從算法工程師到PE投資人：一位跨界老兵的AI創業洞見

編者按：從程序員到投資人，從董秘到AI創業者，Frank橫跨多個領域。在他看來，AI時代最大的機會，藏在那些大廠不願做的「髒活累活」和「時間差」里。

導語

他本科計算機、研究生金融，做過程序員、創過業、干過私募，也當過被投企業的董秘。如今，他投身AI創業大潮，其團隊脫胎於GitLab中國，致力於打造AI時代的「私有化Hugging Face」。

在金色財經與Twinkle聯合主辦的《進取派會客廳》第十期中，開放傳神OpenCSG董事會秘書&戰略生態負責人陳放Frank。分享了他對AI產業階段、產品壁壘、創業機會以及未來格局的犀利觀察。

在直播中，Frank深度剖析了AI行業從雲端壟斷向私有化部署的轉型趨勢，闡述了OpenCSG基於開源模式的商業壁壘，並針對AI創業團隊構建、行業Know-how價值及未來商業化路徑給出了具體建議。以下是本次對談的實錄整理。

一、 從GitLab到OpenCSG：打造AI時代的私有化「腳手架」

Tina：歡迎來到金色財經 AI 進取派會客廳，我是主持人 Tina。今晚我們和一線 AI 實戰創業者聊真話、講乾貨。今天請到  OpenCSG 的 Frank 老師，他橫跨多個領域，先請老師做個自我介紹。

Frank：好的，我本身是程序員出身，做了兩三年程序員之後自己創業一年，之後進入私募機構工作兩三年，再後來去被投企業擔任董秘，這是我的第二任董秘經歷。簡單梳理就是計算機技術起步，之後做私募投資，再到被投企業擔任董秘，一路走來基本都紮根在 AI 與計算機軟體領域。我的本科是計算機，研究生讀的金融。

Tina：相當於是既懂技術又懂投資的複合型人才，歡迎 Frank 老師！咱們先開門見山，您能簡單介紹一下您自己和目前創業的項目 OpenCSG 的核心業務嗎？

Frank：說起淵源，大家應該聽過 GitHub，它的競品 GitLab，在企業私有化代碼部署市場占有率超過 90%，絕大多數企業內部都在使用 GitLab。我們現在整個團隊就脫胎於原 GitLab 中國團隊，我們董事長也是原 GitLab 中國董事長陳冉。

進入 AI 時代，行業里又出現了新時代的 GitHub——Hugging Face。Hugging Face 主要做線上模型微調、模型託管、算法與模型儲存，絕大多數模型打榜都會先上傳到這裡。但很多企業沒辦法直接使用線上 Hugging Face，AI 模型微調、使用和代碼一樣，有極強的數據保密、數據安全訴求，必須做私有化部署。

所以我們最早就是做私有化版本的 Hugging Face，面向企業提供私有雲下大模型、中小模型的私有化部署服務。之後業務持續迭代，從單純私有化部署，延伸覆蓋數據採集整理、模型微調、RAG 到 Agent 搭建，形成一套完整生態架構平台。我們產品一大特點就是全部開源，目前已經完成四輪融資，早期天使輪投資方包括聯想創投、國信中數，後續還有中科曙光、上海徐匯資本、金安資本等機構。

二、AI產業觀察：從「奢侈品」到「水電煤」的驚人轉變

Tina：我們儘量不聊融資相關，我們聚焦技術。站在入局者視角，您判斷當下 AI 行業處於哪個發展階段？您自身核心競爭優勢是什麼？

Frank：先說行業變化。一年前，大家還在想盡辦法合規調用海外雲模型，折騰網路、算力卡，門檻很高，都覺得公有雲模型是最優解。但今年六七月份發生很明顯的轉變：國產模型，包括 Kimi、DeepSeek 等，部分能力已經追平海外雲模型。大家不再費勁折騰外部服務，這是非常關鍵的信號。

AI 已經從少數巨頭壟斷、高定價的狀態，走向普惠化，真正變成可用的基礎器件。模型蒸餾會持續發生，模型能力會持續迭代。行業馬上進入下一個階段，重點轉向企業落地與個人落地。

現在很多人還在網頁端使用 AI 工具，但接下來會思考：如何部署到本地電腦，私有化儲存自己的數據，掛載私有知識庫。我們正邁入 AI Agent 應用階段。去年我們就在說算力、Token 會變成水電煤一樣的基礎設施，這個過程正在兌現。今年六七月份算力已經普遍供不應求，本質就是 AI 真正實現可用帶來的結果。

同時行業出現雙向發展趨勢：模型越做越大，幾千 B 量級大模型持續迭代；同時模型也在越做越小，10B、1B、0.5B 的小模型能力持續提升。像做蛋白質相關研究，很多模型 1B 以下就可以實現本地部署。線上公有版本和私有化部署版本會長期並存。比如 Kimi 私有化部署，早期成本很高，但幾年之後成本可能壓縮到幾萬、幾十萬級別。小米也推出過本地 AI 設備，可以做到很高的 Token 每秒輸出。本地化 AI、本地化數據，是明確趨勢。

我們的定位是做 AI 時代的 Agentic 腳手架。不管底層模型如何迭代，萬變不離其宗，AI 應用離不開模型、數據、提示詞、工具能力這套組合。我們就做這套開源工具底座。

三、談壁壘：大廠為何「抄」不走我的護城河？

Tina：能感受到是技術壁壘很高的方向。現在AI迭代太快了，如果明天有家大廠融了比你多100倍的錢，48小時內把你的產品完整復刻出來，這種情況下真正的護城河是什麼？您會怎麼辦？您手裡最希望剩下什麼？

Frank：這是個好問題，也是投資人們常問的。

首先，我們採用和 GitLab 一致的 OpenCore 開源商業模式：社區版永久免費，私有化部署、高可用配套能力做商業化收費。紅帽、GitLab 都是這套模式，付費點集中在高可用、權限管理、災備能力，是經過市場驗證的成熟模式。

其次，壁壘這個東西，軟體和硬體一樣存在。做投資的時候，投委會經常問我軟體有沒有壁壘。反過來想，硬體難道就有牢不可破的壁壘嗎？硬體也只是工藝打磨改造，軟體的工程化打磨同樣具備價值，不能忽視。

舉個例子，就算某廠商推出配置兩倍、價格減半的手機，大家也未必會買。紙面參數不等於實際綜合體驗，軟硬體協同、實際穩定性，是參數體現不出來的。這背後是品牌認知，還有長年累月沉澱的工程化能力，不是靠堆參數、短時間復刻就能完成。

再看操作系統，Windows、安卓、WPS，很多底層原理資料全部公開，為什麼沒有大批替代品？真正難的不是看懂理論，是海量工程化積累、行業落地經驗、穩定性打磨。騰訊會議也是同理，理論上 AI 可以輔助復刻，但真正落地要解決無數看不見的 bug、穩定性問題。

再者，大廠沒必要，也沒精力來做。大廠更追逐 C 端流量、爆髮式增長，追求 110000 倍的增長曲線。而我們這類基礎設施賽道，增長是循序漸進，幾倍、幾十倍慢慢往上走。等賽道顯現出千倍增長機會的時候，我們已經積累足夠深，大廠再進場就已經晚了。

就算別人拿到我們開源代碼去二次修改，也有現實成本。我們每周迭代更新版本，如果企業 fork 一份舊版本，就要專門組建 35 個人團隊持續維護，一年人力成本接近兩百萬。那多數客戶會選擇花十萬採購我們的商業服務，而不是自己組建團隊維護，這就是現實邏輯。

四、創業新法則：拋棄「老頭思維」，利用「時間差」賺錢

Tina：很實在的觀點。過去 AI 創業最大難點是做不出產品，很多人有想法但不會寫代碼；現在靠提示詞就能快速產出 Demo。很多人提出 AI 創業的主要矛盾已經改變。結合您實戰經歷，現在 AI 創業者最大的核心競爭力，到底是創造力還是別的能力？

Frank：現在靠 AI，駭客松級別的 Demo 非常容易實現。把賽題直接丟給大模型，生成的作品質量，就能超過 90% 參賽選手。Demo 的門檻已經大幅降低。但 Demo 和真正商業化產品中間，還有距離，不過這個差距，未來半年到一年也會持續縮小。

我們聯合主辦過好幾場駭客松，WICOPC 大賽我們既是評委也是聯合主辦方。OPC 的團隊我們建議控制在三人以內：技術人員、產品人員、營銷人員。技術和產品可以由同一個人兼任，但現階段，依然需要有人完成最後 10% 工程打磨，還需要人負責市場傳播。

上周我們剛和湖南省教育廳、交大聯合辦完一場駭客松，一等獎是一名 17 歲的大二學生，團隊只有兩三個人，項目表現碾壓不少融資多、團隊幾十上百人的成熟項目。這也印證，團隊規模大小不等於項目實力。

現在要警惕 「老頭思維」：很多人身體年紀不大，但思維已經固化，固守傳統古法編程。新生代、00 後完全不一樣，看完需求第二天就能產出 Demo。有些傳統諮詢行業也在發生變化：和客戶溝通完成需求，錄音轉寫之後直接丟給大模型，當天就能交付 Demo。還固守傳統流程、賣弄專業術語，不解決實際問題的模式，會慢慢被淘汰。

落到創業，最核心的問題不是創意，而是誰來買單。短影音、娛樂類 AI 項目，本質是爭奪用戶注意力，但掌握付費資源的，很多還是傳統群體。

這裡有個很有意思的現象：AI 大幅提升開發效率，但外包網站、定製開發報價幾乎沒有下降。明明過去一個月的工作量，現在一天就能做完，報價維持原狀。有兩層原因：一部分從業者固守舊的工作模式，不用 AI 提效；另一部分商業模式是按人天、按月收費，企業不願意主動降本降價。

這裡就存在巨大資訊差機會：別人報價一萬，你依靠 AI 把成本壓縮到原來十分之一，報價兩千，就可以搶占市場。核心要找准錢在哪裡，抓住時間窗口。

五、Agent的終極形態：一切皆插件，所有交互歸於對話框

Tina：聊到 Agent，行業經常討論一個命題：Agent 到底是幫人工作，還是替人承擔業務責任？如果未來 AI 要對業務結果負責，不再只輸出建議，這類產品還屬於傳統 SaaS 嗎？計費模式還會沿用人工時嗎？

Frank：我看過一個短劇設定，幾十年之後，所有人都用 AI 完成工作，會傳統編程、手動做 PPT 文檔反而變成稀缺技能。這個設定很有啟發，AI 會過度思考，也會持續出錯。短期之內，業務責任還是要落到人身上。

回顧過去兩年，AI 落地最好的場景大多是泛娛樂：比如 KTV 裡面，輸入歌詞，AI 寫歌、生成 MV，錄入人聲完成定製。整套服務面向消費者可以收費一兩百，但底層 API 成本其實很低。這屬於結果容錯度高的場景，模型效果好壞見仁見智，非常適合落地變現。短劇也是同類邏輯。

但在高要求的生產業務領域，完全讓 AI 擔責還有很長的路。企業採購開源商業服務，很多時候買的不只是功能，更是廠商兜底負責。OpenCore 模式商業付費點，很大一部分就是高可用、災備，出問題有廠商兜底。

現在也出現 Agent 之間自動簽約交易的技術探索，但目前只傳遞 Agent 聲明資訊，沒有完整傳遞 Agent 本體。如果中間被篡改，沒有核驗手段，只靠機構背書，並沒有真正閉環。

未來當然有可能實現 Agent 自主承擔業務，但中短期，必須解決可追溯、可追責、多模型交叉驗證的問題。

AI 可以處理絕大多數資訊，但是它接收的只有公開數據。創始人、業務負責人掌握的自身處境、現實閱歷這些隱性資訊，很難完整表達餵給 AI。最終關鍵抉擇、拍板確認，依舊需要人完成。

很多崗位已經明顯受到衝擊，海報 UI 設計、網站開發，AI 已經可以快速產出，我自己公眾號排版、課程大綱，大模型輸出質量已經很高。但最後一步的精確認知和確認，短期依舊離不開人。

Tina：很多嘉賓都提到行業經驗是 AI 創業壁壘，但專家沉澱多年的經驗，很多人說可以被大模型蒸餾。那到底什麼樣的行業經驗，才是真正無法被簡單蒸餾、可以沉澱成 AI 決策系統？有沒有印象深刻的案例？

Frank：很多人想做 AI Agent，第一步就卡住：只知道想解決什麼工作，但梳理不清楚業務本身的問題，不知道有哪些資料、數據可以供給 Agent。很多傳統行業做 AI，第一件事反而是完成企業資訊化，沒有整理好的數據，AI 就沒有餵養原料。

市面上 Agent 報價從幾十萬到幾百萬不等，但本質上，只要需求梳理清晰，普通認真的開發者就可以把 Agent 打通，技術實現本身不是最大門檻。

私有化部署和公有雲不一樣，公有雲追求最強大模型；私有化更多是小模型、多模型結合企業本地私有數據，不需要一直依賴頂級高薪專家，把細分領域業務梳理到位，普通人員配合模型就能落地。

再講 Knowhow。如果你的行業經驗，身處萎縮、狹窄的細分市場，那這份 Knowhow 反而會變成負擔。真正有壁壘的 Knowhow，是沒有成文文檔、沒有標準化資料、沒有規整數據集的隱性經驗，來自行業本身的不規範。

舉衛星遙感的例子，很多衛星數據積累很多年，但原始數據顆粒度不夠，沒辦法直接餵給大模型，需要重新做數據處理，這就是行業 Knowhow。大模型調優領域，頂級專家高薪，核心也是大量無法全部書面記錄的調參經驗。

但也要客觀看待，新媒體、諮詢這類行業，大量內容公開、高度標準化，對應的 Knowhow 會被大模型持續壓縮。程序員行業也是，大量公開代碼訓練大模型，程序員的工作占比，已經從 90% 壓縮到 10%。只要行業數據大量公開標準化，對應的經驗壁壘就會持續被消解。

Tina：如果現在從零創辦一家 AI 公司，站在投資人、董秘雙重視角，哪些崗位必須保留？哪些崗位從第一天就不建議招聘？

Frank：現階段，產品、技術、營銷溝通，這三類角色必不可少。產品可以由創始人兼任，但很多創始人精力有限，AI 還沒辦法完成完整上線落地，90% 的工作 AI 可以做完，但最後 10% 工程落地依舊要人。營銷和對外溝通崗位，短時間無法替代。很多一手行業資訊不在網路公開資料里，來自線下交流、產業論壇，想要搶占先機，就需要人對外對接，獲取一手資訊。

可以優先不招聘的崗位：傳統設計崗位，現在 AI 已經足夠完成產出；大部分時間在手寫基礎代碼的前端開發；新媒體文案崗位。判斷標準很簡單：如果我花兩小時給員工講清楚需求，員工要花三五天完成，而我藉助 AI 半小時就能做完，那這個崗位就沒有存在意義。當然，這針對網路 AI 創業場景；線下落地、需要深度挖掘行業 Knowhow 的崗位，短期內不可替代。

Tina：現在很多 AI 產品上線初期轉化率不錯，但新鮮感褪去留存很差，只有情緒價值，不是剛需。從產品設計角度，怎麼打造長期留存，建立用戶依賴？

Frank：我認為單純獨立 AI Agent 產品本身價值有限。未來 Agent 的構成，就是私有化模型 + 提示詞 + 工具 Skills + 私有數據。現在 DeepSeekHarness 提出一切皆插件。

過去行業追捧複雜工作流搭建，現在這套模式價值正在減弱。未來會走向主動感知，交互收斂到對話框，複雜 UI 只是階段性產物。Notion、數據庫類產品，未來都可以通過插件 + 對話實現。

人類天性不喜歡複雜操作，就像願意聘請助理，只需要下達一句話，拿到最終結果。終極形態就是一句話下達指令，直接拿到交付結果。前端複雜交互體驗會變得次要，真正要打磨的是後台能力。各個垂直領域的 AI 小助理，會成為剛需。

六、給創業者的真心話：擁抱年輕人，賺「注意力」的錢

Tina：創業很容易把創始人個人理想錯當成市場剛需。如何建立自我審視機制，區分自己是堅持真正市場機會，還是陷入執念，拒絕接收負面反饋？

Frank：創業很多時候本身就是反常識。很多後來成長巨大的公司，早期產品體驗並不好。有投資人說過一句話讓我印象很深：判斷項目，重點看團隊是不是在做相對正確的事，不要糾結短期階段性結果。AI 賽道是長期賽跑，這個月被對手超越，三五個月之後完全可以追回來，不要被短期波動影響。

不能單純靠大廠進場與否判斷賽道。熱鬧、大家扎堆的賽道，也不一定不能參與，高手扎堆的地方，至少證明這裡存在機會。

但客觀來講，在結果落地之前，沒有任何人可以百分百判斷路線對錯。就像量子計算，早期存在七八種技術路線，每個團隊都堅信自己正確，不到終局，很難分辨孰對孰錯。

Tina：放眼未來一年，最有價值的 AI 公司，會是數據公司、AI 原生企業、基礎設施廠商，還是手握超級渠道的企業？

Frank：回看 AI 四小龍時代，算法模型做到 90 分之後，各家快速追平到 99 分，競爭變成小數點後幾位的比拼，單純靠算法很難持續構建壁壘。現在國產大模型，絕大多數任務已經可以對標海外模型。

第一類有機會的是底層模型基礎設施企業。開源模型誕生出新商業模式：免費開源使用，對大商業客戶進行抽成。只要底座模型足夠強，原廠效應就會存在，企業調試優先選擇原廠。

第二類是行業定製化服務商。處理那些沒有成文記錄、沉澱在人腦子裡的行業 Knowhow，做行業拼縫，短期具備變現機會。

第三類是內容創作者。本質是爭奪用戶有限注意力，00 後新生代創業者，依靠私域流量做小型 Agent、輕量化產品，會跑出不少機會。工具類產品中長期同樣具備機會。像 Harness 這類開源內核，給到企業做私有化定製，也會誕生一波機會。

Tina：您作為 WICOPC 全國決賽評委，OPC 倡導原創開源、超級個體。請您預判未來兩三年 AI 產業格局，同時給開發者、創業者三條中肯建議。

Frank：先說產業格局。第一，絕大多數工作可以輕量化完成，個人效率對比兩年前普通程序員要提升 10～20 倍，如果達不到這個效率提升，做事方式就要反思。第二，非硬科技領域，年輕創業者、00 後新生代的創意、思維，很多時候可以碾壓傳統從業者，一定要多向年輕人學習。第三，硬科技方向，AI for Science、垂類小模型、私有化本地部署工作站，是明確趨勢，小米已經推出私有化 AI 工作站，硬體廠商也預判未來幾年本地部署成本大幅下降。

給大家三個建議：

• 第一，不管你是不是程序員，都要學習使用 AI。尤其工作三年以上的老程序員、設計師，要敢於拋棄固有經驗，重新學習新工具，不要執着舊工作方式，AI 可以完成的工作不要消耗人力。

• 第二，AI 能力很強，但還遠沒有完美。所有工作，依舊需要人工校驗，要把 AI 控制在可控範圍內。

• 第三，從當下到明年初，是 AI 創業很好的融資窗口期，AI 剛剛完成基礎設施化，市場還沒有被完全搶占，等所有人看清機會，窗口期就過去了。

額外補充一點：多到不同產業區域交流，不同地域開發者對 AI 工具的使用程度差異巨大，這種資訊差就是賺錢機會。

Tina：感謝 Frank 老師。最後送給直播間朋友一句話。

Frank：希望大家積極擁抱 AI 時代！

Tina：感謝 Frank 老師的深度分享。還沒有關注的朋友可以點關注，加入社群和 Frank 繼續交流。後續我們還會持續邀請開源、產業一線嘉賓開展 AMA 直播。想要本場文字實錄，可以進入主頁社群獲取，社群同步行業資訊、產業基金資訊。今天 AI 進取派會客廳到此結束，明天同一時間我們再見，各位拜拜！

（本文根據「進取派會客廳」直播分享整理。嘉賓：Frank，開放傳神OpenCSG董事會秘書&戰略生態負責人；主持人：Tina。整理時對口語表述作了適度潤色，觀點均為嘉賓本人。）

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。