项目就在眼前嘎然停掉了。刘天强和他的小团队花了整整五个月，把一个为美国某家家喻户晓的快时尚零售商量身调教出来的大模型训练到有模有样，结果合同没来，客户被并购，项目被啪地按下了暂停键。那一刻，他手里剩下的，是一堆参数文件和一张空白的订单表。

先把结果摆出来，后面再倒着把事儿捋清楚。别把刘天强当成刚入行的菜鸟，他不是。2011年从哈尔滨跑到波士顿大学读书，宿舍里就做出一套计算机视觉的API，后来被亚马逊看上，他也进了亚马逊，带着团队做视觉相关的产品。到2023年11月，他把这些年积累的经验往时尚零售里投，目标是做一套能自动生成“上身图”的B端工具。客户吸引力明显：这家零售商每天上新几百款，拍摄上身图一年得花500万美元。AI能省下来钱，还能把上新速度提几倍，这个生意听上去特明白。

从接到任务到出雏形，那中间是一次次返工。市面上的开源方案像OOTDDiffusion、IDM-VTON，拿来用效果都不行。公开的数据集多是女装正面图，客户的图像场景复杂得多——绿幕背景、男女混合款、各种视角，模型老出毛病：手指拉长、衣服纹理乱、背面人物失真。客户愿意把2018到2023年的所有商品图全权给训练，这是个转机。于是团队开始从头调试、跑数据、改损失函数、再训练。九月的时候，模型终于有了雏形。就在这时，客户被并购，项目被叫停。刘天强没躺平，他把这段经历形容成“做了一款没人用的大模型”。

这次挫折暴露的，不只合同风险，还包括文化和流程的差别。国内很多快时尚电商能接受AI直出的那种“粗糙但够用”的上身图，海外客户没那么将就。美国公司签保密协议就能耗上好几周，这种节奏在国内真不好想象。后来刘天强拿着训练好的模型去谈另一家出海快时尚企业，为了补足AI直接产图还达不到电商展示级别的短板，他和国内的P图公司做起了“最后一公里”人工精修兜底的合作。但最终把单拿走的，是那家P图公司自己——他们把工作流程适配得更顺溜、更接地气。这个教训很现实：海外客户不只是要一个模型，他们要的是把AI嵌进去的整套解决方案，能顺着现有流程跑得通，能对接供应链、上架系统，还得配合审核和质检流程。

被迫缩小团队是直接结果。来不及消化失落，刘天强把团队转为无薪继续迭代，把有限资源压在把产品做成“企业级可用”上。新版本取名huhu.ai，从去年四月开始慢慢向欧美拓展。现在能和几家欧美大型快时尚客户有合作，但过程并不好走。出海听起来风光，实际上像是一边飞着飞机一边给它修发动机，哪个环节出事都可能前功尽弃。

这条出海路不止刘天强一人走。另一端是刘嘉铭，他做视频生成的Agent，产品叫CrePal.ai。国内做推广靠小红书、抖音和视频号；到了美国，渠道就变成了谷歌SEO。谷歌的排名规则多变且复杂，权重还在调。刘嘉铭从零开始学搜索引擎优化：网站内容、关键词、页面频繁更新，每天盯着搜索词做微调。过去两个月，他们的Dr评分从7涨到22，翻了三倍，但背后是每天枯燥的维护工作。

他还把希望压在Product Hunt上，想借社区热度打开北美科技圈的话柄。团队一个月联系KOL、雇人拉票，结果周榜第一也不过带来不到两千次下载。问题之一是产品当时只支持iOS，而Product Hunt的用户更习惯立刻在网页端体验。再一个教训是，海外KOL不像国内那么靠钱就能动，他们更挑实用性。你得为KOL和他的粉丝直接带来价值，才可能换来免费推荐。后来他们发现，给KOL粉丝发专属权益和专属链接，转换率最高。推广成本攀高，让刘嘉铭改变策略：先在小范围、回报率高的市场打透，再慢慢扩展。他算过一笔账，要把一个Agent推成像Manus那样的工具，单季度的市场费用可能得准备上百万甚至两百万美金。

合规又是一道硬坎儿。陈锴杰的例子能说明这点。陈锴杰杜克大学毕业，把公司注册在美国，做了Macaron ai，产品设想是一个能在后台读取手机正在发生内容的Agent，给用户实时个性化服务。内测在北美青少年群体里有反响，有些学校里有几百个早期用户。但遇到欧洲隐私监管就被卡住了，苹果商店也不放行。更麻烦的是，后台读取的数据有时会牵扯到声纹，按规定属于生物识别信息，权限更高。合规厂规要求高到要每十分钟向用户弹一次确认，这样的体验根本用不了。技术能实现，合规把产品按在地上。最后，这个已经内测的版本只得下架。

市场和钱袋子也在收紧。硅谷的大规模裁员把很多人推向创业，投资人每周收到的商业计划书多得很，基金却变得更谨慎，宁愿把钱放银行也不愿冒大风险。有一份斯坦福的研究指出，22到25岁的软件开发者的从业人数相比2022年底的高峰下降了近20%。这带来的是招人难、估值更保守、初创团队要背负更大的生存压力。

这些案例的细节里头没那么好玩——从数据集怎么选、训练时碰到的各种图像畸形，到和客户谈保密协议得耗费的时间，再到找KOL前要准备的演示Demo和专属优惠。每一步都得花心血去调研、适配。很多出海的中国团队一开始就把公司注册到新加坡或美国，把产品全英文化，宣发直指海外市场，想着用美元链条撑起商业模式。但现实里撞上的，是非常具体的法律、文化和市场习惯。有团队在推广策略上学会了“慢工出细活”，有团队在合规压力下不得不退场。

细说训练那点儿事，大家可能想不到。像刘天强团队面对的，既有背景差异的问题，也有渲染技术的局限。绿幕拍摄时光影不连贯，男女模特的体态不一样，镜头角度多变，这些都会让模型在换装合成时出问题。手指和袖口是“魔鬼”所在——一点点错位，整张图就违和。纹理也难掉包，一个衣服的花纹被拉伸、错位，电商页一看就透着廉价感。公开数据多是标准化正面照，根本不能覆盖客户真实的场景。为了解决，团队不得不把客户过去几年的真实商品图全部纳进来，按类目、光照、视角做大量标注，改损失函数去惩罚那些令人反感的失真，并反复验证。训练环节像是不断修补漏船的过程：改这一处，另一处又冒出问题来。

跟客户的那种“流程差”更多是细节上的适配。海外买家在图像质量、审核流程和上架时限上更讲究，供应链系统也有自己的数据格式和校验规则。给一个客户交付模型，单单做个API并不能解决问题，还得把它接入他们的商品管理系统、审核系统、甚至账务系统。把AI放进现有流程去跑，这一套工程不光是算法工程，还是系统工程和流程工程。这就是为什么P图公司最后能把单拿走——他们把整套流程磨合得更贴合客户的业务运转。

推广渠道也要因地制宜。国内做内容营销套路成熟，而出海时，谷歌、领英、Product Hunt、Reddit这些渠道需要不同玩法：信息检索偏向长尾关键词和SEO积累，社区驱动的渠道偏向即时体验和互动。CrePal.ai在Product Hunt上没爆起来，原因部分在于产品体验不对口，部分在于KOL生态不一样。用钱“买热度”的办法在那边行不通，更多得靠产品本身在合适的场景把用户留住。

合规方面，不同地区的法规细微却关键。欧洲在隐私上比美国还要严，像声纹这样的生物识别数据，监管就非常细致，许多技术在国内可能随手可用的功能，在那边就可能被判定为高风险。陈锴杰的产品能在用户群里跑起来，但到了上架渠道和法规审查那一步就卡死。技术实现了，并不等于商业能跑通——合规是门槛，也是另一种成本。

人和心态的变化也值得一说。那些被迫缩编、被迫从头再来的创业者，往往像背着行李在走夜路。刘天强把剩下的人转为无薪继续迭代，大家在能见度低的时刻继续磨模型；刘嘉铭天天盯着SEO数据和榜单动向；陈锴杰则在短时间里把注意力从产品推广转到合规和沟通上。他们都在学习一件事：出海不是把产品往外一扔就完事了，而是把自己的一套工作方式、沟通习惯、合规意识和流程能力一起搬过去，跟目标市场的节奏同步。

最近一次见面，陈锴杰把公司注册地的事说得淡了。他在公司办公室的窗台养起了绿植，说自己“到了年纪”。那盆绿植长得稳稳的，叶子有光泽，摆在窗边的样子像是给连续翻车的创业日子里留了点稳定的风景。