我连续追了很多期Y Combinator的Demo Day坦白说比起那些动辄估值翻几十倍的融资新闻我更感兴趣的是台上那三分钟里创始人怎么用最短的话讲清楚我在解决什么问题。把最近几个batch的项目名单翻出来横向一拉一个感受特别强烈人工智能已经不是YC里面的某个垂直赛道了它正在变成所有赛道的底层语言。这篇东西不是官方报告是我基于公开项目信息、多家被投公司后续融资情况以及和一些创业者的交流整理出来的个人观察。适合正在找方向、准备融资、或者单纯想判断AI创业现在到底走到哪一步的人读。1. 为什么研究YC而不是盯着红杉或a16z观察AI投资趋势其实有很多窗口但YC有一个别人替代不了的优势它的投资阶段足够早、样本足够密集。红杉或者a16z更多看的是B轮以后的公司那时候产品已经有了数据也跑出来了你能看到的是验证之后的结果。而YC接的是从0到1的项目很多公司进YC的时候只有一个原型甚至只有一个想法。这意味着你看到的不是行业里已经胜出的玩家而是正在涌进来的新供给。每年申请YC的项目数以万计最后入选的不过两三百家。这个漏斗本身就是高强度的样本筛选。从这些样本里你能提前看到技术型创业者的注意力在往哪集中。哪个方向开始扎堆哪个方向开始降温往往比市场报告早半年到一年。另外一个原因比较实际YC的项目信息公开度很高。每家公司的方向、一句话简介、创始团队背景基本都能看到。我自己做行业分析的时候最头疼的就是数据拿不到而YC这套体系提供了一个很干净的横向对比视角。你可以按批次、按赛道去拆看过去三五年间AI相关项目的占比、融资轮次、后续存活率这些都能反推出一整套关于技术周期和资本热度的判断。还有一点很微妙YC的重心在美国但申请者来自全球。最近几届明显能看到欧洲、拉美、东南亚的创始人比例在上升AI项目更是如此。这带来一个很有意思的现象YC的AI投资方向不再只是硅谷审美而是全球技术创业者用脚投票的结果。你想判断海外市场接下来会为什么东西买单看YC的batch构成比看新闻稿有效得多。2. 近几届batch里AI项目的占比和类型发生了什么变化我专门把最近几个batch里带有明显AI属性的公司拉出来做了个简单分类。如果按三年前的标准AI标签主要指我们在用机器学习做预测或我们做了个对话机器人。现在的AI公司几乎已经渗透到所有软件产品里分类逻辑完全是另一套。为了说清楚这个变化我习惯把AI初创项目分成四层来看层次典型方向上一届观察到的特征模型与基础设施层模型微调、推理优化、数据管线数量少但单笔融资额高技术门槛最硬开发工具与中间层AI编程助手、测试验证、部署监控占比明显上升很多创始人是前大厂AI工程师通用应用层搜索、办公助手、内容生成存量竞争开始加剧产品差异化成为关键垂直行业应用医疗、法律、金融、制造业AI数量最多且增长最快是当下最大的增量池从数字上看公开材料里近几届直接定位为AI公司的项目占比已经到了四成以上如果算上把AI作为核心能力但没贴标签的实际比例会更高。相比之下三年前这个数字大概在两成左右。基础设施层的项目虽然数量不多但融资能力极强因为资本已经意识到模型层的马太效应——赢家通吃所以只要是头部团队估值都谈得很快。中间这层开发工具与模型中间层的快速增长我觉得特别能说明问题。Cursor、Perplexity这批YC系公司的成功带火了一个叙事既然大模型变得越来越强那真正值钱的可能是让模型更好用的那层工具。于是很多创始人开始做LLM的测试框架、可观测性工具、数据合成平台、评估与红队服务。这类项目不跟你拼参数规模拼的是工程化能力和开发者体验。应用层的情况比较复杂。通用型应用已经过了套壳就能火的阶段YC的筛选也越来越警惕只做了一层包装的团队。反过来垂直行业应用成了真正的主战场。医疗病历生成、合同审查、合规检查、工业质检、供应链预测这些方向开始批量出现。它们看起来不像大模型那么性感但离付费客户近、数据壁垒深、留存率高这类项目恰恰是YC偏好的小切口、大市场。3. 从几个标志性案例看YC在AI方向上的投资逻辑如果只看统计数字你只能知道趋势往上走想理解为什么往这个方向走还是得拆具体案例。YC投AI不是从最近热起来的它的AI渊源可以追溯到OpenAI还是很早期的项目、团队还挤在YC办公的时候。但真正能代表YC近两年AI投资手感的我觉得是另外几家。Perplexity是特别典型的一个样本。它不是第一个做AI搜索的但它把对话式搜索的体验做得很彻底回答直接给出引用来源让你能查证。你去看它的发展路径会发现这家公司几乎踩准了每一个节点大模型能力外溢、用户对传统搜索结果的厌倦、以及知识工作者对信息可信度的焦虑。YC投它投的不是多一个搜索框而是搜索这件事在AI时代应该被重新定义。Anysphere是另一个值得研究的例子做得是Cursor这个AI编程工具。YC内部一直有个朴素信仰好的开发者工具会被开发者用脚投票。而AI编程恰好是付费意愿最强、留存数据最漂亮的方向之一。Cursor的价值不是帮你自动补全代码而是把写代码这件事从逐行输入变成了描述意图、审查结果的工作流。这类产品能在一年内崛起本质上是把大模型的代码理解能力封装成了千万开发者每天都离不开的生产力。Suno让我印象很深因为它代表了一条完全不同的路线——消费级AI内容生成。市面上做AI音乐的不少但Suno把门槛压得特别低你只要写一句歌词描述它就能生成一首带人声、带编曲的完整歌曲。技术永远不是壁垒产品感才是。这种让普通人做出以前需要专业设备才能做出的东西的产品哲学才是YC反复下注的核心理念。把这些案例摆在一起你会看到几条共性。第一它们都不是做大而全的平台而是死磕一个具体场景第二创始团队对技术栈的理解非常深同时又对普通用户的操作习惯有直觉第三增长靠口碑和自传播不是靠投放买量。YC的门徒文化很重每一届被投公司都会反复说一句话找出那个非你不可的问题然后把它解决到极致。4. YC筛选AI项目的隐藏标准创始人、技术护城河、初期的假手工验证很多人以为YC筛选项目看的是技术指标比如模型精度、参数规模、论文产出。但我拿到的信息是评审过程里真正反复被追问的问题往往非常朴素你的产品解决了谁的具体问题这件事为什么非你团队做不可你凭什么在六个月内获得第一批用户这背后藏着一个很重要的筛选逻辑AI项目最大的风险不是模型不先进而是创始人说不清楚自己的产品到底在替谁干活。现在大模型能力快速普及你能调的API别人也能调真正决定成败的是你比别人更懂某个行业的真实痛点并且能把这个痛点翻译成产品功能。这也是为什么垂直行业AI项目越来越受青睐因为它们的创始人往往来自行业内部带着自己的业务痛点来做AI而不是从技术出发去找场景。技术护城河这件事YC近两年的态度其实发生了一些变化。过去大家默认模型能力就是护城河但模型层越来越集中初创公司很难在通用模型上打赢巨头。所以评审越来越看重那些模型之外的东西是不是有独家数据是不是构建了用户贡献数据的飞轮是不是在部署和工程化上建立了效率壁垒你如果去读很多YC系AI公司的融资演讲稿会发现他们花大量篇幅讲数据获取和产品分发而不是反复秀模型的benchmark。还有一个很小的细节我觉得特别能体现YC的思路就是假手工验证。一个AI产品在早期如果完全依赖模型自动跑遇到corner case很容易崩所以很多创始人会偷偷用人工在后台兜底假装产品已经全自动用这种方式先留住用户、验证需求。YC不仅不反感这种做法反而觉得这是创始人执行力强的表现。他们信奉的逻辑很简单先用能用的一切手段把产品跑通把真实的用户反馈拿到手之后再慢慢补自动化。这个先人工后模型的演进路径其实是很多AI产品从demo到可用的唯一正解。5. 从模型热到应用热YC正在经历AI投资重心的迁移如果要把近一两年YC的AI投资变化浓缩成一句话我觉得是从模型热到应用热。模型和基础设施当然还在被投但投资的逻辑已经变了。早期资本赌的是哪个团队能把通用模型做出来现在赌的是哪个团队能把模型用得最有价值。这是两种完全不同的风险审美。基础设施这边头部效应已经很严重。再冒出一个新的大模型公司的机会窗口在快速关闭因为训练成本、算力资源、数据规模都形成了天然门槛。YC的优势在于早期小额投入但基础设施项目天然需要大钱、长周期这和YC的模式存在一定张力。所以你会看到即便YC还在投一些Infra方向的牛人团队投入节奏明显不及前两年。真正火爆的是应用层。生成式AI把边际生产成本直接打到了接近零这让以前不成立的商业模式变得可能。我举一个热搜词里比较应景的例子工作中经常要做的PPT。以前做一份高质量的工作型PPT从找资料、定框架、写文案到排版面可能需要一整天现在借助AI工具从文案生成到自动排版几十分钟就能完成而且质量并不差。这个场景背后是多大的市场几乎是所有白领都在面对的真需求。YC不一定会直接投一个AI做PPT的项目但同类逻辑的团队他们一定在系统性地看。智能体是另一个明显的风口。从AI给你建议到AI直接替你执行这个跨越正在发生。YC的demo day上做客服自动化的、做销售流程自动化的、做代码仓库自动维护的项目越来越多。它们不再停留在生成一段内容的层面而是试图让AI完成一个完整的任务闭环。这个转变的背后是模型能力从理解语言进化到了计划与执行也代表投资人对AI的期待从回答问题上升到了解决问题。这种重心迁移对创业者的信号意义很强。如果你是现在准备做AI创业与其做第一百个聊天助手不如认真想想哪个行业还停留在人肉处理信息的阶段。AI的这波价值外溢正在从通用工具扩展到每一个具体工种。越是劳动密集、规则清晰、数据留存多的行业越可能出现新的AI原生公司。6. 看懂YC的投向之后创业者能拿走什么写到这里很多人会问我不打算去美国申请YC这些趋势跟我有什么关系我的看法是YC的batch构成近似于全球技术创业者的前沿风向标它指向的需求和审美往往会在未来一到两年内扩散到更多市场。你不需要照抄它的方向但可以用它校准自己的判断。如果你认真想要申请YC有三件事值得提前准备。第一选点要足够聚焦。YC看过的AI项目太多了一句我要用AI赋能XX行业基本等于没讲。你要能说出具体的用户、具体的痛点、具体的交付形态。第二早期的数据非常重要。哪怕只是几十个付费用户、每周稳定增长的使用时长也好过一份精美的商业计划书。YC投资人真正想看到的是可复现的增长逻辑。第三团队背景要能解释为什么是你。AI创业越来越拼行业认知如果你有医疗、法律、制造、建筑这些领域的从业经验加上技术搭档反而比两个纯算法工程师的组合更有吸引力。还有一点关于AI技能的思考不只是针对创业者也针对想进入这个行业的从业者。最近人工智能训练师相关的话题热度很高岗位需求也从单纯的算法研究扩展到了数据处理、模型微调、评估反馈、安全对齐等更细的环节。从YC的投资趋势看AI领域的价值分配正在从造模型的人扩散到让模型在具体场景里跑通的人。这意味着与其焦虑我是不是该转行去做算法不如想想怎么把AI能力叠到你自己已经擅长的领域里去。懂业务流程、能设计评估标准、会做数据清洗、知道怎么跟模型高效协作——这些能力在未来会比调参更稀缺。我对YC的AI投资趋势跟踪了很长时间有一个特别直观的感觉当一个方向开始批量出现相似项目的时候好的窗口其实已经过了一半。真正稀缺的永远是你发现了一个别人没注意到的细节点然后用AI把这个细节点做到极致。批量出现的AI搜索引擎、批量出现的AI客服、批量出现的AI编程助手最后活下来的只有那几个在早期把体验和商业化做得最好的。趋势本身不重要重要的是你在趋势里有没有定位到一个足够具体、足够有壁垒的位置。所以我建议你把YC当做一个雷达而不是剧本。看它往哪飞是为了让你感知风向不是为了让你按照同一个轨迹复刻。属于自己的航线永远要你自己去设计。