每次 YC 在征集新一期孵化团队时，会发布 RFS（Requests for Startups，创业公司需求），这是 YC 分享创业想法的传统。在最近征集 2026年春季项目的过程中， YC 又发布了最新的创业公司需求 （https://www.ycombinator.com/rfs ），不出意外的几乎都是围绕 AI展开，尤其是 AI 原生公司。
目前初创企业的构建方式已经发生了翻天覆地的变化。如今，人工智能原生公司的创建速度更快、成本更低，也更具雄心。YC 对一系列涵盖人工智能原生工作流程、新型金融基础架构、现代化工业系统等领域的初创企业理念感到兴奋。这一次，我们的 RFS 有一些来自 YC孵化的创始人，他们分享了自己在前沿领域看到的机遇。
YC 正在传递出一个明确的信息：人工智能的发展已超越了软件改造的范畴。很多建议的方向都围绕着主动取代人类而非辅助人类的人工智能系统展开。这或许是风险投资界迄今为止最明确的信号：AI 正在押注自动化而非增强。
具体来看看如下 10 个方向的介绍：
产品经理版的 Cursor
过去几年，我们见证了用于编写代码的 AI 工具的爆炸式增长。Cursor 和 Claude Code 在帮助团队明确需要构建什么之后，能够发挥出色的作用。但是，编写代码只是打造用户所需产品的一部分。最重要的是首先要弄清楚要构建什么！
每个成功的产品都需要产品管理：与用户沟通、了解市场、综合反馈，并决定哪些问题值得解决以及产品应该如何运作。无论这个过程是由创始人、工程师还是产品经理完成，其核心活动都是相同的。
过去，最终成果是产品需求文档、Figma 原型和 Jira 工单——这些工具旨在向人类工程师传达意图。如今，团队在流程的某些环节中使用 AI ，但还没有一个系统能够支持完整的产品探索循环。
试想一下，如果有一款工具，你只需上传客户访谈和产品使用数据，询问“我们接下来应该构建什么？”，就能获得一个新功能的概要，以及基于客户反馈的解释，说明为什么这项改动值得进行。该工具还会针对您产品的用户界面、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，以便由您常用的编码 AI 助手来完成。
我们认为，可以打造一个“产品经理版的 Cursor”：一个专注于帮助团队确定“要构建什么”而非仅仅“如何构建”的AI原生系统。随着越来越多的智能助手承担起初步的实施工作，我们定义和沟通“要构建什么”的方式也需要随之改变。
人工智能原生对冲基金
上世纪80年代，一小部分基金开始使用计算机分析市场。当时这看起来有些荒谬，但如今量化交易已是司空见惯。我们现在正处于类似的转折点，下一个文艺复兴科技公司、桥水基金等都将建立在人工智能之上。然而目前全球最大的几家基金在适应方面进展缓慢。
我曾在其中一家基金担任量化研究员，当我向合规部门申请使用 ChatGPT 时，甚至没有得到任何回复。这让我清楚地意识到，未来的对冲基金不会仅仅将人工智能附加到现有策略上，而是会利用人工智能创造全新的策略。这才是超额收益的来源。
我们已经拥有大量的 Claude 智能体在编写代码库。试想一下，如果这些智能体像现在的对冲基金交易员一样工作——梳理10-K表格、财报电话会议和美国证券交易委员会（SEC）的文件，综合分析师的观点并进行交易，那将会是怎样一番景象。一家原生支持人工智能的对冲基金将率先做到这一点。
AI 原生代理机构
代理机构一直以来都难以规模化发展。利润微薄，人工操作效率低下，唯一的增长途径似乎只有增加人手。但人工智能改变了这一切。如今，你无需再向客户销售软件来帮助他们完成工作，而是可以自己使用软件，然后将最终产品以百倍的价格出售给他们，从而获得更高的收益。
试想一下，一家设计公司利用人工智能提前为客户制作定制设计作品，甚至在合同签订前就赢得了业务。又或者，一家广告公司利用人工智能制作出令人惊艳的视频广告，无需耗费时间和金钱进行实地拍摄。再或者，一家律师事务所利用人工智能在几分钟内而非几周内撰写法律文件。
正因如此，未来的代理机构将更像软件公司，拥有软件行业的利润率。而且，它们的规模将远远超过当今这些分散市场中的任何一家代理机构。
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，但金融服务层面仍有许多环节尚未完善。《GENIUS法案》和《CLARITY法案》将稳定币置于去中心化金融（DeFi）和传统金融（TradFi）之间的独特位置：既符合监管要求，又具有加密原生特性。这为那些既能提供DeFi优势（例如更高收益或获取代币化现实世界资产）又能在传统合规框架下运营的金融服务创造了空间。
如今，企业和个人必须在收益有限的受监管金融产品和风险实实在在的不受监管加密货币之间做出选择。处于监管中间地带的稳定币可以弥合这一差距，无论是提供收益账户、新的投资渠道，还是构建能够更快、更低成本地跨境流动资金的基础设施。监管窗口已经开启，基础设施正在铺设中。现在正是构建模糊这两个世界界限的最佳时机。
AI 用于数字化政府建设
第一批人工智能公司帮助企业和普通民众以前所未有的速度和准确度填写表格和完成在线申请。另一方面，许多此类表格最终会送达地方、州和联邦政府，而目前他们仍然需要打印出来并人工处理。
政府迫切需要人工智能工具来应对即将到来的巨大增长。人工智能的优势在于，它还能显著提高政府的成本效益和响应速度。我们在爱沙尼亚等地已经看到了数字化政府的雏形，但我们需要将其推广到世界各地。这类创业公司并非易事。向政府推销产品极其困难，但一旦你找到了拿下第一个客户的方法，他们往往非常忠诚，并有可能发展成巨额合同。
AI 用于制造业
人们谈到制造业回到美国时，通常关注的是劳动力成本或地缘政治。但一个更大的问题却显而易见：美国金属加工厂的生产效率低下是其设计使然。
在美国购买轧制铝或钢管，8到30周的交货期是常态。大多数买家甚至无法直接从工厂采购。尽管价格高昂，工厂的利润仍然很低。这并非因为需求疲软或工人技能不足，而是因为这些工厂的运行系统是几十年前设计的。生产计划、排产、报价和执行环节各自独立。工厂追求的是产量和利用率，而不是速度、灵活性或利润。
小批量生产和规格变更被视为干扰而非机遇。自动化发展滞后，而与此同时劳动力却在不断减少。物料搬运、换线、检验和质量控制仍然依赖于少数经验丰富的操作员所掌握的经验。自动化主要用于提高低效系统的产能，而不是消除设置时间或减少生产过程中的变数。
能源是问题的另一半。铝和钢的生产是能源密集型产业，但大多数钢厂仍然依赖传统的电力合同和缺乏灵活性的电网。新的能源模式——例如现场发电、更智能的电力管理，甚至是下一代核能——可以显著降低成本，但这些模式很少从一开始就被纳入钢厂的设计之中。
如今，软件和能源技术的进步使得我们能够重新思考整个系统。人工智能驱动的规划、实时制造执行系统（MES）和现代自动化技术可以同时缩短生产周期并提高利润率。我们认为，这为建设现代化、软件定义的美国钢厂创造了机遇——尤其是在铝轧制和钢管领域——这些领域长期面临生产周期长和能源成本高的问题。钢厂现代化不仅仅是提高生产速度，更重要的是降低国内金属的成本，提高生产灵活性和盈利能力，从而重建美国的工业基础。
AI 赋能体力劳动
你还记得《黑客帝国》里 Neo 把一根电缆插进后脑勺，过了一会儿醒来说“我会功夫了”的场景吗？体力劳动即将迎来类似的变革——不是通过脑植入，而是通过实时人工智能指导。
目前关于人工智能的讨论大多集中在哪些办公室工作会被取代。但对于体力劳动——比如现场服务、制造业、医疗保健——人工智能目前还无法直接操作。它能做的是观察、推理，并指导实际操作的人。
想象一下，你戴着一个小型摄像头，人工智能会观察你所看到的，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，换掉它”。这样一来，工人无需经过数月甚至数年的培训，就能立即上手工作，人工智能会指导他们，并在需要时提供新的技能。
为什么现在正是时候 ？三个因素汇聚于此。首先，多模态模型现在可以可靠地观察和推理现实世界的情况。其次，硬件已经无处不在——手机、AirPods、智能眼镜等等。第三，熟练劳动力短缺使得这项工作在经济上迫在眉睫，并为数百万人提供了高薪就业机会。
你可以采取几种方法：最直接的方法是构建这套系统并将其出售给拥有现有员工队伍的公司。或者，你可以选择一个垂直行业，例如暖通空调维修或护理，并构建一支全栈式、能力超强的劳动力队伍。或者，你可以构建一个平台，让任何人都可以注册成为熟练工人或创办自己的企业。
大规模空间模型
大语言模型（LLM）推动了人工智能领域这几年的大部分突破，但其影响仅限于那些主要通过语言表达的领域。要释放下一波人工智能潜能，实现通用人工智能，还需要具备空间推理能力的模型。
如今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，但它们无法稳健地推理空间操作、二维和三维特征及其关系，也无法进行诸如心理旋转之类的操作。这限制了人工智能理解物理世界并与之交互的能力。
我们有机会构建大规模空间推理模型，将几何形状和物理结构视为一等基本元素，而非叠加在语言之上的近似值。这样的模型将使人工智能系统能够推理和设计现实世界的物体和环境。成功构建这种能力的公司有望定义下一代人工智能基础模型，其规模堪比 OpenAI 或 Anthropic。
政府反欺诈机构的基础设施
我们希望资助那些能将政府欺诈调查带入现代化的初创公司。
政府是全球最大的消费者——联邦、州和地方各级政府每年支出数万亿美元，同时因欺诈损失的金额也与之相当。仅医疗保险一项，每年就因不当支付而损失数百亿美元。
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“告密者条款”。该条款允许公民代表政府对欺诈政府的公司提起诉讼。如果案件胜诉，这些公民可以获得追回款项的一部分。目前，这一过程极其缓慢：内部人士向律师事务所举报，然后律师事务所需要花费数月甚至数年的时间手动收集文件并构建案件。
我们需要借助软件来加速这一过程。我们指的不是简单的仪表盘，而是能够根据内部人士提供的线索整理证据的智能系统——解析杂乱的PDF文件，追踪不透明的公司结构，并将调查结果打包成可直接用于投诉的文件。一些初创公司已经开始自行提交《虚假申报法案》(FCA)索赔申请，但我们认为，开发能够显著加快举报人律师事务所、州检察长和监察长工作效率的工具，蕴藏着巨大的商机。
创始人的背景至关重要。我们正在寻找至少有一位创始人拥有类似工作经验的团队，无论是前 FCA律师、合规主管还是审计员。现在正是开发此类工具的最佳时机：人工智能技术已经成熟，而且两党都支持采取行动。如果能够将欺诈追回速度提高10倍，您将打造一个庞大的市场，并为纳税人节省数十亿美元。
让大模型培训更加轻松
训练大语言模型仍然异常困难。我和我的联合创始人 Eric 在过去三年里一直在 Can of Soup 公司训练扩散模型和语言模型，尽管人工智能备受关注，但相关工具几乎没有改进。我们每天都可能花费大量时间处理损坏的 SDK，通过 SSH 连接到故障的 GPU 实例（这些实例往往在启动半小时后才被发现损坏），或者发现开源工具中的重大 bug。更不用说管理、获取、处理和可视化 TB 级数据的工作了。
我非常希望使用能够简化大语言模型训练的产品，例如：1）抽象化训练过程的 API；2）便于管理海量数据集的数据库；3）专为机器学习研究而构建的开发环境。随着训练后处理和模型专业化变得越来越重要，我认为这些产品将成为未来软件构建的基础。