本文是 YC Lab 2026 年夏季發佈的創業清單翻譯，翻譯時刪減了硬件、太空和供應鏈部分，保留了 AI 和軟件部分，如果感興趣，可以查看原文 https://www.ycombinator.com/rfs
AI 已經不再只是一個「功能」，而是開始成為「基礎」。我們對新一波創業浪潮感到興奮：它們正在重建軟件、服務和晶片，並把 AI 推進到物理世界中。其中有不少方向，直接來自 YC 創業者分享他們在前沿看到的變化。
用於低農藥農業的 AI（AI for Low-Pesticide Agriculture）
作者： Garry Tan
https://www.youtube.com/watch?v=uwe-5PB9p4Y
現代農業依賴化學品運轉。這在一段時間內奏效了，但如今問題已經顯而易見。農藥殘留無處不在：在食物裏、在水裏、在土壤裏。全世界的人都在擔心 glyphosate（草甘膦） 的長期健康風險。
與此同時，自然也在適應。雜草和害蟲會進化。過去有效的東西會逐漸失效。於是農民噴得更多。成本上升，利潤下降。新化學品的研發管線呢？比以往更慢、也更昂貴。
農民陷在一個惡性循環裏：用更多化學品 → 效果遞減 → 花更多錢 → 承擔更大風險。但他們又不能說停就停。害蟲一旦佔上風，作物就會死亡。食品價格會上漲。人們可能會捱餓。這是生死攸關的問題。
很長一段時間裏，這看起來像是無解難題。但現在不再是了。因為幾件事在同一時間發生了變化：
AI 現在「看得見」了。它可以實時識別單株雜草和害蟲。傳感器和攝像頭變得足夠便宜，可以部署（deploy）到各個地方。機器人能夠進行精確操作：只處理一株植物，而不是把整片田地一股腦覆蓋噴灑。
生物技術也在追上來：微生物（Microbes）、肽（peptides）、RNA 方案（RNA-based solutions）——這些已經不再是科幻。它們可以替代整類合成化學品。我們可以工程化改造植物，讓它們自我防禦、壓制雜草、減少外部投入。
當然，AI 也在持續加速。真正的科學突破將會被 AGI 增強，而現在正是見證這一點的時刻。
這是一場巨大的轉變。農業是世界上最大的市場之一。如果你能同時降低成本並提高產量，採用不會是緩慢的——而會是爆炸式的。
那家能把農藥使用降低 90% 並且幫助農民種出更多糧食的公司？那不只是門好生意，而是一家「世代級」的公司。
如果你正在做這件事，如果你在打造能幫助農民用更少化學品生產更多的工具，我們希望和你聊聊。
AI 原生服務公司（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，現在它們已經能夠做遠遠超出工程領域的複雜工作。
歷史上，服務會演變成 SaaS 軟件。更近一些，它們演變成 AI copilots（AI 副駕駛）：也就是 2023 到 2025 大多數創業公司做的那類——幫助人們更好完成工作的工具。
我們現在真正興奮的是下一步：AI-native（AI 原生） 的公司，它們不賣軟件——它們賣「服務」。它們不是給你一個工具讓你自己做，而是直接把活幹了。
這之所以重要，原因很簡單：服務支出的總規模，是軟件支出的很多倍。而大量服務原本就已外包，這使它們更容易被 AI-native 產品替代。
我們尤其關注的領域包括：
- Insurance brokerage（保險經紀）
- Accounting, tax, and audit（會計、稅務與審計）
- Compliance（合規）
- Healthcare administration（醫療行政/醫保與醫療流程管理）
如果你在打造一家用「替代服務」的方式來做生意的公司——而不只是改進服務——我們很想聽聽你的進展。
AI 個性化醫療（AI Personalized Medicine）
作者： Ankit Gupta
https://www.youtube.com/watch?v=fzVuQ2sYEn8
Agent（Intelligent agents）正在把醫療護理帶入一個新的個性化層級。我們現在可以用類似 Claude Code 這種把 Agent 接到一套工具上的框架，分析個性化健康數據——無論是診斷檢測、基因組掃描、EHR data（電子健康記錄）、還是可穿戴設備數據——從而給出高度準確、針對個體用戶的建議。
與此同時，科學領域正在發生兩場重大革命。
- 生成個性化診斷的成本正在斷崖式下降。基因組測序成本的下降速度甚至快於 Moore’s law（摩爾定律），而各種新型診斷進入市場，使得多種健康信號可以更早被檢測出來。
- 為單個個體定製生產（n of 1）的基因療法成本也在下降。我們如今可以通過 mRNA 等 delivery vectors（遞送載體）設計並交付個性化藥物，並且 FDA 在允許患者嘗試這些流程方面也表現出更開放的態度。
我們認為，這些因素疊加，將帶來護理交付方式的一場革命。海量數據與智能將幫助患者更準確評估疾病風險，讓最嚴重疾病的治療不再只屬於少數人。
為實現這一點，我們相信會有大量新的創業公司，覆蓋這個生態系統的每一個環節。
如果你在為「智能化的個性化護理未來」而建置（build）產品，我們也很想聽聽你的想法。
Company Brain
作者： Tom Blomfield
https://www.youtube.com/watch?v=IaWIazkWWog
阻礙公司實現 AI 自動化的最大因素，不再是模型本身——模型已經在極短時間內變得非常強大。現在真正的障礙是領域知識（domain knowledge）。
每家公司都有關鍵 know-how（訣竅/知識）散落各處：有些在員工腦子裏，有些埋在舊郵箱帳號、Slack 線程、support tickets（客服工單）、以及各類數據庫中。公司之所以還能運轉，是因為人類會模糊地記得這些知識在哪、該怎麼用。
但 AI agents 無法這樣工作。如果我們希望每家公司都運行在 AI 自動化之上，我們需要一種新的底層能力：company brain（公司大腦）。
我們需要 Garry 的 G-Brain，但要給全世界每一家企業都配上。一個系統，能把這些碎片化來源中的知識抽取出來、結構化、保持更新，並把它變成 AI 能直接照着做的『流程與技能庫』。
這不是「公司級搜索」，也不是「對文檔做一個聊天機器人」。它是一張活的「公司如何運轉」的地圖：退款怎麼處理、價格例外如何批准、工程師如何響應事故。
接着，AI 系統就能用這份 skills file，以安全且一致的方式真正把工作做出來。
company brain 會成為「原始公司數據」和「可靠 AI 自動化」之間缺失的一層。我認為，世界上每家公司最終都會需要一個。
如果你在打造這個，你應該申請 YC。
動態軟件界面（Dynamic Software Interfaces）
作者： Ankit Gupta
https://www.youtube.com/watch?v=_2LcG-3zCdY
在 AI 之前，一款軟件的所有用戶基本都在同一個界面上操作。最多只是輕度定製，比如幾個不同視圖，或主題與顏色選項。
即便用戶想到 Netflix 那種「personalization（個性化）」，它對每個人的佈局也仍然相同，只是展示的圖片不同。
結果是，大多數軟件都帶着「一刀切」的感覺，而不是對用戶高度定製。
舉個例子：我使用 email 的方式，和大多數大學生使用 email 的方式完全不同，但所有 email 客戶端看起來基本一樣。
例外是企業軟件：forward deployed engineers（交付工程師）會為每個客戶定製軟件，讓體驗更貼合。
我們認為，coding agents 現在已經足夠強，使得用戶可以成為自己的 forward deployed engineers，並更激進地定製自己使用的軟件。
我設想未來用戶會為不同用例設計出差異巨大的界面——也許我的 email 客戶端看起來更像任務清單，而一個學生的更像事件日曆。
但這兩種界面很可能共享一些底層 primitives（基礎組件）和設計決策，軟件團隊可以建置（build）並交付這些共享部分。
我們認為未來軟件公司會帶着明確意圖去交付這些共享 primitives，並默認用戶會重度改造最終界面。
為實現這個未來，我們必須重思整套軟件交付棧：開發者如何讓軟件能被用戶的 coding agents 訪問？是否必須交付 source code 而非打包的 binaries？Agent 只能改前端視覺元素嗎，還是能即時修改 middleware 來啟用更有趣的用例？
如果你是一個激進思考者，想定義軟件的未來，我們很想聽聽你。
面向 Agent 工作流程（workflow）的推理晶片（Inference Chips for Agent Workflows）
作者： Diana Hu
https://www.youtube.com/watch?v=WQ8Q94mk22Q
大多數 AI 晶片是為這樣一個世界設計的：推理就是「prompt 輸入，response 輸出」。
但 agents 不是這樣工作的。它們會循環：調用工具、分支、回溯，在幾十個步驟中保持上下文（context）。這是一個完全不同的硬件問題。
當前 GPU 在這類工作負載上只能達到峰值利用率的 30% 到 40%，因為負載是脈衝式的：在 memory-bound 的模型調用、I/O-bound 的工具使用、以及 CPU-bound 的編排之間來回跳轉。
這個鴻溝，就是專用硅（purpose-built silicon）勝出的地方。
NVIDIA 以 200 億美元收購 Groq，因為它看到了這一趨勢。Google 也專門為推理建置了 TPU v7。
但還沒有人在為「agent loop（Agent 循環）本身」設計：模型之間快速上下文切換、原生 speculative decoding（推測解碼）、為 KV caches（鍵值緩存）設計的內存——它們要能在整個執行圖中持續存在。
Groq 真正的洞見並不是晶片，而是讓晶片工作的編譯器（compiler）。我們認為，下一個做出這件事的人也會如此。
如果你既理解 chip architecture（晶片架構），又理解 agents 如何真實執行，這是一個罕見時刻：兩方面的經驗都同樣關鍵。
如果你在為 agentic AI（Agent 式 AI）建置推理硅（inference silicon），我們很想聽聽你。
SaaS 挑戰者（SaaS Challengers）
作者： Jared Friedman
https://www.youtube.com/watch?v=DhYJ1GENLoQ
人人都在說 AI 編程意味着 SaaS 的終結。投資者讓軟件公司的市值蒸發了數萬億美元。
這對 incumbents（現有巨頭）可能是壞消息，但對創業公司是好消息。如果巨頭真的這麼脆弱，那這應該是十年來最大的創業機會。
所以，去做一個 challenger（挑戰者）吧！
SaaS 模式之所以贏，是因為定製軟件太貴了。一個五人團隊不可能比 Salesforce 更強。
但 AI 讓生產軟件的成本下降了 10–100 倍，這改變了一切。
曾經保護傳統 SaaS 的護城河——數百萬行、幾十年積累的程式碼——正在消失。
挑戰它的方法有很多種，最簡單的：複製一個現有產品，以十分之一的價格出售。
但你可以走得更遠：從零建置一個 AI-native 產品——不是在一個 2010 年的 UI 上硬加聊天機器人，而是從根本上重思工作流程（workflow）。
你可以把十個 SaaS 單點工具打包成一個套件。
你可以建置一個開源替代品，替代每席位 5 萬美元的產品，免費提供，然後通過服務與託管變現。
大多數人會從項目管理工具等簡單目標開始。我們鼓勵你想得更大：去挑戰那些看似不可撼動的產品——晶片設計軟件、ERP、工業控制系統、供應鏈管理。
那些 1000 萬行程式碼、幾十年沒人敢碰的巨型程式碼庫。
上一代偉大的軟件公司，是通過用雲取代本地部署（deploy）而建立的。下一代將通過用 AI-native 軟件取代傳統 SaaS 而建立。
為 Agent 而生的軟件（Software for Agents）
作者： Aaron Epstein
https://www.youtube.com/watch?v=515J0QD9p6w
互聯網上未來的下一個「萬億級用戶」不會是人類，而會是 AI agents。
現在正是 「Make Something Agents Want」（做一些 Agent 想要的東西）的時刻。
agents 已經在瀏覽網頁、做研究、下單購買、管理傳統 CRM——但它們是在「為人類在瀏覽器裏點按鈕」而設計的軟件上工作，這既慢、不一致、又脆弱。
agents 需要完全不同的基礎。
它們不需要以表單、按鈕、儀表盤為中心的視覺界面，而需要 machine-readable（機器可讀）的接口，比如 APIs、MCPs、CLIs。
agents 還需要非常完備的文檔，使它們能夠發現、註冊並立刻以編程方式開始使用新工具，而無需人類參與。
這意味着：今天人類使用的每一個主要軟件類別，都需要為 agents 重建。
而新的 agent-first 軟件，不會來自巨頭「順便加上 agent 支持」，它會來自那些明確把 agents 當作一等公民去建置的創業公司。
當所有人都在做 agents 時，最大的機會也許是做那些 agents 依賴的軟件。
所以如果你正在 「Making Something Agents Want」，我們很想聽你說說。
想把產品賣給超大型公司的創業公司（Startups That Want to Sell to Huge Companies）
作者： Harshita Arora 和 Brad Flora
https://www.youtube.com/watch?v=Lrh1JVxqrKE
PG 最睿智的一條建議之一，一直是：創業公司應該賣給其他創業公司。
這一直是一個「hack（竅門）」：你能迅速獲得聰明、前瞻的用戶，他們會幫助你把產品打磨成真正重要的東西。
但事實證明，還有另一類公司也有同樣聰明、前瞻的買家，只是過去創業者很難觸達：Massive Enterprises（超大型企業）。
我們不是說「比較大的公司」，我們說的是世界上最大的公司——而且這些公司往往由極其聰明、前瞻的人在運營。
過去創業者做不到：很難接觸到合適的人；很難在合理時間內做出「足夠深、足夠全」的產品讓大公司快速使用；而且對於大公司而言，與早期公司合作 ROI 太低、風險太高。
AI 同時改變了這三點：
-
這些公司——再次強調，不只是「大公司」，而是「世界上最大的公司」，F100 規模——它們的管理者不再躲在電腦後面，他們正在主動尋找能夠用 AI 解決關鍵問題的團隊。過去 3 年裏，我們第一次看到 YC 公司在第一年內、甚至在 YC 同期就拿到試點和數百萬美元級別的真實合同。公司第一個客戶就是世界最大公司之一，也不再罕見。買家已經醒了，而且願意聊一聊。
-
AI 讓小團隊第一次能夠在「幾個月而不是幾年」的時間裏，為大型組織交付非常深思熟慮、細節豐富的產品。那個「潛伏 3 年，做到與巨頭功能對等再上線」的梗已經死了。現在 2-3 人團隊，就能在公司註冊文件墨跡未乾時，做出一個 Fortune 100 覺得有用的東西。
-
這些公司的領導者也理解：公司應該在哪裏創造內部價值，哪裏應該外包，以及如果不適應會發生什麼。
再次強調：這些公司由真正聰明的人在管理。
我們認為這對創業者來說是一個極佳的環境，我們也想支持更多面向世界上最著名、最重要客戶做交易的團隊。
面向公司的 AI 操作系統（The AI Operating System for Companies）
作者： Diana Hu
https://www.youtube.com/watch?v=K46ZNekw2Tk
我們看到的最優秀的 AI-native 公司，解決了一個很多人沒解決的問題：他們讓整個公司變得「可查詢（queryable）」。
每場會議都被記錄，每張工單都被跟蹤，每次客戶互動都被捕捉——所有這些都能被智能層看懂並從中學習。
這會把公司從 open loop（開環）變成 closed loop（閉環）。在開環裏，你做了一個決策，可能幾周後才看結果；在閉環裏，系統持續監控發生了什麼、對照應該發生什麼，然後調整。
我見過做到這一點的團隊，把 sprint 時間砍半、交付量翻倍。
問題是，如今要建置這個，需要非常痛苦的集成工作：把 Slack、Linear、GitHub、Notion、通話錄音，以及十幾個工具用自定義膠水程式碼縫起來。
目前還沒有一個產品，能把所有這些上下文（context）連接成單一智能層，讓它能跨域推理、提示工程團隊正在做錯事，或生成 agents 可執行的 specs。
我們認為有一個巨大的機會：建置一層「連接層」，讓公司默認就對 AI 可讀。
不是另一個 dashboard（儀表盤）。而是一個系統：把公司的各種產物變成一個自我改進的閉環。
關注公眾號 技術後花園 獲取更多信息
