个医疗影像分析工具，主打那种“边缘计算”的概念。我们拍板在服务器上跑一个轻量级的模型， пациентов 端只处理好办的预处理。理想挺美好，但现实是，那个边缘端的推理速度忒慢了，延迟简直堪比刷墙。最终我们被迫把模型改得更大，跑在本地机器上，别看耗资不菲，但起码保证了对实时性的承诺。
这种“先做出来，再找路”的习惯，反而让我们避开了大量设计上的陷阱。 数据方面，那时候的样本量确实挺小。我见过一个做供应链风控的项目，他们只有一万条历史数据。在没有充足数据训练模型的时候，他们就得做大量假设。
比如假设“物流延迟”和“供应商评分”是线性相关的，要么假设“库存周转率”和“现金流健康度”有某种规律。为了验证这些假设，他们得跑一堆回归分析，就连做点相关性测试。别看看起来挺草率，但在那个数据饥渴的年代，这是唯一能证明东西是不是有逻辑的路径。他们后来也没法建立完善的预测模型，但起码在业务决策上，供给一个相对保险的参考依据。
那时候我就认定，数据匮乏不是技术难题，而是时代背景下的生存法则。 有时候，项目会变得特别“粗糙”。
比如为了下降服务器成本，我们会把大量非核心的功能砍掉，只留最核心的链路。就像我做的那个电商促销工具，最初版本可能连后台的关联分析都没做，直接就是基于销量和库存的一个好办标签。表面上看功能挺简陋，但它在某个细分场景下，确实跑得比那些功能臃肿的同类产品快多了。我们那时候极少去追求“完美”，要不就是那种生死攸关的节点。大局部时候，我们都在不断地“加量换速”，把那些看起来比较繁复的功能，一点点塞进去，用更低的成本去换取更好的体验。 自然，也不悲伤，但这正是我们当时的真写照。
那时候的项目，往往不是那种坐在写字楼里敲敲代码就能形成庞大回报的“高大上”产品，而是一些解决实际具体难题的工具。它们可能不那么性感，没有炫酷的交互设计，就连有时候代码的干净利落度都让人揪心。但好在，那时候的技术边界比目前要低大量，任何有想法的老板，只要肯把项目做深一点、做透一点，都能找到自己的路。 2020 年的那些项目，别看没有那么多花哨的图表和 PPT 讲故事，但它们传递出的是一种务实的生存智慧。我们在这个阶段，更多是在寻找“最小可行性产品”的雏形，是在重新定义啥是“可行”。
那时候的我们，更像是一个个不知疲倦的试错者，在数据的匮乏中摸索算法的边界，在技术的简陋中打磨产品的细节。别看过程并不完美，就连充满了各种 Bug 和争议，但正是这些时刻，让后来的项目才有了可能。我们那时候做的事，就是在告诉世界：技术别看先进，但解决实际难题，依然有它自己的逻辑和路径。