夜雨聆风2026年，被很多人称作"工业AI元年"。政策密集出台，大模型扎堆进厂，智能体成了展会标配。就在这个节点，我总忍不住回头看一眼十几年前的那批"先行者"——以商汤、云从、旷视、依图为代表的"AI四小龙"。
那是一个完全不同的时代，也是我第一次真正接触AI的时期，那时候和商汤、依图有较深的合作，还参加过云从的上市庆功会。那时候的AI逻辑和今天不一样：没有通用大模型，没有开箱即用的Agent框架，每一家公司都要自己搭算法、自己标数据、自己炼模型，从人脸识别到平安城市，一砖一瓦地垒。
平心而论，四小龙起到了货真价实的启蒙作用。他们让中国社会第一次"看见"了AI：安防摄像头会认人了，机场安检刷脸了，工厂园区开始试点视觉质检了。一代算法工程师在他们的项目里成长，一支数据标注大军和一整条视觉AI产业链围绕他们成形。
但十几年过去，结果却令人唏嘘：烧掉了数百亿的资金，四小龙如今前途各异，整体并不乐观。有的艰难转型大模型，有的收缩业务断臂求生，有的长期徘徊在亏损边缘。而反观后来者——DeepSeek、豆包、Kimi这一批大模型公司，还有各种扎进产业场景的AI应用厂商——无论消费级还是产业级，都切切实实找到了自己的应用场景。要说明的是，它们中的大多数同样没有盈利、同样在烧钱，但它们烧钱换来的是真实的用户规模、高频的使用和越来越活跃的应用生态——钱花在了"被用起来"上，而不是只花在"变得更先进"上。这一步之差，命运迥异。
先行者成了先烈式的启蒙者，后来者成了红利的收割者。这中间到底发生了什么？这个问题的答案，对今天正式迈入工业AI元年的我们，比任何时候都重要。
一、四小龙的时代：自己搭算法的"重装骑士"
要理解四小龙的困境，得先回到他们的年代。
那时候做AI，是标准的"重资产"打法。通用底座不存在，开源生态很薄弱，一切都得自己来：自己建数据标注团队，几十人几百人地标注人脸、车辆、行为；自己研发算法，从传统的特征工程一路迭代到深度学习；自己打磨引擎，把模型压缩到能跑在边缘设备上。一家AI公司的核心资产，就是那一屋子算法博士和堆积如山的标注数据。
这套打法在那个时代是成立的。因为需求集中在安防、金融、交通这些"视觉密集型"场景，而人脸识别恰恰是深度学习最先突破的方向。四小龙踩中了风口，也确实做到了技术领先——某些视觉算法的精度，当时是全球第一梯队的。
但重装骑士的宿命是：跑不快，也转不了身。
每一个项目都要定制，每一个场景都要重新标注、重新训练，技术复用率低，人力成本高企。做着做着，AI公司做成了"项目公司"——毛利越做越薄，人越招越多，规模越大越亏。技术领先没能换来商业模式的领先，这是第一重伏笔。
二、技术逻辑变了：从"自己炼丹"到"LLM+Agent"
真正把四小龙"拍在沙滩上"的，不是某一家竞争对手，而是技术范式的整体切换。
大模型出现之后，AI的技术逻辑发生了根本变化。以前的AI是"一个任务一个模型"：识别人脸炼一个模型，识别车牌炼一个模型，识别缺陷再炼一个模型，模型之间不通用的。现在的大模型是"一个底座万种能力"：预训练把通用的语言、知识、推理能力全部沉淀在底座里，具体任务用微调、提示词、RAG就能解决。
再加上Agent框架的成熟，AI的能力组织方式也变了。以前是算法工程师针对场景写死流程；现在是智能体自己编排工具、调用接口、拆解任务。以前接一个新场景，是"项目制"；现在接一个新场景，很多时候是"配置制"。
这个变化对四小龙是致命的。他们最深的护城河——自研算法和标注数据——在通用底座面前大幅贬值。在安防、通用识别这类他们的主阵地，你会花大价钱训练一个专用视觉模型，人家拿多模态大模型加轻量适配就能达到接近的效果，成本却是数量级的差别。（当然要补一句：在工业质检这类对精度和确定性要求苛刻的场景，专用小模型至今仍是主力，通用大模型还替代不了——但这恰恰说明，贬值的是"为通用场景重金自研"这套打法，而不是专用模型本身。）十几年的技术积累，被一次范式转移稀释了大半。
三、后来者凭什么：技术进步是一半，场景是另一半
那为什么DeepSeek、豆包这些后来者反而跑出来了？很多人归因于技术进步，这当然对，但只说对了一半。另一半，而且可能是更关键的一半，是场景切入。
看消费级：豆包、Kimi把AI对话做成了日常工具，写文案、改简历、做旅行攻略，几亿用户每天高频地用，场景清晰、需求真实、黏性自然形成。
看产业级：大模型公司扎扎实实往场景里钻。代码助手切进开发流程，办公助手切进文档会议，知识库问答切进企业沉淀了多年的非结构化资料。DS以极致的工程化把推理成本打到地板价，让"用得起"第一次成为现实——这本身就是对场景最大的尊重。
后来者的高明之处在于：他们不是先造技术再找场景，而是从场景反推技术该做成什么样。用户要的是便宜、好用、立刻能干活，那就围绕这三点做工程优化。技术的每一步进步，都能立刻在场景里兑换成价值，价值又反哺技术的迭代——这个飞轮一旦转起来，先来后到就不重要了。
四、四小龙的困局：实验室里的技术，讲不完的故事
回头看四小龙，问题究竟出在哪？
技术不可谓不先进，团队不可谓不豪华，为什么烧了那么多钱，还是没有烧出一个光明的未来？我认为根源在于三个错位。
第一个错位：技术在实验室里迭代，价值却在场景里发生。四小龙的技术升级，很多时候是在论文里、在评测榜上、在demo演示中完成的。算法精度从99%到99.5%，学术界是重大突破，但客户感知几乎为零。技术进步如果不能翻译成客户可感知的价值，就只是成本的持续累积。
第二个错位：讲的是"AI改变一切"的故事，交付的是项目制的定制。融资叙事要宏大，"AI改变世界"；落地交付要现实，一个项目一个项目地定制开发。故事和交付之间的巨大缝隙，靠烧钱填补。钱烧到一半，资本市场变了口味，故事讲不下去了，现金流的问题就裸露出来。
第三个错位，也是最致命的：变现模式长期不确定。靠什么赚钱？项目费，越做越薄；授权费，客户不愿付；平台费，生态没建起来。四小龙试遍了所有模式，没有一个跑通成可持续的引擎。变现模式不确定，意味着技术再先进也无法自我造血，一切投入都依赖外部输血——这是悬在每一家技术公司头上的达摩克利斯之剑。
而这一切错位指向同一个结论：再先进的技术，没有场景，就没有价值。不是技术不重要，而是技术只回答"能不能"，场景才回答"值不值"——市场只为后者付费。价值从来不在技术里，价值在技术被使用的地方。这也是对很多AI时代创业公司的启示。
五、对工业AI元年的启示：别让历史重演一遍
说回2026，说回工业AI元年。为什么我建议所有从业者都回头看看四小龙的故事？因为这个行业正在出现熟悉的苗头。
苗头一：又在讲"改变一切"的故事。不少工业AI公司的话术，和当年的四小龙如出一辙：大模型将重塑制造业的一切。但制造业的真实约束——数据质量、组织惯性、投资回报——一个都没有因为大模型而消失。
苗头二：又在实验室里比参数。行业交流会上，比的是谁的模型更大、谁的评测分更高，很少有人展示"客户用了三个月之后的留存数据"。工业AI的价值检验场不在榜单上，在车间里。
苗头三：变现模式又开始模糊。大量项目还是靠补贴驱动、靠POC堆砌，真正靠客户续费跑通商业闭环的，凤毛麟角。如果三年后盘点，一批"工业大模型独角兽"倒在变现模式上，我不意外。
所以，给这个元年几条冷建议。
对AI服务商：每一个技术能力，都要回答"它在哪个场景、被谁、为什么付费"。回答不了，就别急着讲改变世界。先在一个场景里做到客户离不开，再谈复制和扩张。
对制造企业：选型时少看技术参数，多问三个问题——解决我的什么问题、多久见效、不达预期怎么办。把验收标准锚定在业务指标上，别为技术情怀买单。
对行业整体：警惕"技术领先"的自我感动。四小龙用数百亿证明了，启蒙者的墓志铭往往写着同一句话——技术很好，但没人买单。
总结
AI四小龙是那个时代真正的英雄，他们在一个没有路的地方趟出了一条路。但商业世界的残酷在于：启蒙的价值，往往由后来者收割。
从四小龙到大模型新贵，中国AI这十几年最深刻的教训，不是算法该怎么炼，而是价值该怎么兑现。技术进步解决的是"能不能"，场景切入解决的是"值不值"——而市场只为后者付费。
工业AI元年，站在门口的每一个人都该记住这句话：再先进的技术，没有场景，就没有价值。场景不是技术的应用题，场景是技术的生死题。
深度丨"2027年1000个工业智能体"：政策KPI驱动下，会不会重蹈"上云率"覆辙？
深度丨排产智能体启示录：为什么工业最难的题，偏偏成了最挤的赛道
深度丨当AI遇上ERP："AI颠覆一切"还是"AI毫无影响"？工业领域最该屏蔽的两种噪音
深度丨干好了被AI淘汰，干不好被老板淘汰—CIO为什么成了AI转型的"高危职业"？