最近北交所几只新股的首日涨幅，像一场突如其来的早春雨，把新三板的泥土彻底浇松了。身边做infra的朋友说，已经有AI初创在悄悄打听挂牌的timeline，把这里当成通往public market的pipeline。Sounds good，毕竟训练大模型烧的钱，比Campfire季的野火还凶猛。

可我在硅谷看了太多storytelling的泡沫。资本如季风，来得猛去得也快，真正让一家AI公司活过冬天的，从来不是PPT里的参数，而是模型能不能扎进具体的场景。就像提示工程这种看似niche的细分，反而在产业化的土壤里悄悄长出了最深的根系。

北交所的窗口期确实给了技术人一张船票，但别在敲钟的echo里迷失，代码与落地才是唯一的罗盘。那些只顾着讲故事的团队，最后大概只会变成K线图上一段短暂的noise。

聊到北交所这个窗口期，我倒是想补充几个数据点。去年北交所IPO平均审核周期大概4-6个月，比科创板短了将近一半，这个speed确实attractive。但问题是，AI公司尤其是做大模型的，财务数据能撑得住问询吗？我经手过两个pre-IPO项目，审计最头疼的就是收入确认和研发费用资本化——大模型公司这两块基本都是red flag。

你提到"代码与落地才是罗盘"，这个我完全agree，但想从另一个angle补充：落地不只是技术问题，更是business model的问题。我最近在看几家做AI infra的标的，发现一个pattern——那些真正跑出来的，不是技术最强的，而是把"场景"理解成"客户愿意付费的具体workflow"的团队。其实比如有个做工业缺陷检测的，模型accuracy其实一般，但他们把整个质检流程的SOP都吃透了，从打光到标注到集成产线，客户根本离不开。这种stickiness才是护城河。

至于storytelling的泡沫，伦敦这边也差不多。去年有个做generative AI的startup，demo day上参数吹得天花乱坠，结果尽调时发现training data的版权问题根本没解决，最后估值砍了60%。所以北交所那几只新股，我建议看招股书时重点翻"风险因素"那章，尤其是数据合规和知识产权这两块，很多公司在这上面栽跟头。

话说回来，你提到提示工程这个niche，我最近刚好在做一个相关case。有个客户是做法律文书的，他们用few-shot prompting把合同审查效率提升了40%，但真正值钱的是他们积累了上万条标注数据——这东西比模型本身难复制得多。所以与其盯着北交所的钟声，不如看看哪些团队在闷声建dataset和workflow，这些才是M&A时真正被溢价收购的asset。

你上次说在看边缘计算+AI的项目，那个方向最近有没有什么有意思的deal？感觉端侧部署对场景的依赖更深，挺符合你这个"扎根"的逻辑。

null_q 你这波尽调经历让我想起前两年围观的一个热闹。有家公司把客服机器人的"意向识别率"包装成核心壁垒，结果审计一扒，发现全是人工后台标注的，模型就是个传声筒，场面一度非常尴尬。

说真的，你提的那个工业缺陷检测的例子太到位了。我倒是想起另一茬——去年苏州这边有个做纺织AI的团队，技术平平，但老板之前在吴江干了一辈子纺织厂，跟质检老师傅们称兄道弟，愣是把"飞花识别"做成了行业黑话。现在他们的SOP文档比模型代码厚三倍，客户换都懒得换。这种"土味护城河"有时候比算法专利还难复制。

不过你提到的数据合规确实是个雷。我认识一个写手朋友，接私活给某AI公司洗训练数据，干着干着发现里面混了大批没授权的网文，吓得他连夜跑路。后来那公司怎么样了我没跟踪，但听着就腿软。

北交所那几家的招股书我还没细翻，但按你建议的，今晚回去重点翻翻风险因素章节。万一发现什么有趣的，再来贴里吐槽。对了，你经手的那两个pre

brutal__owl 你提到的那个工业缺陷检测的案例让我特别有感触，嗯嗯，把整个SOP吃透带来的stickiness确实是最扎实的护城河。我在医院见过类似的场景——几年前我们科室试过一套AI辅助压疮评估的系统，算法accuracy在论文里很漂亮，但pilot study的时候护士们几乎都不用。问题不是技术，是它完全没考虑我们晨间护理的workflow：护士要额外花时间拍照上传…，等十几秒出结果，而那个时间段大家连喝口水都顾不上。后来有一家小公司专门派人跟了整整两周的早班，把评估节点无缝嵌进我们交接班的routine里，操作简化到一步，哪怕模型没那么fancy，现在整个护理部都离不开它。所以你看，医疗场景里的“客户愿意付费的workflow”，往往就藏在这些看似琐碎的人因细节里。
嗯嗯
话说回来，你提到数据合规和知识产权那块，医疗AI在这方面踩的坑可能更深。我有朋友参与过一个影像诊断startup的尽调，training data用的是某三甲医院的脱敏数据，但后来发现当初知情同意书里根本没涵盖AI训练的用途，整个项目直接搁浅。所以北交所那几只新股，如果涉及医疗健康赛道，风险因素里估计还得加上伦理审查和患者隐私这两颗定时炸弹。

null_q 你提到工业缺陷检测那个例子，让我想起前些年我们搞水稻育种时接触过的一个团队。他们做的不是大模型，就是用图像识别数穗粒，模型精度也就那样，但人家把田间拍照的整套流程都理顺了——从手机怎么拿、光照什么角度、什么时候拍最准，到数据回传后自动生成测产报告。结果基层农技站用了三年，换别的系统根本不习惯。

所以你说的“客户愿意付费的具体workflow”，我体会太深了。技术人容易盯着参数，但田里的事，很多时候不是最强的那把镰刀割得最快，是最合手的那把才老攥在农民手里。