Y-Combinator发布2026年值得关注的创业方向
来源：AGI | 发布时间：2026-03-31
摘要：Y-Combinator（YC）为2026年绘制的创业趋势地图，其核心主张是人工智能（AI）正从一种单纯的“生产力工具”演进为“生产力重塑的核心”，深度融入社会经济的关键领域。它强调了几个关键方向：AI从优化“如何执行”（如写代码）转向指导“构建什么”（产品管理）；从数字世界走向物理世界，以“实时指导”赋能工人、以软件和AI改造传统工业（如美国金属厂）；并作为桥梁连接新旧体系，例如在合规框架下利用稳定币构建金融服务，或驱动政府数字化转型。此外，YC指出了下一波AI浪潮的底层技术突破点在于构建“大型空间推理模型”，以及对更易用的AI训练基础设施的需求，这共同勾勒出AI技术从应用到基础、从通用到专用、全方位重塑产业与社会运作的清晰蓝图。
YC有一个传统，名为“RFS”，即分享我们希望能看到创业者去解决的点子。这些点子仅仅是我们投资方向的一小部分。如果其中一个让你兴奋，就把它当成鼓励你投身其中的额外动力，但你完全不必为了申请YC而必须做这些想法。
AI驱动的产品管理
近年来，我们见证了用于编写代码的AI工具爆炸式增长。Cursor和Claude Code非常擅长帮助团队在明确了要构建什么之后，去构建软件。但编写代码只是构建人们想要的产品的其中一部分。最重要的部分是首先弄清楚到底要构建什么！
每一个成功的产品都需要产品管理：与用户交流、理解市场、综合反馈，并决定哪些问题值得解决以及产品应如何运作。这个过程无论是由创始人、工程师还是产品经理来完成，其本质活动都是一样的。历史上，这个过程的结果产出是产品需求文档、Figma设计稿和Jira工单——这些是设计出来向人类工程师传达意图的产物。https://wxa.wxs.qq.com/tmpl/pf/base_tmpl.html
如今，团队会在产品管理流程的孤立环节使用AI，但还没有一个系统能支持从产品发现到落地的完整闭环。想象一下，有这样一个工具：你上传客户访谈和产品使用数据，然后提问“我们接下来应该构建什么？”，它就能基于客户反馈给出一个新功能的大纲，并解释为何这个变更是值得做的。这个工具还能为你产品的用户界面、数据模型和工作流程提出具体的修改建议，并将开发任务分解，以便由你最喜欢的编码代理（AI）来处理。
我们认为，构建一个“产品管理领域的Cursor”存在巨大机会：一个专注于帮助团队弄清楚“要构建什么”，而不仅仅是“如何构建”的AI原生系统。随着AI代理越来越多地承担起初步实现的工作，我们定义和传达“要构建什么”的方式也需要改变。如果你正在这个领域探索，我们很乐意收到你的消息。
AI原生的对冲基金
20世纪80年代，一小群基金开始使用计算机分析市场。当时这看起来很可笑，但量化交易如今已显而易见。我们现在正处于一个类似的转折点，未来的文艺复兴科技、桥水基金和德劭（D.E. Shaw）将建立在AI之上。
世界上最大的基金适应速度缓慢。我曾在一家这样的基金担任量化研究员，当我请求合规部门允许我们使用ChatGPT时，甚至没有得到回复。这让我清楚地认识到，未来的对冲基金不会仅仅将AI简单附加在现有策略上。它们将利用AI创造出全新的策略。这才是超额收益的来源。
我们已经拥有了成群结队的Claude代理来编写我们的代码库。想象一下，成群结队的代理去做现在对冲基金交易员所做的事——梳理10-K报表、财报电话会议记录和SEC文件，综合分析师观点并进行交易。一个AI原生的对冲基金将是第一个真正做好这件事的。
AI赋能的“代理”公司
“代理”公司一直难以规模化。低利润率、缓慢的手工操作，而增长的唯一途径就是增加人手。但AI改变了这一点。
现在，与其向客户销售软件帮助他们完成工作，不如自己使用这个软件，并以高出100倍的价格向他们销售成品。想象一个设计公司，在合同签署之前，就用AI为客户生成定制设计作品来赢得业务。或者一个广告公司，利用AI制作惊艳的视频广告，而无需耗费时间和成本去搭建实景拍摄。又或者一个律师事务所，用AI几分钟内写出法律文件，而非数周。
这就是为什么未来的“代理”公司将更像软件公司，拥有软件公司的利润率。而且它们在这些目前分散的市场中，规模将远超今天存在的任何代理公司。如果你正在重新思考未来的代理公司和专业服务企业将如何构建，我们很乐意与你交流。
稳定币金融服务
稳定币正迅速成为全球金融的关键基础设施，但大部分的金融服务层尚未建立。《GENIUS法案》和《CLARITY法案》将稳定币置于DeFi和传统金融之间的独特位置，既合规又具有加密原生性。
这为创造能够提供DeFi好处（如更高收益或接触代币化的现实世界资产）的金融服务创造了空间，同时使其在传统合规框架下运作。今天，企业和个人必须在受监管但收益有限的金融产品与高风险、不受监管的加密货币之间做出选择。稳定币凭借其监管中间地位，可以弥合这一差距，无论是生息账户、新的投资渠道，还是让资金跨境流动更快、更便宜的基础设施。监管窗口已经打开，轨道正在铺设。现在正是构建能够模糊两个世界界限的产品的绝佳时机。
AI驱动的数字化政府
第一波AI公司以前所未有的速度和准确性，帮助企业和普通人填写表格和完成在线申请。另一方面，这些表格中的许多将由地方、州和联邦政府接收，而他们现在仍在打印出来并手工处理。
政府迫切需要AI工具来应对即将到来的海量申请增长。好处在于，这也将使政府的运营成本效益更高，反应更灵敏。我们已经在爱沙尼亚等地瞥见过这种数字政府的雏形，但需要将其推广到世界其他地区。这种类型的创业不适合胆小的人。向政府销售极其困难，但一旦你摸索出如何获得第一个客户，他们往往会非常忠诚，并且可以扩展到巨大的合同。
现代化的美国金属厂
当人们谈论美国再工业化时，通常关注劳动力成本或地缘政治。但一个更大的问题显而易见：美国的金属厂是有意设计成缓慢运作的。
如果你在美国购买轧制铝材或钢管，8到30周的交付周期是常态。大多数买家甚至无法直接从工厂购买。尽管价格高昂，但工厂的利润率仍然很低。这并非因为需求疲软或工人技术不熟练，而是因为运行这些工厂的系统是几十年前设计的。
生产计划、调度、报价和执行是分散脱节的。工厂优化的是吨位和利用率，而不是速度、灵活性或利润率。小批量订单和规格变更被视为干扰而非机会。就在劳动力不断萎缩的时刻，自动化进程落后了。物料处理、换型、检验和质量控制仍然依赖少数经验丰富的操作员掌握的“部落知识”。自动化主要用于在缓慢的系统中推动更多吨位产出，而不是用于消除准备时间或可变性。
能源是问题的另一半。铝和钢铁是能源密集型产业，但大多数工厂依赖过时的电力合同和不灵活的电网。新能源模式——现场发电、更智能的电力管理，甚至是下一代核电——可以大幅降低成本，但它们很少在一开始就被设计到工厂中。
改变在于，软件和能源技术终于好到足以重新思考整个系统。AI驱动的规划、实时制造执行系统和现代自动化可以同时压缩交付周期并提高利润率。我们认为，这为建造以软件定义的现代美国工厂创造了机会——尤其是在轧铝和钢管行业，这些领域的漫长交付周期和能源成本问题最为根深蒂固。现代化工厂不仅仅是追求速度。它是关于使国产金属更便宜、更灵活、更有利可图——并重建美国的工业基础。
物理工作的实时AI指导
还记得电影《黑客帝国》里的场景吗？尼奥将一根电缆插入后脑勺，过了一会醒来，说“我会功夫了”。物理工作即将迎来类似的东西——不是通过大脑植入，而是通过实时AI指导。
目前AI领域的对话，很多都集中在哪些文职工作会被取代。但对于物理工作——比如现场服务、制造业、医疗保健——AI还不能在现实世界中行动。但它能做的，是“看见”、推理并指导执行操作的人。
想象一下，戴着一个小摄像头，一个AI看到你所看到的，并指导你完成工作：“关掉那个阀门”、“用3/8英寸的扳手”、“那个零件看起来磨损了，更换它”。工人无需数月或数年的培训就能立即上手，由AI进行指导，并在需要时获取新技能。
为什么是现在？三件事汇合了。首先，多模态模型现在可以可靠地“看到”现实世界的情况并进行推理。其次，硬件已经无处不在——手机、AirPods、智能眼镜。第三，技术工人短缺使这件事在经济上变得紧迫，并且能为数百万人提供高薪工作。
你可以采取几种方法。最显而易见的是构建这个系统，并销售给拥有现有员工队伍的公司。或者，你可以选择一个垂直领域，如暖通空调维修或护理，打造一支“全栈”的超级赋能劳动力队伍。或者，你可以构建一个平台，让任何人都能注册并成为一名熟练工人或开创自己的事业。如果你有兴趣赋予体力劳动者与Claude Code赋予你的同类型AI超能力，我们很期待看到你的申请。
大型空间推理模型
大型语言模型推动了近期AI的大部分突破，但其影响主要局限于那些可以通过语言表达的领域。解锁下一波AI能力，并实现通用人工智能，将需要具备空间推理能力的模型。
目前的系统可以处理有限的空间任务，例如基本关系或深度估计，但它们无法可靠地推理空间操作、2D和3D特征、它们的相互关系，或心理旋转等操作。这限制了AI理解和与物理世界交互的能力。
构建大型空间推理模型存在一个机会，将几何和物理结构视为第一性原理，而不是叠加在语言之上的近似。这样的模型将使AI系统能够推理和设计现实世界的物体和环境。一家成功构建此能力的公司，可能会定义下一个AI基础模型，达到OpenAI或Anthropic的规模。
AI加速的政府欺诈调查与追回
我们希望能资助那些将政府欺诈调查带入现代时代的初创公司。
政府是地球上最大的客户——联邦、州和地方各级每年花费数万亿美元，并因此损失相应规模的欺诈金额。仅医疗保险计划每年就因不当支付损失数百亿美元。
大规模追回这些资金最有效的方法之一，是《虚假申报法》中的“公私共分罚款之诉”条款。该条款允许公民个人代表政府起诉那些欺诈政府的公司。如果案件成功，这些公民可以获得追回金额的一定比例。
目前，这个过程极其缓慢：内部人士向律师事务所举报，然后事务所花费数月甚至数年时间手动收集文件、构建案件。这应该用软件来加速。不是仪表盘，而是能够接收内部人士举报，并围绕其组织证据的智能系统——解析杂乱的PDF文件，追踪不透明的公司结构，并将发现结果打包成可随时提起诉讼的文件。
一些初创公司已经在自行提交《虚假申报法》诉讼，但我们认为，构建能极大加快举报人律师事务所、州检察长和监察长办公室工作速度的工具，存在巨大机会。创始人的背景在这里很重要。我们寻找的团队中，至少有一位创始人真正从事过此类工作，无论是前《虚假申报法》律师、合规主管还是审计师。
现在是构建这个的时机：AI能力终于具备，并且存在两党支持的行动动力。如果你能让欺诈追回速度提高10倍，你将建立一个巨大的业务——并为纳税人追回数十亿美元。
让大语言模型训练变得容易
训练大型语言模型仍然出奇地困难。我和我的联合创始人Eric在Can of Soup过去三年一直在训练扩散模型和语言模型，尽管AI备受关注，但相关工具几乎没什么改进。在任何一个工作日，我们可能都要花费大量时间来处理损坏的SDK、SSH连接到有问题的GPU实例（这些实例通常要等半小时启动后才发现有问题），或发现开源工具中的重大错误。
更不用说管理、获取、处理和可视化TB级数据的工作了。我很想用那些能让LLM训练变得容易的产品：
- 抽象化训练的API。
- 便于管理超大型数据集的数据库。
- 为ML研究而设计的开发环境。
随着模型后训练和专业化变得越发重要，我可以预见这些产品将成为未来软件构建方式的基础。