告別單純寫代碼的時代：YC 合夥人談資深創業者與獨立創始人如何用 AI 破局

YC 2026 創業全景：AI 正在重寫創業、資本與產業的底層規則

如果只把 Y Combinator 最近公佈的數據理解成“AI 創業還在火”“機器人又火了”“Solo Founder 變多了”，其實低估了這輪變化。

真正值得關注的，不是哪一個賽道突然變熱，而是一個更大的結構性變化：

AI 正在同時降低“創造軟件的成本”和“控制物理世界的成本”。

這意味着過去二十年由互聯網、移動互聯網和 SaaS 主導的創業範式，正在發生一次非常深的遷移：

創業正在從 Bits 重新進入 Atoms，從賣工具進入賣結果，從堆人進入調度機器，從軟件公司進入產業公司。

2026 年 9 月，YC 在《The State of Startups in 2026》中披露，過去 12—18 個月，Hard Tech 在 YC 項目中的佔比已經從約 8% 上升到 20%；機器人、製造、國防、半導體、光子、電力基礎設施都出現明顯增長。同時，接近五分之一的新公司已經是 Solo Founder，公司產生收入的速度也明顯加快。

這些數據背後，實際上是一套新的資本邏輯。

一、過去二十年的創業邏輯，正在第一次被真正改寫

理解今天之前，先理解過去。

2005—2020 年美國科技創業最經典的路線是：

軟件吞噬世界。

原因非常簡單。

軟件擁有極強的經濟屬性：

邊際複製成本接近零；

全球分發成本極低；

資本開支低；

毛利率可以達到 70%、80% 甚至 90%；

公司不需要大量固定資產，就可以指數級擴張。

所以風險投資自然偏愛 SaaS、移動 App、Marketplace、FinTech、社交網絡。

這也是爲什麼過去十幾年 Silicon Valley 最重要的問題往往是：

“有沒有什麼傳統行業可以被軟件化？”

今天問題已經變了。

新的問題正在變成：

“有沒有什麼真實世界的工作，可以被 AI + 軟件 + 機器徹底執行？”

這是兩個完全不同的問題。

前者是在現實世界上面增加一個軟件界面。

後者是讓軟件開始真正操作現實世界。

二、Hard Tech 從 8% 增長到 20%，不是“硬件重新流行”這麼簡單

YC 披露的數據非常值得注意：

Hard Tech 從大約 8% 上升到 20%；

機器人從約 1% 上升到 6%—7%；

美國本土工業製造從約 4% 上升到 10%；

國防從約 1.5% 上升到 5%；

半導體和光子領域接近 4%；

能源和電力基礎設施接近 3%。

爲什麼？

很多人會歸因於“美國製造業迴流”。

這隻解釋了一部分。

真正發生的是：

過去限制 Hard Tech 創業的幾個成本正在同時下降。

第一層：軟件成本下降

以前做機器人，不只是要懂機械。

你還要做：

控制軟件；

機器視覺；

固件；

傳感器融合；

運動規劃；

後臺系統；

數據處理；

仿真；

測試工具。

因此一家所謂“機器人公司”，實際上可能首先需要養幾十個軟件工程師。

今天 coding agents 正在改變這個結構。

一個十人甚至五人的團隊，可以完成過去需要幾十人的軟件工作量。

所以 AI 對機器人最大的短期貢獻，不一定首先是“機器人大腦”。

反而可能是：

把製造機器人所需要的軟件工程成本砍下來。

這是非常容易被忽略的一點。

三、AI 最大的產業價值之一，可能不是替代程序員，而是釋放工程師去造真實世界

很多人討論 AI Coding 時，只問一個問題：

“程序員會不會失業？”

這個問題太窄。

資本真正關心的是：

當生產軟件突然便宜十倍以後，人類會拿這些被釋放出來的工程能力去幹什麼？

答案可能是：

造機器人；

造無人機；

造衛星；

造工廠；

造電網；

造新型芯片；

造能源系統；

造工業設備。

也就是說：

AI 不一定讓世界變得更加虛擬，反而可能讓科技產業重新回到物理世界。

這是這一輪 AI 革命非常反直覺的地方。

互聯網時代，把大量資本從 Atoms 引向 Bits。

AI 時代可能出現反向過程：

Bits 開始幫助人類重新控制 Atoms。

四、爲什麼美國今天突然又願意投資“工廠”？

這背後其實還有第二條主線：

國家安全。

過去四十年的全球化邏輯，本質是：

誰生產成本最低，就在哪裏生產。

所以：

半導體去亞洲；

電子製造去中國；

紡織去東南亞；

原材料加工全球化；

供應鏈追求 Just-in-Time。

這是典型的經濟效率最大化。

但進入 2020 年代以後，美國開始重新計算另一種成本：

如果戰爭、疫情、制裁或者地緣政治衝突發生，供應鏈斷了怎麼辦？

於是企業和政府優化目標從：

Efficiency

開始逐漸轉向：

Resilience。

效率 → 韌性。

這改變了很多資產的價值。

過去美國本土工廠可能意味着：

成本高。

今天它可能意味着：

供應鏈安全。

這就是爲什麼國防、工業製造、芯片、能源、無人機甚至礦產資源重新成爲風險資本可以投資的行業。

五、SpaceX 改變的不只是航天，而是整個 Hard Tech 投資哲學

理解這一輪 Hard Tech，必須理解 SpaceX。

SpaceX 最大的歷史意義之一，不只是造出了火箭。

而是證明了一件事情：

傳統上被認爲必須由政府、大型承包商和幾十年研發週期才能完成的產業，也可以由創業公司重新設計。

過去美國軍工體系長期採用大量 Cost-Plus Contract：

你花多少錢；

政府在成本上再給一定利潤。

這種模式天然容易產生一個問題：

降低成本的激勵不足。

而 Silicon Valley 的模式相反：

先自己承擔研發風險；

把產品做出來；

規模化；

降低單位成本；

再大量出售。

SpaceX 把這種商業邏輯帶進了航天。

Anduril 又把類似邏輯帶進國防。

因此現在很多年輕創業者開始問：

爲什麼雷達不能創業？

爲什麼無人機不能創業？

爲什麼導彈不能創業？

爲什麼衛星不能創業？

爲什麼核能不能創業？

爲什麼船廠不能創業？

這就是整個美國 Hard Tech 創業文化變化的底層背景。

六、AI 的真正瓶頸正在從“芯片”繼續向外擴散

過去三年資本市場談 AI，最容易想到的是 NVIDIA。

但產業鏈已經開始逐漸向外擴散。

AI 算力真正的系統可以粗略理解爲：

芯片 → 內存 → 網絡 → 數據中心 → 電力 → 土地 → 冷卻 → 電網。

任何一個環節不夠，都可能成爲瓶頸。

所以今天 AI 已經不只是半導體產業。

它實際上正在吞噬：

能源；

公用事業；

工業地產；

光通信；

電力電子；

核能；

天然氣發電；

儲能；

變壓器；

輸電基礎設施。

YC 也特別提到，算力已經越來越成爲一個物理基礎設施問題。

這件事對投資人非常重要。

七、真正聰明的投資，不一定永遠投資“最性感的東西”

歷史上淘金熱有一個非常經典的投資規律：

所有人去挖金子的時候，

賣鏟子的人往往更穩定賺錢。

AI 也一樣。

第一層是模型：

OpenAI、Anthropic、Google DeepMind。

第二層是芯片：

NVIDIA、AMD、ASIC。

第三層是基礎設施：

網絡；

光通信；

數據中心；

電力；

冷卻；

存儲。

第四層纔是應用。

所以一個非常重要的投資思維是：

不要只問誰擁有最聰明的模型。

還要問：

如果 AI 使用量未來擴大 100 倍，有什麼東西一定會嚴重短缺？

這個問題往往比“下一個 ChatGPT 是誰”更有價值。

八、爲什麼光通信可能越來越重要？

今天很多人把數據中心理解成：

很多 GPU 放在一起。

其實不準確。

真正的大型 AI 系統，本質上是一臺由成千上萬塊計算芯片組成的“超級計算機”。

GPU 之間必須瘋狂交換數據。

於是出現另外一個問題：

通信速度。

單個 GPU 再快，如果芯片之間互相傳輸數據太慢，整個集羣仍然跑不起來。

這就是爲什麼：

高速網絡；

光模塊；

硅光；

光子交換；

CPO；

數據中心互聯

會越來越重要。

未來 AI 基礎設施的戰爭，不只是：

誰的 GPU FLOPS 更高。

而是：

誰能夠讓幾十萬甚至幾百萬個加速器協同工作。

這已經從“芯片戰爭”升級成了：

系統工程戰爭。

九、AI 軟件最大的變化：SaaS 正從“賣工具”變成“賣勞動”

這是我認爲整份 YC 內容裏面最重要的一個變化。

過去 SaaS 公司賣的是：

工具。

Salesforce 給銷售人員工具。

Adobe 給設計師工具。

QuickBooks 給會計工具。

ServiceNow 給 IT 部門工具。

軟件提升人的生產率，但：

最後還是人完成工作。

Agent 改變這個邏輯。

未來越來越多的軟件會直接告訴客戶：

你不用操作我。

把任務交給我。

例如傳統招聘 SaaS：

搜索候選人；

篩選；

發郵件；

安排會議；

記錄 CRM。

未來 AI Recruiting Agent 可能直接：

尋找候選人；

分析候選人；

發送郵件；

跟進；

安排面試；

更新系統。

客戶購買的不再是：

Software Seat。

而是：

完成招聘。

十、這可能改變整個軟件行業的定價方式

SaaS 過去最經典的商業模式是：

Per Seat。

例如：

每個員工每個月 $50。

100 個員工：

$5,000 MRR。

但是如果 AI 導致員工人數下降怎麼辦？

Seat 數量反而會減少。

於是下一代 AI 公司會越來越傾向：

按結果收費；

按任務收費；

按交易收費；

按節省成本收費；

按產生收入收費。

這裏蘊含一個巨大的商業模式變化：

軟件公司的 TAM 開始從“IT Budget”進入“Labor Budget”。

這個區別非常巨大。

美國企業每年給軟件花的錢當然很多。

但企業最大的成本之一始終是：

工資。

如果 AI 可以真正承擔工作，那麼 AI 公司理論上能夠進入的市場規模可能遠遠超過傳統 SaaS。

十一、這也是爲什麼 Agent 公司增長可能非常快

YC 表示，以前很多公司進入 YC 時基本沒有收入，到批次結束時，MRR 中位數大約 $8,000；最近這一數字已經達到大約 $20,000，而且出現團隊在三個月批次內從零做到七位數收入的案例。

這並不能意味着所有 AI 公司都能如此增長。

但它反映一個重要現象：

AI 產品從 Prototype 到 Commercial Product 的距離正在縮短。

過去：

寫軟件半年；

招工程師；

測試；

部署；

銷售。

今天：

一個領域專家 + AI Coding Agent，

幾個星期可能就做出可賣的東西。

於是 startup 的核心瓶頸發生轉移。

以前：

Can you build it?

今天越來越變成：

Do people actually want it?

換句話說：

技術風險下降以後，

市場判斷力變得更加重要。

十二、“會寫代碼”正在從壁壘變成基礎能力

這是很多技術創業者必須意識到的一件事情。

過去一個人如果能：

寫前端；

寫後端；

部署服務器；

設計數據庫；

做 API；

可能就是非常稀缺的創業人才。

今天這些能力仍然重要。

但是 AI 正在快速把它們商品化。

因此價值開始向另外幾個能力遷移：

知道什麼值得做；

理解一個行業真正的痛點；

擁有客戶；

擁有數據；

擁有分發渠道；

擁有品牌；

擁有監管牌照；

擁有物理基礎設施。

這就是所謂：

從 How to Build 轉向 What to Build。

YC 自己在這一期討論中也明確強調：知道應該構建什麼，正在變得比單純知道怎麼構建更加重要。

十三、爲什麼 40 歲、50 歲創業者反而可能進入一個黃金時代？

過去 Silicon Valley 有一個非常強烈的年輕人神話：

20 多歲；

退學；

會編程；

住在車庫；

創造下一個 Facebook。

今天情況可能發生變化。

爲什麼？

因爲 AI 正在降低“實現能力”的稀缺性。

而 40 歲創業者可能擁有另外一種資產：

20 年行業知識。

例如一個做了 20 年保險的人知道：

哪一步最浪費時間；

哪一種理賠最容易出錯；

客戶真正願意爲什麼付款；

監管哪裏最麻煩；

哪些數據最關鍵。

過去他可能不會編程，所以不能創業。

今天 AI 可以幫助他快速完成：

Prototype；

後臺；

數據庫；

自動化；

CRM；

數據分析。

於是他的 20 年經驗突然被“軟件化”。

這就是一個非常重要的新創業範式：

Domain Expert + AI。

十四、未來最危險的人，可能不是年輕程序員，而是“懂行業又懂 AI 的老兵”

舉一個簡單例子。

一個 22 歲工程師進入保險行業創業。

他需要兩三年才能理解行業。

另外一個人已經在保險公司工作 15 年。

過去第二個人不會寫軟件，所以第一個人佔優勢。

現在第二個人使用 AI Coding Agent。

那麼：

他的行業經驗 + 客戶關係 + 業務理解

可能直接壓過純技術優勢。

所以未來創業市場最值得關注的人之一就是：

AI-native industry insider。

即：

懂行業；

懂客戶；

懂業務；

然後用 AI 把經驗產品化。

十五、Solo Founder 上升真正意味着什麼？

YC 最新討論中稱，單人創始公司的比例已經接近 18%—19%，而歷史水平低得多。Paul Graham 此前也提到，YC 單創始人公司從前一年夏季批次約 9% 上升到約 18%。YC 官方目前依然提醒申請者：Solo Founder 可以申請，但總體而言有合夥人通常仍然更容易成功。

所以千萬不要錯誤理解：

Solo Founder ≠ 永遠只有一個員工。

真正變化的是：

公司什麼時候必須招第二個人。

以前：

Idea → Cofounder → Engineer → Designer → Product → Revenue。

未來可能：

Idea → Founder + AI → Product → Revenue → Team。

也就是說：

團隊建設發生在產品驗證之後。

這對創業經濟學影響巨大。

十六、創業者股權結構可能因此發生改變

傳統 startup：

兩位創始人。

50% + 50%。

或者：

60% + 40%。

還沒產品，就已經分掉大量股權。

未來一個 Founder 可能：

自己做到 MVP；

拿到客戶；

做到 $20K MRR；

然後再找合夥人。

這個時候他的談判地位完全不同。

過去：

“我們一起賭一個 idea。”

未來：

“這家公司已經跑起來，你來加入。”

這實際上會提高 Founder 的資本效率。

十七、但不要誤讀成“一人公司時代已經到來”

這裏必須冷靜。

AI 可以替代很多執行工作。

但公司還有大量非常難被 AI 替代的東西：

銷售；

融資；

招聘；

組織管理；

談判；

客戶關係；

戰略合作；

品牌；

領導力；

高風險決策。

Carta 的更廣泛數據同樣顯示，Solo Founder 的比例確實長期上升，但獲得 VC 融資的 Solo Founder 比例明顯低於其公司創建佔比。2025 年 Carta 公司中單創始人佔比已經達到約 36%，但獲得 VC 資金的比例仍明顯較低。

所以正確理解不是：

“團隊沒用了。”

而是：

最小可行團隊正在縮小。

這是完全不同的結論。

十八、AI 數據可能正在重複 1849 年淘金熱

還有一個極其重要，但普通創業者很少注意的行業：

訓練數據和 RL Environment。

YC 在節目中提到，它過去幾年投資了十多家公司，爲大型 AI Labs 提供數據或者強化學習環境，其中一些公司的年收入已經超過千萬美元級別。

爲什麼？

因爲 AI Labs 今天真正缺的已經不只是 GPU。

還缺：

高質量訓練任務；

專家數據；

真實工作流；

Long-horizon Tasks；

可驗證結果；

模擬環境；

機器人交互數據。

十九、下一代 AI 的競爭，可能從“互聯網文本”轉向“現實世界經驗”

第一代 LLM 的核心數據是什麼？

互聯網。

Wikipedia；

Reddit；

網頁；

書；

GitHub；

論文。

問題是：

這些數據快被喫完了。

未來模型想繼續提升怎麼辦？

必須獲取新的數據。

於是數據開始向三個方向發展：

第一種：專家數據

醫生；

律師；

投行；

會計師；

工程師；

科學家。

第二種：交互數據

AI 執行任務；

犯錯；

重試；

學習。

第三種：物理世界數據

機器人抓東西；

走路；

插線；

裝箱；

焊接；

操作機器。

這意味着未來十年的一種重要資產可能是：

現實世界的數據採集能力。

二十、機器人真正缺的不是“一個更大的 ChatGPT”

這也是很多機器人創業者容易犯的錯誤。

LLM 的輸入基本是：

Token。

機器人面對的是：

3D 空間；

力；

速度；

摩擦；

位置；

視覺；

觸覺；

時間。

現實世界沒有 Ctrl+Z。

語言模型說錯一句話，可以重新回答。

機器人抓錯一個東西：

可能砸壞設備；

傷到人；

導致生產線停機。

所以機器人模型會非常依賴：

專門場景數據。

這也是爲什麼 YC 討論中特別強調，通用機器人模型可能還需要針對具體任務大量 Fine-tuning。

二十一、這意味着機器人行業可能不會最終只有一個“OpenAI”

機器人行業的結構很可能比 LLM 更分散。

因爲：

倉庫機器人需要一套數據；

手術機器人需要一套數據；

工廠機器人需要一套數據；

農業機器人需要一套數據；

家庭機器人又需要另一套數據。

因此未來非常可能出現：

通用 Foundation Model

行業數據

專用硬件

垂直軟件

組成大量垂直機器人公司。

這與 SaaS 時代非常相似。

AWS 是基礎設施。

但上面仍然誕生了：

Shopify；

Salesforce；

Uber；

Airbnb；

Stripe。

機器人也可能如此。

二十二、真正的大機會不是“AI + X”，而是 AI 把 X 的成本曲線改掉

以後判斷一個創業項目，最好不要問：

“有沒有用 AI？”

這是非常低級的問題。

應該問：

AI 有沒有改變這個行業的單位經濟模型？

比如：

以前一個保險理賠員一天處理 20 個案件。

AI 後：

一個人處理 200 個。

這叫：

10× Productivity。

或者：

以前工業檢測需要工程師。

現在攝像頭 + AI 自動完成。

這叫：

Labor Replacement。

或者：

過去需要 $50M 開發的軟件。

現在 $5M。

這叫：

Cost Curve Compression。

只有出現這些變化，AI 才真正創造商業價值。

二十三、未來十年最重要的資本邏輯之一：從“軟件槓桿”升級爲“智能槓桿”

過去互聯網企業最重要的槓桿是：

Software Leverage。

一個程序員寫一次代碼；

一億人使用。

未來：

AI 增加第二層槓桿：

Intelligence Leverage。

一個人的判斷；

通過 AI；

可以同時調度：

10 個 Agent；

100 個 Agent；

未來甚至上千個 Agent。

所以企業的基本組織單位可能變化。

過去：

一個 Manager 管 10 個人。

未來：

一個 Founder 可能管理：

幾十個 AI Agents + 少量核心員工。

企業規模與企業價值開始逐漸脫鉤。

二十四、未來可能出現第一批真正意義上的“超小型巨型企業”

過去：

$10B 公司通常需要：

幾千甚至幾萬員工。

互聯網時代第一次出現：

幾百人創造幾十億美元價值。

AI 時代可能進一步出現：

幾十個人創造幾十億美元價值。

甚至：

極少數人控制巨大的現金流。

所以未來創業領域非常重要的指標可能不再是：

員工數。

而是：

Revenue per Employee。

也就是：

每個員工創造多少收入。

這是 AI 時代最值得長期觀察的企業指標之一。

二十五、但是資本最終仍然只認一件事：護城河

AI 讓創業變容易，也帶來了一個副作用：

複製也變容易。

你三天做出來。

別人可能三天也能做出來。

所以未來創業公司的護城河更加不能只是：

“我用了 GPT。”

真正的 Moat 會來自：

數據；

分發；

網絡效應；

品牌；

監管；

客戶關係；

硬件；

供應鏈；

規模經濟；

資本；

專利；

現實世界基礎設施。

一個非常簡單的判斷：

如果 OpenAI 明天推出同樣功能，你的公司還剩什麼？

如果答案是：

“什麼都沒有。”

那麼這家公司危險。

二十六、真正值得創業者學習的，是這一輪資本遷移背後的規律

總結整個 YC 2026 的變化，我認爲可以濃縮成六條。

第一，技術正在商品化，判斷力正在升值。

會不會寫代碼的重要性不會消失。

但知道應該寫什麼會越來越值錢。

第二，軟件開始從輔助勞動進入執行勞動。

過去 AI 幫你幹活。

未來 AI 替你完成工作。

這就是 Agent 最大的商業變化。

第三，創業團隊正在變小。

但公司能夠攻擊的市場正在變大。

小團隊 + 大市場，將成爲 AI 時代非常典型的組合。

第四，資本正在從純 Bits 重新進入 Atoms。

因爲 AI 不只改變軟件。

它開始改變：

製造；

能源；

機器人；

國防；

數據中心；

航天；

基礎科學。

第五，AI 的終局不是一個 App，而是一套新的工業基礎設施。

未來回看今天，AI 很可能類似電力和互聯網。

它不會只是一個產業。

它會成爲：

所有產業的生產要素。

第六，最大的創業機會往往出現在舊產業結構被重新計算的時候。

爲什麼現在值得關注保險？

爲什麼值得關注醫療？

爲什麼值得關注製造？

爲什麼值得關注國防？

因爲：

AI 把勞動成本重新計算了；

地緣政治把供應鏈價值重新計算了；

算力需求把電力價值重新計算了；

機器人把物理勞動重新計算了。

每當一種關鍵成本發生數量級變化，

新的巨頭就可能出現。

最值得記住的一句話

過去二十年的創業機會，核心是：

把現實世界數字化。

未來十年的創業機會，很可能變成：

讓數字智能重新控制現實世界。

互聯網把世界的信息搬到了網上。

AI 接下來要做的事情，則可能更加巨大：

理解這些信息；

做出決策；

執行工作；

控制機器；

最終改變真實世界。

因此 YC 今天看到的 Hard Tech 迴歸、Agent 爆發、Solo Founder 增長、資深創業者回歸、機器人和能源基礎設施升溫，看似是很多獨立趨勢。

實際上它們背後是同一個歷史變化：

智能的成本正在快速下降。

當計算成本下降時，互聯網誕生了。

當通信成本下降時，移動互聯網誕生了。

而當“智能成本”開始下降時，

下一批巨型企業，很可能不會只是再做一個軟件。

它們會重新定義：

人如何工作、公司如何組織、機器如何運行，以及資本如何配置。

這纔是 YC 這組數據真正值得讀懂的地方。