AI 创业坟场：一份持续更新的失败项目清单

成功故事看多了会失真。TechCrunch 在 11 月 14 日上线的"The AI graveyard"（AI 坟场）做的是相反的事：把已经关停、被并入其他公司、或者实质停止运营的 AI 项目与初创公司逐条记录下来，做成一份持续更新的清单。

这份清单长什么样

按文章说明，每一条记录包含项目名、所属方向与结局，按时间维护，方便读者回看同一方向在不同年份的存活率。它不提供"失败原因分析"这种容易变成事后诸葛亮的结论，只做一件事：把"曾经存在过、现在没有了"这件事记下来。

这个克制的做法恰恰是它的价值所在。AI 行业的记忆很短，一个产品关停三个月后，公开讨论里就只剩下它的竞品；两年后，连竞品的迭代说明里都不会再提它。没有清单，每一轮热潮都会重复上一轮的错误——因为没人记得上一轮死在哪里。

从清单能读出什么

把条目按方向归类，反复出现的模式有几类。

第一类是"被平台吸收"。很多产品做的事，本质上是给通用模型补一块当时缺失的能力：更长的上下文管理、更稳的格式输出、某个垂直领域的提示词工程。这类产品在模型能力提升后会迅速失去存在理由——不是做得不好，而是基座把这块补上了。这是 AI 应用层最结构性的一种风险：你的护城河可能是别人的路线图。

第二类是"需求被高估"。生成式 AI 让很多过去不可能的产品形态变得可能，但"可能"不等于"有人愿意付钱"。典型的是各种 AI 内容生成工具：技术上都能跑，但用户对成品的要求随使用次数快速上升，而工具的一致性提升速度跟不上，复购率就塌了。

第三类是"成本结构算错"。推理成本在下降，但下降的曲线和用量增长的曲线不总是同步。面向 C 端免费提供高频生成能力的产品，往往在用户规模起来后发现单位经济模型为负；面向 B 端的定制化项目，则容易陷入"每个客户都是一次重做"的交付陷阱。

第四类是"团队与赛道错配"。这一类的失败最没有戏剧性：方向对、时机对，但团队缺少把产品推到规模化的那项能力——可能是渠道，可能是工程稳定性，也可能是行业理解。

为什么现在需要这份清单

2026 年的 AI 投资处在一个微妙的位置。一方面，基础设施层的资本开支仍在扩张，算力与数据中心的叙事没有降温；另一方面，应用层的估值逻辑正在被重新审视——当基座模型每几个月就吞掉一批应用场景，投资人必须回答一个问题：这一层的价值到底沉淀在哪里？

清单提供的是一种"基础比率"（base rate）思维。看到一个新方向时，先问：这个方向过去三年死过多少家？死因是什么？如果答案是"死了十几家，都是被基座吸收"，那么这次大概率也一样，除非能说清楚为什么这次不同。

对创业者，同样有用。选方向时最常见的错误是"因为技术可行所以做"，而清单里的墓碑大多刻着同一句话：技术可行，但没有人为它持续付费。把这份清单当成需求验证的第一步材料，比看一百篇融资新闻更省时间。

一点保留

清单也有它的局限。它记录的是"已经结束"的项目，而很多真正有价值的东西是在失败的项目里被验证、然后被别的团队接过去做成的——技术、人才、甚至客户关系都会流动。所以读这份清单的正确姿势不是"避开所有死过人的方向"，而是理解每一次死亡的具体机制：是需求问题、成本问题，还是时机问题。

AI 行业还会继续产生大量新项目，也会继续产生大量墓碑。有一份公开、持续更新的名单，至少能让后来者少走几步弯路——这在一个人人都急着往前跑的市场里，已经算稀缺品。