为什么90%的＂AI项目＂,都是骗预算的

上个月，一个前同事找我。

他说他们公司拿了一个"智慧城市数字孪生平台"的项目，预算两千万。甲方要求里面有AI——“智能预警”、“语义检索”、“空间推理”，PPT上写了十几项。

他说，你是搞空间智能的，帮我把AI这块撑起来。

我说，好啊，现有的数据什么样。

他说，数据还在对接。但甲方要下个月看demo。

我说，没有数据，demo怎么出。

他说，所以才找你嘛。

我当时没意识到，这句话的真正意思是——

用假的AI，撑一个真的项目。

两周之后，我看到了他们所谓的"AI智能预警系统"的代码。

# 这就是那个"AI驱动的城市异常检测引擎"defanomaly_detection(sensor_data):"""AI-based urban anomaly detection"""# 规则1：温度超过35度就报警if sensor_data['temperature']>35:return{"alert":True,"type":"高温预警","confidence":0.95}# 规则2：人流量超过阈值if sensor_data['crowd_density']>5:return{"alert":True,"type":"人流密集预警","confidence":0.9}# 规则3：PM2.5超过150if sensor_data['pm25']>150:return{"alert":True,"type":"空气质量预警","confidence":0.85}# 兜底：没有异常return{"alert":False,"confidence":0.99}

这不是AI。这是一堆 if-else。

但PPT上写的是——

“基于深度学习+大语言模型的多模态城市异常检测引擎，采用自研时空图神经网络架构，实现秒级预警响应。”

每一句话都不是假的。

●“深度学习”：他们确实准备用，只是demo阶段没写。

●“大语言模型”：接了个OpenAI的API做告警文案生成。

●“自研时空图神经网络”：正在招人。

●“秒级预警响应”：if-else 当然是秒级。

技术上没有一句话是谎言。但整体就是骗。

我把这个系统拆成了三类。不是我发明的，是这个行业里每天都在发生的事。

第一类：PPT AI

PPT上什么都有。代码里什么都没有。

# PPT:# - 多模态大模型驱动的空间推理引擎# - 基于3D Gaussian Splatting的实时场景重建# - 千万级实体知识图谱关联推理# 代码：import requestsdefdemo():return{"status":"success","message":"AI引擎已部署","version":"1.0.0"}

这类项目的特点是——甲方要的是PPT，不是产品。

因为甲方的PPT也要往上汇报。他拿了你给他做的"AI平台"的截图，放进他自己的PPT里，然后去找他的领导要下一笔预算。

你做的不是AI产品，你做的是甲方PPT的素材。

链条是这样的：

政府发政策 → "大力推进AI+城市建设"    → 市级单位立项，拿到预算        → 外包给大公司，PPT上写满AI            → 大公司分包给小公司，AI缩水一半                → 小公司找外包，AI变成if-else                    → 最终交付：一个会发告警短信的Web后台

每一层都没骗人。每一层都按合同交了货。但最顶层说要做的"AI"，和最底层实际交付的"if-else"之间，差了十万八千里。

钱在每一层都被抽走了。最后留给"AI"的预算，连一个好的GPU都买不起。

第二类：Wrapper AI

比PPT AI好一点——至少能跑。

# "AI驱动的空间语义搜索引擎"defsearch_spatial(query, location_data):"""AI语义搜索附近设施"""# 调一个LLM API，把自然语言转成结构化查询    llm_response = openai.ChatCompletion.create(        model="gpt-4",        messages=[{"role":"user","content":f'把"{query}"转成JSON格式: {{"type": str, "radius": int}}'}])# 解析LLM返回的JSON    params = json.loads(llm_response['choices'][0]['message']['content'])# 在数据库里做普通查询    results = db.query("""        SELECT * FROM facilities         WHERE type = ? AND ST_Distance(location, ?) < ?    """,[params['type'], location_data, params['radius']])# 再调一次LLM把结果"总结"成自然语言    summary = openai.ChatCompletion.create(        model="gpt-4",        messages=[{"role":"user","content":f"用专业语气总结以下搜索结果: {results}"}])return{"results": results,"ai_summary": summary['choices'][0]['message']['content'],"ai_confidence":0.92# 随便写的}

这个系统看起来是AI——用户说一句"帮我找附近三公里内的医院"，系统返回了医院列表和一段"AI总结"。

但它做的事情，跟五年前的关键词搜索没有本质区别。"附近医院" → "type='hospital' AND distance < 3000"。

唯一的区别是中间加了个LLM当翻译官。而且这个翻译官有时候还会翻译错——

# 用户说："帮我找附近不太吵的公园"# LLM返回：{"type": "park", "radius": 5000, "noise_level": "low"}# 数据库报错：列 "noise_level" 不存在

数据库里没有噪音等级这个字段。但AI已经自信满满地返回了"confidence: 0.92"。

第三类：Zombie AI

这类最可怕。因为它真的上线了。

# "AI城市体检系统" — 已部署，日活用户：3defcity_health_check():"""AI驱动的城市健康评估"""# 每天凌晨3点自动运行    data = fetch_all_sensor_data()# 跑一个训练了三个月的模型# 模型最后一次更新：6个月前    predictions = model.predict(data)# 生成PDF报告# 报告格式跟去年一样，只是改了日期和数字    report = generate_pdf(predictions, date=today())# 发送到指定邮箱# 邮箱列表：5个人# 打开率：0%    send_email(report, to=["领导A@xx.gov.cn","领导B@xx.gov.cn",...])return"done"

它活着。每天跑。每天发报告。

没有人看。

但它"已上线"这件事，就足够让项目验收通过，让尾款到账，让团队去接下一个两千万的项目。

PPT上会写——“AI系统已成功部署于XX市，日均处理数据量XX万条，为城市管理提供智能决策支持”。

这句话里没有一个字是假的。但它也没有一个字是真的有用。

回到开头那个故事。

我没有帮他把那个demo做完。

不是因为做不了。而是因为做完了之后，我知道会发生什么：

demo通过 → 甲方满意 → 项目进入开发阶段    → 数据终于对接上了 → 发现AI模型根本跑不起来        → 数据质量太差 → 模型准确率不到50%            → 项目经理说先用规则顶一下                → 规则越写越多 → AI模块变成了注释里的代码                    → 最终交付：跟开头那个if-else一模一样

这个链条我太熟悉了。不是因为我做过。是因为我见过太多次了。

为什么90%？

因为那10%真的在做AI的项目，有三个特征，跟那90%完全不同。

特征一：从问题出发，不从AI出发

# 90%的项目：# 问题："领导说要上AI，我们用什么AI？"# 答案：选一个最热门的，写进PPT# 10%的项目：# 问题："城市内涝预警准确率只有60%，怎么提高？"# 答案：分析现有系统的瓶颈 → 发现是数据融合不够#     → 引入多模态模型融合气象+管网+地形数据#     → 预警准确率从60%提升到85%

90%的项目，AI是目的。10%的项目，AI是手段。

目的和手段的区别是——手段可以换，目的不能变。

如果用规则引擎能达到85%的准确率，那10%的项目会用规则引擎，而不会硬上深度学习。但90%的项目不会——因为他们已经跟领导说了"我们要用深度学习"。

特征二：敢承认AI做不到什么

# 90%的项目：# "我们的AI系统可以实现100%准确的城市异常检测"# （实际：if-else，阈值是人工调的）# 10%的项目：# "我们的AI系统在暴雨场景下预警准确率是85%，#  但在极端天气（比如台风）下会下降到60%，#  原因是训练数据里台风样本太少。"

敢说出"AI做不到什么"的项目，通常是真的在做AI的。因为只有真的训练过模型的人，才知道模型的边界在哪。

没有训练过模型的人，会认为AI是万能的——因为他的AI知识来自PPT和新闻。

特征三：预算花在数据上，不花在模型上

# 90%的项目预算分配：# GPU服务器：  40%  （买最贵的，用来撑门面）# 算法工程师：30%  （高薪挖人，头衔要好听）# UI/前端：    20%  （dashboard要好看，PPT要用）# 数据：       10%  （数据？不是有数据库吗）# 10%的项目预算分配：# 数据治理：   40%  （清洗、对齐、标注、补全）# 基础设施：   20%  （GPU够用就行）# 算法工程师：20%  （不一定要大厂背景，但要懂业务）# 数据标注：   10%  （好模型不如好数据）# UI/前端：    10%  （能用就行）

90%的项目，数据是最后被想到的东西。10%的项目，数据是最先被想到的东西。

因为在AI项目里，数据决定了天花板，模型只是在这个天花板下面够一够。

但跟领导汇报的时候，"我们花了40%的预算清洗数据"没有"我们买了8张A100"好听。

空间智能领域的AI项目，还有一个额外的坑。

# GIS领域的"AI"项目，特别喜欢用一个词：# "赋能"# "AI赋能GIS"# "大模型赋能空间分析"# "3DGS赋能数字孪生"# 翻译过来就是：# 在原来的产品上，加了一个AI的按钮。defold_gis_system():"""传统GIS系统"""return query("SELECT * FROM buildings WHERE height > 50")defai_empowered_gis():"""AI赋能的GIS系统"""# 加了一个LLM，把自然语言转成SQL    sql = llm_translate("帮我找高度超过50米的建筑")return query(sql)# 就这。# 但PPT上叫"AI赋能"。

真正的空间智能，不是"AI+GIS"。

是AI从根本上改变了你理解空间的方式。

# 这不是赋能。这是替换。# 以前：# 人写规则 → 系统按规则查询 → 人分析结果# 真正的空间智能：# 系统自己从数据中学习空间模式 → 发现人写不出来的规则# 比如：# - 从30万条120报警记录中，自动发现"夜间22-24点、#   餐饮密集区、雨天"三个因素叠加时，纠纷发生率是平时的3.7倍# - 这个规律不是任何人预设的。是模型从数据里自己"看"到的# 这才叫空间智能。不叫"AI赋能"。

所以我后来跟那个前同事说了一句话。

我说，你这个项目，最好的结局是——

甲方拿了你的demo去汇报 → 领导很满意    → 批了更多预算 → 招了真正懂AI的人        → 推翻了所有if-else            → 从零开始做了真正的AI系统

这是最好的结局。

最常见的结局是——

甲方拿了demo去汇报 → 领导很满意    → 项目继续推进 → 数据对接完成        → 发现AI跑不起来 → 继续用if-else            → 项目验收 → 尾款到账                → 系统上线 → 无人使用                    → 两年后：服务器下线

这个结局里，每个人都拿到钱了。

除了城市。

那90%的"AI项目"里，有没有好东西？

有。

它们至少做了一件事——把"AI"这个词，塞进了政府的采购目录里。

三年前，政府的采购清单上写的是"信息化建设"。今年写的是"AI+智慧城市"。

从"信息化"到"AI"，这个词的变化，意味着预算的方向变了。

方向变了之后，那10%真正在做AI的人，终于能拿到钱了。

虽然大部分钱还是流向了PPT。但总比三年前连门都找不到要好。

所以这篇文章的标题，其实不够准确。

不是"90%的AI项目在骗预算"。

而是——