本文是 YC Lab 2026 年夏季发布的创业清单翻译，翻译时删减了硬件，太空和供应链部分，保留了 AI 和 软件部分，如果感兴趣，可以查看原文 https://www.ycombinator.com/rfs
AI 已经不再只是一个“功能”，而是开始成为“基础”。我们对新一波创业浪潮感到兴奋：它们正在重建软件、服务和芯片，并把 AI 推进到物理世界中。其中有不少方向，直接来自 YC 创业者分享他们在前沿看到的变化。
用于低农药农业的 AI（AI for Low-Pesticide Agriculture）
作者： Garry Tan
https://www.youtube.com/watch?v=uwe-5PB9p4Y
现代农业依赖化学品运转。这在一段时间内奏效了，但如今问题已经显而易见。农药残留无处不在：在食物里、在水里、在土壤里。全世界的人都在担心 glyphosate（草甘膦） 的长期健康风险。
与此同时，自然也在适应。杂草和害虫会进化。过去有效的东西会逐渐失效。于是农民喷得更多。成本上升，利润下降。新化学品的研发管线呢？比以往更慢、也更昂贵。
农民陷在一个恶性循环里：用更多化学品 → 效果递减 → 花更多钱 → 承担更大风险。但他们又不能说停就停。害虫一旦占上风，作物就会死亡。食品价格会上涨。人们可能会挨饿。这是生死攸关的问题。
很长一段时间里，这看起来像是无解难题。但现在不再是了。因为几件事在同一时间发生了变化：
AI 现在“看得见”了。它可以实时识别单株杂草和害虫。传感器和摄像头变得足够便宜，可以部署到各个地方。机器人能够进行精确操作：只处理一株植物，而不是把整片田地一股脑覆盖喷洒。
生物技术也在追上来：微生物（Microbes）、肽（peptides）、RNA 方案（RNA-based solutions）——这些已经不再是科幻。它们可以替代整类合成化学品。我们可以工程化改造植物，让它们自我防御、压制杂草、减少外部投入。
当然，AI 也在持续加速。真正的科学突破将会被 AGI 增强，而现在正是见证这一点的时刻。
这是一场巨大的转变。农业是世界上最大的市场之一。如果你能同时降低成本并提高产量，采用不会是缓慢的——而会是爆炸式的。
那家能把农药使用降低 90% 并且 帮助农民种出更多粮食的公司？那不只是门好生意，而是一家“世代级”的公司。
如果你正在做这件事，如果你在打造能帮助农民用更少化学品生产更多的工具，我们希望和你聊聊。
AI 原生服务公司（AI-Native Service Companies）
作者： Gustaf Alströmer
https://www.youtube.com/watch?v=lsRnwM_ZdJY
AI 模型提升得非常快，现在它们已经能够做远远超出工程领域的复杂工作。
历史上，服务会演变成 SaaS 软件。更近一些，它们演变成 AI copilots（AI 副驾驶）：也就是 2023 到 2025 大多数创业公司做的那类——帮助人们更好完成工作的工具。
我们现在真正兴奋的是下一步：AI-native（AI 原生） 的公司，它们不卖软件——它们卖“服务”。它们不是给你一个工具让你自己做，而是直接把活干了。
这之所以重要，原因很简单：服务支出的总规模，是软件支出的很多倍。而大量服务原本就已外包，这使它们更容易被 AI-native 产品替代。
我们尤其关注的领域包括：
- Insurance brokerage（保险经纪）
- Accounting, tax, and audit（会计、税务与审计）
- Compliance（合规）
- Healthcare administration（医疗行政/医保与医疗流程管理）
如果你在打造一家用“替代服务”的方式来做生意的公司——而不只是改进服务——我们很想听听你的进展。
AI 个性化医疗（AI Personalized Medicine）
作者： Ankit Gupta
https://www.youtube.com/watch?v=fzVuQ2sYEn8
智能体（Intelligent agents）正在把医疗护理带入一个新的个性化层级。我们现在可以用类似 Claude Code 这种把智能体接到一套工具上的框架，分析个性化健康数据——无论是诊断检测、基因组扫描、EHR data（电子健康记录）、还是可穿戴设备数据——从而给出高度准确、针对个体用户的建议。
与此同时，科学领域正在发生两场重大革命。
- 生成个性化诊断的成本正在断崖式下降。基因组测序成本的下降速度甚至快于 Moore’s law（摩尔定律），而各种新型诊断进入市场，使得多种健康信号可以更早被检测出来。
- 为单个个体定制生产（n of 1）的基因疗法成本也在下降。我们如今可以通过 mRNA 等 delivery vectors（递送载体）设计并交付个性化药物，并且 FDA 在允许患者尝试这些流程方面也表现出更开放的态度。
我们认为，这些因素叠加，将带来护理交付方式的一场革命。海量数据与智能将帮助患者更准确评估疾病风险，让最严重疾病的治疗不再只属于少数人。
为实现这一点，我们相信会有大量新的创业公司，覆盖这个生态系统的每一个环节。
如果你在为“智能化的个性化护理未来”而构建产品，我们也很想听听你的想法。
Company Brain
作者： Tom Blomfield
https://www.youtube.com/watch?v=IaWIazkWWog
阻碍公司实现 AI 自动化的最大因素，不再是模型本身——模型已经在极短时间内变得非常强大。现在真正的障碍是领域知识（domain knowledge）。
每家公司都有关键 know-how（诀窍/知识）散落各处：有些在员工脑子里，有些埋在旧邮箱账号、Slack 线程、support tickets（客服工单）、以及各类数据库中。公司之所以还能运转，是因为人类会模糊地记得这些知识在哪、该怎么用。
但 AI agents 无法这样工作。如果我们希望每家公司都运行在 AI 自动化之上，我们需要一种新的底层能力：company brain（公司大脑）。
我们需要 Garry 的 G-Brain，但要给全世界每一家企业都配上。一个系统，能把这些碎片化来源中的知识抽取出来、结构化、保持更新，并把它变成 AI 能直接照着做的‘流程与技能库’。
这不是“公司级搜索”，也不是“对文档做一个聊天机器人”。它是一张活的“公司如何运转”的地图：退款怎么处理、价格例外如何批准、工程师如何响应事故。
接着，AI 系统就能用这份 skills file，以安全且一致的方式真正把工作做出来。
company brain 会成为“原始公司数据”和“可靠 AI 自动化”之间缺失的一层。我认为，世界上每家公司最终都会需要一个。
如果你在打造这个，你应该申请 YC。
动态软件界面（Dynamic Software Interfaces）
作者： Ankit Gupta
https://www.youtube.com/watch?v=_2LcG-3zCdY
在 AI 之前，一款软件的所有用户基本都在同一个界面上操作。最多只是轻度定制，比如几个不同视图，或主题与颜色选项。
即便用户想到 Netflix 那种“personalization（个性化）”，它对每个人的布局也仍然相同，只是展示的图片不同。
结果是，大多数软件都带着“一刀切”的感觉，而不是对用户高度定制。
举个例子：我使用 email 的方式，和大多数大学生使用 email 的方式完全不同，但所有 email 客户端看起来基本一样。
例外是企业软件：forward deployed engineers（交付工程师）会为每个客户定制软件，让体验更贴合。
我们认为，coding agents 现在已经足够强，使得用户可以成为自己的 forward deployed engineers，并更激进地定制自己使用的软件。
我设想未来用户会为不同用例设计出差异巨大的界面——也许我的 email 客户端看起来更像任务清单，而一个学生的更像事件日历。
但这两种界面很可能共享一些底层 primitives（基础组件）和设计决策，软件团队可以构建并交付这些共享部分。
我们认为未来软件公司会带着明确意图去交付这些共享 primitives，并默认用户会重度改造最终界面。
为实现这个未来，我们必须重思整套软件交付栈：开发者如何让软件能被用户的 coding agents 访问？是否必须交付 source code 而非打包的 binaries？智能体只能改前端视觉元素吗，还是能即时修改 middleware 来启用更有趣的用例？
如果你是一个激进思考者，想定义软件的未来，我们很想听听你。
面向智能体工作流的推理芯片（Inference Chips for Agent Workflows）
作者： Diana Hu
https://www.youtube.com/watch?v=WQ8Q94mk22Q
大多数 AI 芯片是为这样一个世界设计的：推理就是“prompt 输入，response 输出”。
但 agents 不是这样工作的。它们会循环：调用工具、分支、回溯，在几十个步骤中保持上下文。这是一个完全不同的硬件问题。
当前 GPU 在这类工作负载上只能达到峰值利用率的 30% 到 40%，因为负载是脉冲式的：在 memory-bound 的模型调用、I/O-bound 的工具使用、以及 CPU-bound 的编排之间来回跳转。
这个鸿沟，就是专用硅（purpose-built silicon）胜出的地方。
NVIDIA 以 200 亿美元收购 Groq，因为它看到了这一趋势。Google 也专门为推理构建了 TPU v7。
但还没有人在为“agent loop（智能体循环）本身”设计：模型之间快速上下文切换、原生 speculative decoding（推测解码）、为 KV caches（键值缓存）设计的内存——它们要能在整个执行图中持续存在。
Groq 真正的洞见并不是芯片，而是让芯片工作的编译器（compiler）。我们认为，下一个做出这件事的人也会如此。
如果你既理解 chip architecture（芯片架构），又理解 agents 如何真实执行，这是一个罕见时刻：两方面的经验都同样关键。
如果你在为 agentic AI（智能体式 AI）构建推理硅（inference silicon），我们很想听听你。
SaaS 挑战者（SaaS Challengers）
作者： Jared Friedman
https://www.youtube.com/watch?v=DhYJ1GENLoQ
人人都在说 AI 编程意味着 SaaS 的终结。投资者让软件公司的市值蒸发了数万亿美元。
这对 incumbents（现有巨头）可能是坏消息，但对创业公司是好消息。如果巨头真的这么脆弱，那这应该是十年来最大的创业机会。
所以，去做一个 challenger（挑战者）吧！
SaaS 模式之所以赢，是因为定制软件太贵了。一个五人团队不可能比 Salesforce 更强。
但 AI 让生产软件的成本下降了 10–100 倍，这改变了一切。
曾经保护传统 SaaS 的护城河——数百万行、几十年积累的代码——正在消失。
挑战它的方法有很多种，最简单的：复制一个现有产品，以十分之一的价格出售。
但你可以走得更远：从零构建一个 AI-native 产品——不是在一个 2010 年的 UI 上硬加聊天机器人，而是从根本上重思工作流。
你可以把十个 SaaS 单点工具打包成一个套件。
你可以构建一个开源替代品，替代每席位 5 万美元的产品，免费提供，然后通过服务与托管变现。
大多数人会从项目管理工具等简单目标开始。我们鼓励你想得更大：去挑战那些看似不可撼动的产品——芯片设计软件、ERP、工业控制系统、供应链管理。
那些 1000 万行代码、几十年没人敢碰的巨型代码库。
上一代伟大的软件公司，是通过用云取代本地部署而建立的。下一代将通过用 AI-native 软件取代传统 SaaS 而建立。
为智能体而生的软件（Software for Agents）
作者： Aaron Epstein
https://www.youtube.com/watch?v=515J0QD9p6w
互联网上未来的下一个“万亿级用户”不会是人类，而会是 AI agents。
现在正是 “Make Something Agents Want”（做一些智能体想要的东西）的时刻。
agents 已经在浏览网页、做研究、下单购买、管理传统 CRM——但它们是在“为人类在浏览器里点按钮”而设计的软件上工作，这既慢、不一致、又脆弱。
agents 需要完全不同的基础。
它们不需要以表单、按钮、仪表盘为中心的视觉界面，而需要 machine-readable（机器可读）的接口，比如 APIs、MCPs、CLIs。
agents 还需要非常完备的文档，使它们能够发现、注册并立刻以编程方式开始使用新工具，而无需人类参与。
这意味着：今天人类使用的每一个主要软件类别，都需要为 agents 重建。
而新的 agent-first 软件，不会来自巨头“顺便加上 agent 支持”，它会来自那些明确把 agents 当作一等公民去构建的创业公司。
当所有人都在做 agents 时，最大的机会也许是做那些 agents 依赖的软件。
所以如果你正在 “Making Something Agents Want”，我们很想听你说说。
想把产品卖给超大型公司的创业公司（Startups That Want to Sell to Huge Companies）
作者： Harshita Arora 和 Brad Flora
https://www.youtube.com/watch?v=Lrh1JVxqrKE
PG 最睿智的一条建议之一，一直是：创业公司应该卖给其他创业公司。
这一直是一个“hack（窍门）”：你能迅速获得聪明、前瞻的用户，他们会帮助你把产品打磨成真正重要的东西。
但事实证明，还有另一类公司也有同样聪明、前瞻的买家，只是过去创业者很难触达：Massive Enterprises（超大型企业）。
我们不是说“比较大的公司”，我们说的是世界上最大的公司——而且这些公司往往由极其聪明、前瞻的人在运营。
过去创业者做不到：很难接触到合适的人；很难在合理时间内做出“足够深、足够全”的产品让大公司快速使用；而且对于大公司而言，与早期公司合作 ROI 太低、风险太高。
AI 同时改变了这三点：
-
这些公司——再次强调，不只是“大公司”，而是“世界上最大的公司”，F100 规模——它们的管理者不再躲在电脑后面，他们正在主动寻找能够用 AI 解决关键问题的团队。过去 3 年里，我们第一次看到 YC 公司在第一年内、甚至在 YC 同期就拿到试点和数百万美元级别的真实合同。公司第一个客户就是世界最大公司之一，也不再罕见。买家已经醒了，而且愿意聊一聊。
-
AI 让小团队第一次能够在“几个月而不是几年”的时间里，为大型组织交付非常深思熟虑、细节丰富的产品。那个“潜伏 3 年，做到与巨头功能对等再上线”的梗已经死了。现在 2-3 人团队，就能在公司注册文件墨迹未干时，做出一个 Fortune 100 觉得有用的东西。
-
这些公司的领导者也理解：公司应该在哪里创造内部价值，哪里应该外包，以及如果不适应会发生什么。
再次强调：这些公司由真正聪明的人在管理。
我们认为这对创业者来说是一个极佳的环境，我们也想支持更多面向世界上最著名、最重要客户做交易的团队。
面向公司的 AI 操作系统（The AI Operating System for Companies）
作者： Diana Hu
https://www.youtube.com/watch?v=K46ZNekw2Tk
我们看到的最优秀的 AI-native 公司，解决了一个很多人没解决的问题：他们让整个公司变得“可查询（queryable）”。
每场会议都被记录，每张工单都被跟踪，每次客户互动都被捕捉——所有这些都能被智能层看懂并从中学习。
这会把公司从 open loop（开环）变成 closed loop（闭环）。在开环里，你做了一个决策，可能几周后才看结果；在闭环里，系统持续监控发生了什么、对照应该发生什么，然后调整。
我见过做到这一点的团队，把 sprint 时间砍半、交付量翻倍。
问题是，如今要构建这个，需要非常痛苦的集成工作：把 Slack、Linear、GitHub、Notion、通话录音，以及十几个工具用自定义胶水代码缝起来。
目前还没有一个产品，能把所有这些上下文连接成单一智能层，让它能跨域推理、提示工程团队正在做错事，或生成 agents 可执行的 specs。
我们认为有一个巨大的机会：构建一层“连接层”，让公司默认就对 AI 可读。
不是另一个 dashboard（仪表盘）。而是一个系统：把公司的各种产物变成一个自我改进的闭环。
关注公众号 技术后花园 获取更多信息
