五度妙笔
企业透视镜
API商城
数据库YC 2026 Startup 复盘：硬件、数据的都在挣钱，应用团队开始自己训模型了
模型公司不断向应用层下探，一些 To C 产品刚找到的功能，可能下一次模型更新就会被直接覆盖。另一边，机器人、世界模型等概念又速升温，越来越多创业公司开始进入物理世界。当模型本身成为最大的变量，什么值得做、什么更容易赚钱、什么样的人更适合创业，都需要重新思考。
作为全球最活跃的早期创业机构之一，YC 每年接触数千名创始人。在最新一期播客《The Lightcone》中，YC CEO Garry Tan 与合伙人 Diana Hu、Jared Friedman、Harj Taggar，拿出了过去 12 到 18 个月的批次数据，讨论他们看到的创业生态变化。其中几组数字尤其醒目：
硬科技公司更多了，从机器人、半导体到能源，物理世界的每一层都在长出新公司。
创业公司赚钱更快了，今年第一次有公司只用三个月就从零做到七位数美元收入。
一个人起步的公司变多，但三四十岁甚至五十多岁的创业者，反而更能打。
给大模型卖数据和 RL 环境成了大生意。YC 近两年投了十几家这类公司，年收入超千万美元，部分达到数亿美元。
⬆️关注 Founder Park，最及时最干货的创业分享
我们将通过「AI 产品市集」、内容报道、社群分发等方式，帮你触达早期用户、获得真实反馈，以及建立关键连接。
如果你正在做 AI 相关的事，欢迎和我们聊聊。
01
硬科技重新变热，
不只是资本换了口味
YC 观察到的这轮变化，最直观地发生在物理世界。
过去 12 到 18 个月，硬科技在 YC 录取公司中的占比从 8% 涨到了 20%。几乎每个与物理世界相关的赛道，都扩大了 3 到 5 倍。
机器人公司从每批约占 1% 增长到 6% 至 7%，工业制造从 4% 增长到 10%，半导体和光子技术从 1% 增长到接近 4%，电力基础设施也从 1% 增长到接近 3%，国防科技从 1.5% 升至 5%。
创业公司正在同时进入机器人、制造、算力和能源，沿着整个物理产业栈向下生长。YC 合伙人 Diana Hu 将这一趋势称为「原子栈」的增长。
硬科技重新得到关注，当然与资本市场的偏好变化有关。今年年初，部分 SaaS 股票下跌、AI 编程工具快速发展，投资人对硬科技的兴趣随之升温。甚至在同一批次的 Demo Day 前后，都能明显感受到风向的变化。
但资本只是跟着机会移动。更深层的变化，来自真实需求的增长。AI 对算力的需求正在沿着产业链向下传导。为了支撑更多模型训练和推理，数据中心需要继续扩张，芯片、网络互连、电力和电池等环节，也随之出现新的缺口。
一个反常信号是，NVIDIA A100 已经不算新卡，每小时租用价格却还在上涨。通常，硬件会随着更新换代逐渐降价。但 AI 需求增长得太快，供给暂时跟不上，连老一代 GPU 也被重新拉进供需紧张的状态。
算力需求最终都要落到物理世界。一座数据中心从建成到运转，要经过选址、规划、施工、电力供应、储能、芯片部署和网络连接。每个环节都可能成为瓶颈，也都可能长出新的创业公司。
YC 当前批次中的 Dipole Labs，就在解决 GPU 之间的通信问题。GPU 的速度越来越快，负责数据路由的电子交换机却开始拖后腿。Dipole Labs 想把它换成全光交换机，让数据从 GPU A 到 GPU B 全程以光子的形式传输。
从电池、芯片到光互连，算力需求正在把一批原本分散的工程问题串联起来。对应用创业者而言，模型是一项可以直接调用的服务。对另一批创业者而言，怎样让服务背后的数据中心建得出来、运转得更好，本身就能成为一门生意。
需求在扩大，AI 也在改变硬件公司的成本结构。
一家同时做硬件和软件的公司，过去要跨过两道门槛。首先是物理世界本身的复杂度，供应链、制造、能源和设备运行，都需要长期积累的专业知识。这部分并没有因为 AI 出现而变得更容易。今年 YC 夏季批次中，每六名创始人里就有一名博士，比例远高于以往。也说明进入硬科技创业的专业背景正在变得更深。
第二道门槛则是软件开发的成本。硬件公司把产品造出来后，通常还要搭建一整套软件系统。三四年前，这意味着和 Google、Meta 争夺优秀工程师，很容易把一家早期公司的成本迅速推高。
代码生成工具正在削弱这层约束。硬件创业公司仍然需要一两名优秀工程师，或是一支小而强的团队。但完成同样的软件工作，不再那么依赖大规模招聘。以前需要一支团队承担的软件任务，现在可能由一两名工程师加上 Codex 就能完成。
AI 没有让硬件本身变轻，却让硬件公司最容易膨胀的软件部分变轻了。过去只有大公司有能力组织的复杂技术项目，正在进入创业公司的射程。硬件创业的经济账，也在被重新计算。
02
软件没死，
能让 Agent 完成工作才有新机会
硬科技受到追捧之后，软件公司的机会还剩多少？
YC 的判断并不悲观。他们认为，资本没有简单地从软件切换到硬科技。年初部分 SaaS 股票下跌后，不少公司又重新上涨，Salesforce、Snowflake 也交出了亮眼的业绩。投资人真正重估的，是哪些软件仍然有价值，哪些产品只是在旧流程上加了一层 AI。
过去十多年，企业软件最稳固的护城河来自 System of Record（记录系统）。人员、财务、销售和协作数据长期沉淀在系统里，迁移成本很高。只要客户还需要这些数据，软件就很难被替换。
Agent 正在改变人们访问软件的方式。用户未必还需要频繁打开不同后台、逐步完成操作，可以直接把任务交给 Agent，由它跨系统调取信息、调用工具并执行任务。原本被界面和流程锁在产品里的数据，也可以通过 MCP 等接口流向其他地方。
当 Agent 接管操作界面，传统 SaaS 必须回答一个更具体的问题，自己还能占据什么位置？
YC 总裁兼 CEO Garry Tan 给出的答案很直接。System of Record 要么开放接口，成为其他 Agent 调用的数据层，但逐渐失去对用户入口的控制。要么自己变成 Harness，让用户和 Agent 不只在这里读写数据，还能直接完成工作。
Salesforce 已经在把 Slack 推向 AI Harness。Codex、Claude Code、OpenClaw、Hermes 和 OpenCode，也都在争夺 Agent 长期工作的入口。
对 Salesforce 来说，Slack 既承载企业协作，又连接大量业务数据。如果 Agent 可以在这里完成任务，原有的 System of Record 就有机会从等待调用的数据仓库，变成新的工作入口。
这也是为什么记录系统的价值暂时没有消失。Agent 使用软件的频率甚至可能远高于人类，一款产品如果能够被 Agent 顺畅调用，它承载的数据和能力反而可能变得更有价值。真正被削弱的，是仅靠界面、操作习惯和封闭流程建立起来的优势。
对于创业公司而言，机会集中在两个相互咬合的环节。
第一个切入口是行业工作流。通用模型可以理解任务，但每个行业使用哪些系统、遵循什么规则、如何判断结果、由谁承担责任，仍然需要被重新定义。谁能把这些环节接进 Agent，让它真正完成一段工作，谁就有机会成为新的工作入口。
工作流还会带来第二层优势，数据。当 Agent 真正参与任务，它会产生传统工具软件很难获得的过程数据。用户如何作出决策、任务在哪一步失败、哪些结果算合格，这些数据可以进一步用于评测、微调和强化学习，让产品越来越懂这项工作。
谁控制工作流，谁就更容易获得专有数据。谁拥有专有数据，谁就更有机会把通用模型转化为自己的行业能力。
新旧公司最终争夺的，是 Agent 将通过谁来完成任务。拥有记录数据的系统，占据天然起点。能够组织完整工作流的产品，有机会拿到新的入口。
03
能交付结果的软件，
正在更快赚到更多钱
软件价值的变化，已经体现在 YC 新公司的产品形态与收入里。
在 YC 新录取的公司中，提供端到端工作流、直接完成一项任务的公司，占比已经从约 10% 上升到 25% 以上。它们不只提供医疗账单系统、招聘搜索工具或保险经纪软件，可以处理医疗账单、联系候选人、安排面试，甚至承担完整的保险经纪工作。
Diana Hu 对这类需求的概括很直接，「人们想要的，就是让工作被做完。」
传统 SaaS 往往只处理流程中的一个环节，使用者仍然要操作工具，再把前后步骤衔接起来。现在，一些 Agent 产品开始接管更多过程，调用系统、推进任务，最终交付结果。
产品承担的工作更多，也就有机会进入更大的预算。YC 管理合伙人 Harj Taggar 观察到，一些大企业很早就愿意向这类创业公司支付较高金额，因为它们解决的问题足够具体，创造的价值也更容易衡量。
市场对 AI 的热情当然可能推动一部分采购，短期收入增长也不能自动证明产品已经建立了稳定需求。但如果一款产品确实接手了过去需要人来完成的工作，它对应的就不再是一个软件席位，是整段工作的成本与结果。
AI 招聘工具 Juicebox 就是一个具体样本。
它最初是一款由大语言模型驱动的人才搜索工具。用户输入招聘需求，系统负责找出候选人，后续流程仍由招聘人员完成。后来，Juicebox 增加了 Agent 产品，开始主动联系候选人、安排面试，并继续推进流程。Jared Friedman 预计，这会让 Juicebox 的单客收入增至原来的两到三倍。
这不意味着招聘人员会被简单替代。机械地联系几百名候选人，并不是招聘工作中最需要经验的部分。判断候选人与团队文化是否匹配、理解一个人的特点并建立信任，仍然更依赖人。Agent 接管重复流程后，招聘人员可以把更多时间放在这些更难标准化的工作上。
对创业者来说，这也意味着产品定义需要改变。一个功能帮用户节省几分钟，和一个产品让用户少处理一整段流程，对应的是完全不同的采购理由与预算。
端到端产品能够提高单个客户的收入，开发速度的提升，则让收入出现得更早。YC 观察到，新一批公司的收入增长正在明显加快。
在刚被录取时，YC 公司收入中位数为零，很多甚至还没有产品。经过三个月的加速项目后，过去一批公司的 MRR 中位数约为 8000 美元，现在这一数字已接近 2 万美元。今年，YC 还第一次看到有公司在一个批次内，从零做到七位数美元收入。过去达到类似规模，通常需要 18 个月甚至更久。
这种加速来自两端。一方面，产品开发速度变快了。一些高度 AI-native 的创始人会同时运行 20 个 Coding Agent 会话，用更少的人、更短的时间，把产品推进到可以交付的状态。
产品上线后，Agent 又能接手整段流程，让客户更快看到结果，也更早愿意付费。
因此，SaaS 和 AI SaaS 的分界线，正在落到软件实际承担的工作上。记录、提示和辅助仍有价值，但更大的预算正在流向那些能够接手任务、交付结果的产品。
04
给大模型卖数据和 RL 环境，
一批公司在闷声发大财
YC 最近增长最快的一类公司，甚至没有面向普通用户的产品。
它们向前沿模型实验室出售训练数据、评测体系和 RL 环境。这类生意往往客户不多、合同很大，合作内容又需要保密。大多数创业公司希望尽可能展示增长，它们却恰好相反，业务做得越好，有时越不希望被外界看见。
YC 在节目中给出了一组统计。仅过去两年，他们就投资了十多家这类公司，年收入超过 1000 万美元。其中一些成立仅一两年，收入已经达到数亿美元。
普通创业公司公布增长，可以帮助融资和获客。但对已经找到稀缺数据或实验室需求的供应商来说，过度公开成功路径，反而可能引来竞争。YC 总裁兼 CEO Garry Tan 说得更直接，「一件事一旦跑通了，你甚至不想让别人知道。」
低调不意味着市场很小，大型实验室在这一领域的支出就达 10 亿美元。
YC 在 2016 年投资 Scale AI 时，数据服务还只是一个很小的利基，甚至很难被视为独立类别。此后，Mercor、AfterQuery、DataCurve 等公司陆续进入，实验室采购的内容也在变化。
早期的数据业务更接近标注和清洗。随着模型进入后训练阶段，实验室需要的是更复杂的任务、可靠的验证器，以及能够承载长周期任务的 RL 环境。
模型继续进步，既需要算力，也需要一套练习和反馈机制，知道该完成什么任务，结果是否正确，失败发生在哪里。任务越专业，训练材料和环境也必须更贴近真实工作。
金融领域的 RL 环境就是一个例子。
环境既要向模型提供任务，也要让它执行操作、验证结果并获得反馈。搭建这样一套系统，需要同时理解金融业务、模型训练和系统工程。编程、法律等垂直领域，也可以沿着相同逻辑构造自己的任务与评测。
一个足够深的业务领域，就可能成为创业公司的切入口。这类公司的门槛，已经从组织大量人员做标注，转向能否理解模型缺什么，并设计出足够真实、可靠的训练任务。
数据需求还在从语言和代码延伸到物理世界。
机器人实验室要让模型学会在现实环境中行动，就需要看到人是如何完成任务的。第一人称视角记录的操作过程、通过遥操作采集的动作数据，以及工厂里的真实任务，都开始成为新的训练材料。
YC 最近几个批次中，已经出现一批围绕物理世界数据建立业务的公司。2026 年夏季批次的 Practis Robotics 在做相关服务，另一些公司通过工业生产场所网络、全球本地采集团队或真实操作记录，为机器人实验室提供训练数据。部分合作已经达到八位数乃至九位数美元规模。
模型每增加一种能力，背后都可能需要一批新的数据与环境供应商。手里有数据只是起点，真正的门槛在于能否看懂模型缺什么，再把真实世界里零散而复杂的经验，整理成实验室能够持续使用的训练产品。
05
应用公司的下一层竞争，
是自己训练专用模型
当数据和 RL 环境本身已经可以成为生意，另一个问题也随之出现，掌握业务数据的应用公司，会不会利用这些数据，训练更适合自身任务的模型？
开放权重模型正在接近前沿能力，训练工具的门槛也在下降，Agent 已经可以参与数据清理和部分训练流程。Garry Tan 判断，如果企业能够利用专有数据，针对具体任务训练模型，就可能在某个狭窄领域超过更通用的前沿模型。
在机器人领域，这种需求已经十分具体。
语言模型通过语言理解和描述世界，机器人却要在三维空间里处理物体、动作和变化，面对更多自由度，还必须实时响应环境。语言模型的任务可以放在那里运行，稍后再回来检查结果。一个正在数据中心连接线缆的机器人，如果中途被人撞了一下，继续执行原来的动作，就可能把线插进错误的接口。
现场环境充满变化，通用基础模型很难直接覆盖所有情况。围绕具体场景采集数据，再对模型继续训练，往往更有效。
以 Boost Robotics 为例，这家公司在做数据中心布线机器人。要让机器人在具体环境里稳定工作，可能还需要用数据中心的专门数据进一步调整模型。
YC 接触到的、使用 Physical Intelligence 模型部署机器人的公司，都需要围绕各自场景继续微调，无法直接开箱即用。Ultra 就是在通用模型的基础上，又积累了数千小时的装箱影像，才让机器人真正擅长把物品放进箱子。
在 YC 看来，机器人行业还没有真正迎来自己的「ChatGPT 时刻」，但围绕它的产业链已经开始生长。创业公司可以从具体任务切入，部署机器人、采集任务数据、搭建训练环境，再把模型调整到能够在现场稳定工作的程度。
类似的逻辑也可能出现在软件领域。例如 Claude Code 可以从执行记录中识别更高质量的编程过程，用来训练下一代 Coding 模型。拥有视频观看、点击和停留数据的平台，也可以利用这些反馈改进内容生成模型。
应用公司因而有了另一条路径，调用外部模型完成工作，同时把产品运行中产生的数据，继续用于评测、训练和产品迭代。数据只有真正进入能力提升的闭环，才可能沉淀为通用模型难以直接复制的优势。
06
创始人画像变了：
Solo 创业变多，三四十岁更能打
产品的开发和交付都在加速，YC 看到的创始人画像也开始发生变化。最直接的一点是，一个人能够完成的工作变多了。
一年前，YC 新录取公司中，单人创始人的比例约为 5%。现在已经达到 18% 至 19%，接近五分之一。这是 YC 观察到的最大一次增长。
过去，一支理想的创始团队通常需要两类人。一个负责销售、讲故事和说服客户，另一个负责把产品做出来。一个人很难同时具备两种能力，联合创始人因此几乎是启动一家公司的必要条件。
Coding Agent 松动了这个前提。创始人仍然要理解技术和产品，但不必亲手写完每一段代码，也不一定要在第一天就组建完整的工程团队。相比能否独立完成开发，知道该让模型做什么，正在变得更加重要。
YC 历史上也出现过成功的单人创始人。Instacart 的 Apoorva Mehta、Coinbase 的 Brian Armstrong 和 Parker Conrad，进入 YC 时都可以被视为单人创始人。但在当时，他们既要提出想法、说服客户，又要独立把产品做出来，属于极少数例外。今天，更多人可以先做出产品、拿到第一批客户，再根据业务进展补充团队。
联合创始人的价值依然存在。几位 YC 合伙人的共同判断是，进入 YC 时的单人创始人会继续增加，但真正跑出来的公司，仍可能在获得初步增长后引入联创。
加入时间变了，联合创始人的角色与股权安排自然也会不同。过去，两个人可能从第一天开始五五开。现在，一个人可以先跑完从想法到验证的第一程，再寻找适合共同放大公司的搭档。
单人公司只是组织变化的一面。另一面是，经验的价值正在上升。
YC 发现，三十多岁、四十多岁，甚至五十多岁的资深从业者，正在成为更显眼的一批创始人。Garry Tan 举了 Peter Steinberger 的例子，他四十岁出头，管理过开发团队，也做过创业公司，很早就开始深度使用 AI，尝试过大量工具。Peter Steinberger 的优势不只在于会用 Agent，更在于知道应该让 Agent 做什么。
过去，年轻创始人的优势之一，是能够快速学习新技术，再投入大量时间亲手开发。Coding Agent 拉平一部分执行能力后，行业经验和判断力的分量开始上升。「如果你已经在行业里走过一圈，就知道龙藏在哪里。」Garry Tan 用一句很有画面感的话形容道。
在一个行业里经历过几轮的人，更容易看见真正的低效、风险和利益关系，也更能分辨哪些需求长期存在，哪些只是短暂噪音。过去，这些经验未必能变成产品，因为他们离开大公司后，很难独立拉起一支技术团队。现在，行业认知、客户关系和工作流经验，可以直接与 Agent 的执行能力重新组合。
管理经验也可以迁移到 Agent 上。Jared Friedman 观察到，长期管理工程师团队的人，通常更擅长同时组织多个 Coding Agent。他们知道如何拆分任务、补充 Context、检查结果，也能发现 Agent 卡在了哪里。一个足够聪明、但没有管理经验的 19 岁年轻人，未必能同样有效地管理这支「虚拟团队」。
做出产品所需的人力和时间都在减少，创业的起跑线正在前移。对创始人来说，「能不能做出来」不再是唯一的问题。更重要的是，哪项任务值得被完整自动化，自己比别人多看见了什么，又能否把行业经验转化为 Agent 可以执行的流程。
模型会继续进步，执行成本也会继续下降。当「怎么做」越来越容易，创业的窗口会向更多人打开。真正拉开差距的，是谁更早知道应该做什么。
实时交互模型：一个还没形成共识的赛道，怎么就成了热门？
Microduck 爆火之后，我们和它背后的制造团队聊了聊 AI 时代的硬件创业
巨头都想做的 Personal AI，Town 为什么成了最受关注的那个？
OpenAI 和 Anthropic 都在谈的 RSI，今天走到哪一步了？
