送网站建设,在线设计平台的市场调研,网站建设政策,医疗器械公司近日#xff0c;硅谷知名创业孵化器 Y Combinator 发布了 2026 年春季创业赛道指南#xff08;RFS#xff09;。作为全球最具影响力的创业加速器#xff0c;这一传统旨在让创业者窥见 YC 希望他们解决的下一代问题。 RFS 的传统可以追溯到 2008 年左右。每年 RFS 的变化都预…近日硅谷知名创业孵化器 Y Combinator 发布了 2026 年春季创业赛道指南RFS。作为全球最具影响力的创业加速器这一传统旨在让创业者窥见 YC 希望他们解决的下一代问题。RFS 的传统可以追溯到 2008 年左右。每年 RFS 的变化都预示着风口很多想法直接来自 YC 内部合伙人或创始人的一线观察。比如 2021 年全是 Web3 和远程协作2023 年是生成式 AI。2026 年的清单不仅反映了 YC 的投资兴趣更揭示了他们对创业本质变革的预判AI 已经跨越了加速现有工作流的阶段开始转向重构整个系统。因此YC 的目光已从传统软件扩展到金融、政府、工业、能源和体力劳动这些曾被认为对风险投资来说太慢、监管太严或过于复杂的领域。RFSRequests for Startups是我们延续多年的传统分享一些我们希望看到创业者去解决/攻克的想法。这些想法只占我们资助方向的一小部分——如果其中某个点子让你很兴奋就把它当作一种“额外验证”大胆去做但申请 YC 并不要求你必须做这些点子。2026 年春季创业公司的构建方式正在快速改变。AI 原生公司如今可以用更快、更便宜的方式、以更大的野心被建立起来。我们对一系列创业点子感到兴奋覆盖 AI 原生工作流、新的金融基础设施financial primitives、现代化的工业系统等等。这一次其中有一些点子甚至直接来自 YC 创业者——他们在前沿看到了正在出现的机会。给产品经理用的 CursorCursor for Product Managers作者Andrew Miklas过去几年里面向写代码的 AI 工具爆发式增长。Cursor 和 Claude Code 在团队已经明确“要做什么”的情况下能很好地帮助大家把软件做出来。但写代码只是打造用户真正想要的产品的一部分。更重要的是先搞清楚到底该做什么每个成功的产品都离不开产品管理和用户对话、理解市场、综合反馈、决定哪些问题值得解决、以及产品应该如何运作。不管这项工作是由创始人、工程师还是产品经理来做本质活动是一样的。过去这个流程的产出通常是 PRD、Figma 原型、Jira 工单——它们是为“向人类工程师传达意图”而设计的工件。今天团队会在这个过程的某些环节零散地使用 AI但还没有一个系统能支持完整的“产品发现闭环”。想象有一个工具你把客户访谈和产品使用数据上传然后问一句“我们下一步应该做什么”它就能给出一个新功能的纲要并基于客户反馈解释为什么这是值得做的改动。这个工具还会提出对你产品的 UI、数据模型和工作流的具体修改建议并把开发任务拆解好让你最喜欢的代码智能体coding agent直接接手。我们认为有机会打造一个“产品管理版 Cursor”一个 AI 原生系统专注帮助团队决定“做什么”而不仅仅是“怎么做”。随着智能体越来越能承担实现的第一稿我们定义与沟通“要做什么”的方式也需要改变。如果你正在做这个方向我们很希望听你聊聊。AI 原生对冲基金AI-Native Hedge Funds作者Charlie HoltzConductor在 1980 年代有一小批基金开始用计算机分析市场。当时这看起来很傻但如今量化交易已经是再正常不过的事。我们正处在类似的拐点下一个 Renaissance、Bridgewater、D.E. Shaw 级别的机构将会建立在 AI 之上。全球最大的基金适应得很慢。我曾在其中一家做量化研究员当我问合规部门能不能让我们用 ChatGPT他们甚至连回复都没有。这让我意识到未来的对冲基金不会只是把 AI “外挂”在现有策略上而是用 AI 去创造全新的策略——alpha 就在这里。我们已经有成群的 Claude 智能体在帮我们写代码库。想象一下成群的智能体也去做现在基金交易员做的事——翻 10-K、听财报电话会、读 SEC 申报文件综合分析师观点并执行交易。AI 原生对冲基金将会是第一个把这件事做好的玩家。AI 原生代理机构AI-Native Agencies作者Aaron Epstein传统代理机构agency一直极难规模化利润薄、人工慢、增长基本只能靠不断加人。但 AI 改变了这个游戏。现在你不必把软件卖给客户让他们自己干活而是可以自己用软件把活干完再把“成品交付物”卖给客户——价格可能是软件费的 100 倍。比如设计公司用 AI 先给客户做出定制设计稿来赢得订单合同还没签就能把方案拿出来或者广告公司用 AI 做出惊艳的视频广告不再需要昂贵耗时的实拍或者律所用 AI 在几分钟写完法律文件而不是几周。这就是为什么未来的代理机构会更像软件公司拥有软件级的利润率并且能比今天这些高度碎片化市场里的任何代理机构做得更大。如果你正在重新思考未来的代理/服务型业务该怎么构建我们很想了解你的方向。政府用 AIAI for Government作者Tom Blomfield第一波 AI 公司已经让企业和普通人以前所未有的速度与准确率填写表格、完成线上申请。反过来这些表格会被地方、州和联邦政府接收——而他们现在往往还在把材料打印出来靠人工处理。政府迫切需要 AI 工具来应对即将到来的“处理量暴增”。这样做还能让政府更高效、更有回应性。我们在爱沙尼亚等地已经看到一些“数字政府”的影子但我们需要把它推广到世界更多地方。这类创业并不适合胆小的人对政府销售非常难。但一旦你拿下第一个客户他们通常会非常“粘”并且能扩展成很大的合同。面向体力/现场工作的 AI 指导AI Guidance for Physical Work作者David Lieb还记得《黑客帝国》里 Neo 在后脑勺插上线醒来后说“我会功夫了”的那幕吗体力劳动也即将迎来类似的变化——不是靠脑机接口而是靠实时 AI 指导。很多 AI 讨论都集中在会取代哪些办公室工作。但对体力/现场工作如现场服务、制造业、医疗护理等来说AI 还无法真正“在世界中行动”。但它可以看、可以推理、并指导真正动手的人类。想象你戴着一个小摄像头AI 看见你所见并一路语音指导你“把那个阀门关掉”“用 3/8 英寸扳手”“这个零件看起来磨损了换掉它”。原本需要几个月甚至几年训练才能上手的工作工人现在可能马上就能有效产出AI 像教练一样带着你并让你随时获得新技能。为什么是现在三个因素叠加第一多模态模型已经能可靠地看懂现实场景并推理第二硬件早就无处不在——手机、AirPods、智能眼镜第三熟练劳动力短缺使其在经济上非常迫切并关系到数百万人的高工资岗位。你可以有几种路线最直接的是做一套系统卖给已有一线团队的企业或者选一个垂直行业如 HVAC 维修或护理打造“全栈的超级劳动力”或者做成平台让任何人都能报名成为熟练工甚至自己创业。如果你也想让体力劳动者获得类似 Claude Code 给程序员带来的“AI 超能力”我们很期待你的申请。大型空间模型Large Spatial Models作者Ryan McLinkoAstranis大型语言模型推动了近年的大多数 AI 突破但其影响受限于“主要能用语言表达”的领域。要解锁下一波 AI 能力、并推动通用人工智能的发展需要能够进行空间推理的模型。当下系统能处理一些有限的空间任务比如基础关系判断或深度估计但它们无法稳健地推理空间操作、2D/3D 特征及其关系或像心理旋转mental rotation这类操作。这限制了 AI 理解并与物理世界互动的能力。这里存在一个机会构建大规模空间推理模型把几何与物理结构作为一等原语first-class primitives而不是在语言之上“打补丁式”近似。这样的模型将使 AI 能够推理并设计真实世界的物体与环境。如果有公司能把这件事做成它可能会定义下一代 AI 基础模型公司规模可比肩 OpenAI 或 Anthropic。给政府反欺诈调查人员的基础设施Infra for Government Fraud Hunters作者Garry Tan我们想资助把政府欺诈调查带入现代化时代的创业公司。政府是地球上最大的客户——联邦、州和地方每年花费数万亿同时也按同等量级在欺诈上“失血”。仅医疗保险Medicare就因不当支付损失数百亿美元。要大规模追回这些钱最有效的方法之一是《虚假申报法》False Claims Act下的“qui tam”条款允许私人代表政府对欺诈公司提起诉讼。如果胜诉举报人能获得追回金额的一定比例。但目前这个流程极其缓慢内部人士向律所提供线索然后律所花上几个月甚至几年人工拉材料、整理证据、构建案子。这应该用软件加速——不是做仪表盘而是做智能系统能接收一条内部线索并围绕它自动组织证据——解析乱七八糟的 PDF、追踪不透明的公司结构、把发现包装成可直接写起诉状complaint-ready的文件。一些创业公司已经在自己提交 FCA 索赔但我们认为更大的机会在于打造工具让举报人律所、州总检察长办公室state AGs、以及监察长inspectors general的工作显著提速。创始人背景在这里很关键。我们更希望团队里至少有一位确实做过类似工作比如前 FCA 律师、合规负责人或审计人员。现在正是做这件事的时机AI 能力终于到位而且两党都有推动力。如果你能把追偿提速 10 倍你会做出一家巨大的公司——并把数十亿资金返还给纳税人。让训练 LLM 变简单Make LLMs Easy to Train作者Gabriel Birnbaumyn训练大型语言模型至今仍然出乎意料地困难。我和联合创始人 Eric 在 Can of Soup 训练扩散模型和语言模型已经三年了。尽管 AI 受到了巨大关注但工具链几乎没什么改善。很多日子里我们会花大量时间处理坏掉的 SDK、SSH 到出问题的 GPU 实例而你往往要开起来半小时才发现实例是坏的、或者在开源工具里发现重大 bug。更不用说管理、获取、处理与可视化数 TB 的数据所需的工作。我很希望有产品能让训练 LLM 变得容易例如抽象训练过程的 API便于管理超大数据集的数据库为机器学习研究而生的开发环境。随着后训练post-training和模型专业化越来越重要我认为这些产品可能会成为未来软件构建方式的基础设施。5 个问答帮助你快速理解这份 RFSQ1这份 RFS 的核心信号是什么AYC 在强调“AI 原生”不只是加一个功能而是重做工作流/行业形态从产品发现、金融交易、服务交付到政府与工业场景的端到端自动化。Q2为什么提出“给产品经理用的 Cursor”A因为“写代码”正在被智能体加速瓶颈转向“决定做什么”。所以需要一个能把访谈、数据、决策理由、UI/数据模型建议、任务拆解串起来的产品发现系统。Q3AI 原生对冲基金与传统量化有什么本质不同A不只是用 AI 提升现有策略而是让智能体规模化地完成研究、综合信息并产生新策略新的 alpha 来源形成从研究到交易的 AI 驱动闭环。Q4为什么政府相关方向既难又值得A难在采购与销售周期长、合规复杂值得在于需求量巨大、提升效率空间大而且一旦落地客户粘性强、合同可扩展。Q5这批点子里“最底层的基础设施机会”是哪类A两类很典型一是“更容易训练 LLM”的训练/数据/研发基础设施二是“空间推理模型”这种可能定义下一代基础模型能力边界的底层突破。