YC 2026 春季创企征求：AI 原生工作流、金融基础设施与工业升级机会

在上世纪 80 年代，一小部分基金开始使用电脑分析市场。那时看起来很荒谬，但量化交易如今已成定局。我们现在处在类似的拐点，下一轮文艺复兴式的机构、Bridgewater 和 D.E. Shaw 将建立在人工智能之上。 世界上最大的基金在适应方面动作迟缓。我曾在其中一家基金担任量化研究员，当我向合规部门申请让我们使用 ChatGPT 时，连个“响应”都没有。 这让我清楚地看到，未来的对冲基金不会只是把 AI 附加到现有策略上。他们会用 AI 来构想全新的策略。那才是阿尔法所在。 我们已经让成群的 Claude 代理在编写我们的代码库。想象一下成群的代理去做目前对冲基金交易员做的事——梳理 10-K、财报电话会议和 SEC 文件，整合分析师的观点并进行交易。一个以 AI 为本的对冲基金将率先把这件事做好。

代理机构一直都极难扩张。利润低、工作流程手工且缓慢，而增长的唯一方式就是增加人员。 但人工智能改变了这一切。 现在，不再是把软件卖给客户帮助他们完成工作，而是自己使用软件，向客户出售最终成果，价格可以高出100倍。 想象一家设计公司，利用人工智能事先为客户制作定制设计作品，在合同签署之前就赢得业务。或者一家广告公司，使用人工智能制作出惊艳的视频广告，无需耗时耗资进行实地拍摄。又或者一家律师事务所，用人工智能在几分钟内撰写法律文书，而不是耗费数周时间。 这就是为什么未来的代理机构会更像软件公司，拥有软件般的利润率。它们的规模也将远超当今这些分散市场中现有的任何代理机构。 如果你正在重新思考未来代理机构和服务型企业的构建方式，我们非常愿意听取你的意见。

稳定币正迅速成为全球金融的关键基础设施，然而大量金融服务层仍未建立。GENIUS 和 CLARITY 法案将稳定币置于去中心化金融（DeFi）与传统金融（TradFi）之间的独特位置，既合规又具加密原生属性。 这为在传统合规框架下提供去中心化金融优势的金融服务留出空间，比如更高收益或对代币化实体资产的准入。 如今，企业和个人必须在具有有限上行潜力的受监管金融产品与存在真实风险的非监管加密资产之间做出选择。处于监管中间地带的稳定币可以弥合这一差距，无论是生息账户、新的投资渠道，还是能让资金跨境流动更快、更便宜的基础设施。 监管窗口已开放。基础设施正在铺设。现在正是构建模糊这两个世界界限的事物的最佳时机。

第一波人工智能公司已经帮助企业和普通人以前所未有的速度和准确性填写表格和完成在线申请。另一方面，许多这些表格将被提交到地方、州和联邦政府，目前这些机构仍在将表格打印出来并手工处理。 政府迫切需要人工智能工具来应对即将到来的大量增长。而且这也将使政府在成本效益和响应速度上大为改进。 我们在爱沙尼亚等地已经看到这种数字化政府的雏形，但需要将其推广到世界其他地方。 这种类型的创业公司不适合心脏脆弱的人。向政府出售产品极其困难，但一旦你找到拿下首个客户的方法，他们往往非常粘性，并能扩展为巨额合同。

当人们谈论重振美国工业时，通常关注的是劳动力成本或地缘政治。但一个更大的问题就摆在眼前：美国的金属轧厂天生就运行得很慢。 如果你在美国购买铝板或钢管，交货期为8到30周是常态。大多数买家甚至无法直接从轧厂采购。尽管价格高企，轧厂的利润率仍然很薄。这并不是因为需求疲软或工人缺乏技能——而是因为驱动这些轧厂的系统是在几十年前设计的。 生产计划、排程、报价和执行各自为政。轧厂优化的是产吨量和利用率，而不是速度、灵活性或利润率。短批次和规格变更被视为干扰而非机遇。 在劳动力缩减的关键时刻，自动化步伐却滞后。物料搬运、换产、检验和质量控制仍依赖少数有经验操作员掌握的“部落性”知识。自动化多用于在缓慢的系统中推动更多吨位，而非消除换线时间或变异性。 能源是另一个问题。铝和钢极其耗能，但大多数厂房仍依赖传统的电力合同和僵化的电网。新型能源模式——现场发电、更智能的电力管理，甚至下一代核能——本可显著降低成本，但很少在建厂之初就被纳入设计。 变化在于，现在软件和能源技术终于足够成熟，可以重新构想整个系统。由 AI 驱动的计划、实时制造执行系统和现代化自动化能够在压缩交付周期的同时提升利润率。 我们认为，这为打造现代化、以软件定义的美国工厂创造了机遇——尤其是在铝轧制和钢管领域，那里的长交付周期和能源成本最为根深蒂固。 现代化改造工厂不仅仅是为了提速。更在于让国产金属更便宜、更灵活、更有利可图——并重建美国的工业基础。

你知道《黑客帝国》里那场戏，尼奥把电缆插进后脑，醒来后一句话“我会功夫了”？体力劳动即将迎来类似的变革——不是通过脑部植入，而是通过实时的 AI 指导。 关于 AI 的讨论多集中在哪些文员类工作会被取代。但对于体力劳动——例如现场服务、制造业、医疗——AI 目前还无法直接在现实世界中操作。它能做的是观察、推理，并指导执行工作的人工。 想象戴着一台小摄像头，AI 看见你所见并在你做事时口头指引：“把那个阀门关掉”、“用 3/8 英寸扳手”、“那个零件看着磨损了，换掉它”。工人不再需要数月甚至数年的培训，在 AI 的辅导和按需获取新技能下，能够立即上手并胜任工作。 为什么是现在？三大因素同时成熟。第一，多模态模型现在能可靠地观察并推理现实情境。第二，硬件已经无处不在——手机、AirPods、智能眼镜。第三，熟练劳动力短缺使得这一需求在经济上变得迫切，并为数以百万计的人提供高薪工作机会。 你可以采取几种做法。最明显的是构建这个系统并将其出售给已有员工队伍的公司。或者，你可以选择一个垂直领域，比如暖通维修或护理，打造一个全栈的超级化劳动力。又或者，你可以构建一个平台，让任何人都能注册成为熟练工人或创办自己的企业。 如果你有兴趣赋予体力劳动者类似 Claude Code 提供的那种 AI 超能力，我们非常欢迎你来申请。

大型语言模型推动了近年来大部分的人工智能突破，但其影响主要局限于可以主要通过语言表达的领域。要解锁下一波人工智能能力并实现通用人工智能，需要能够进行空间推理的模型。 现有系统可以处理有限的空间任务，例如基本关系或深度估计，但它们无法稳健地推理空间操作、二维和三维特征、这些特征之间的关系，或诸如心理旋转之类的操作。这限制了人工智能理解和与物理世界互动的能力。 存在构建大规模空间推理模型的机会——将几何和物理结构作为第一类原语来处理，而不是叠加在语言之上的近似。这类模型将使人工智能系统能够推理并设计现实世界的物体和环境。成功构建这种能力的公司可能会定义下一代基础人工智能模型，其规模可与 OpenAI 或 Anthropic 相当。

我们希望资助将政府欺诈调查带入现代化时代的初创公司。 政府是地球上最大的顾客——联邦、州和地方每年支出数万亿美元，同时也在欺诈方面流失了相应规模的资金。仅医疗保险（Medicare）每年因不当支付就损失数百亿美元。 大规模追讨这笔款项的最有效办法之一是《反欺诈索赔法》下的替代起诉（qui tam）条款。该条款允许私人公民代表政府对欺骗政府的公司提起诉讼。如果案件成功，这些公民可以保留追回款项的一定比例。 目前，这一流程极其缓慢：内部人士向一家律师事务所提供线索，随后该事务所要花几个月甚至几年的时间手工提取文件并构建案件。 这应当通过软件加速。不只是仪表盘，而是能够处理内部线索并围绕其组织证据的智能系统——解析混乱的 PDF、追踪不透明的公司结构，并将调查结果打包成可直接用于投诉的档案。 一些初创公司已经在自行提交 FCA（英国反欺诈、滥用和腐败犯罪）索赔，但我们认为存在巨大的机会来构建能够显著加速举报者律师事务所、州检察长办公室和监察长工作的工具。 创始人背景在这里很重要。我们寻找的团队中至少有一位创始人曾实际从事过此类工作，无论是曾任 FCA 律师、合规负责人还是审计员。 现在正是开始构建的时候：AI 能力终于到位，且两党都有推动行动的动力。如果你能让欺诈恢复速度提高 10 倍，你就能建立一家庞大的企业——并为纳税人返还数十亿美元。

训练大型语言模型仍然出奇地困难。我和我的联合创始人 Eric 在 Can of Soup 花了过去三年时间训练扩散模型和语言模型，尽管 AI 受到了大量关注，但相关工具几乎没有改进。 在任何一天，我们可能都会花大量时间应对损坏的 SDK、SSH 连接到故障 GPU 实例（只有在启动半小时后才发现它们有问题），或发现开源工具链中的重大 Bug。 更不用说管理、获取、处理和可视化数 TB 数据的工作。 我很想使用让 LLM 训练变得简单的产品。 • 抽象化训练的 API。 • 便于管理超大规模数据集的数据库。 • 为机器学习研究而构建的开发环境。 随着后训练和模型专门化变得愈发重要，我可以预见这些产品将成为未来软件构建的基础。