YC 发布了 2027 冬季的 11 个创业方向，总纲只有一句：AI 的瓶颈正从模型转向硬件、基础设施、资金与专门软件。硬科技在批次中的占比，一年里从 8% 涨到 20%，机器人从 1% 走到 7%。

你有没有想过，AI 已经强到能写代码、做研究，为什么真要用到工厂、医院、政府办事大厅里，还是这么慢？

Y Combinator（简称 YC，全球最有名的创业孵化器）有个传统，每一期都会公开写出一批“希望创业者去做”的方向，叫 Requests for Startups（简称 RFS）。10 月 27 日，他们发布了 2027 年冬季这一期，一共 11 个方向，每个方向都由一位 YC 合伙人亲自写。总纲只有一句话：AI 最大的瓶颈，正在从模型转到别的地方，包括硬件、基础设施、资金和专门的软件，要把智能带进真实的经济里，从工厂、数据中心，到政府和太空。他们还特别说了，这些只是 YC 投资的一小部分，不照着做也可以来申请。这篇文章我只讲这一条线：当模型本身不再是最大的难题，创业者该往哪里看。我先讲他们怎么说，再写我自己的想法。

YC 2027 年冬季这一期 Requests for Startups 的页面预览图。图片来自 Y Combinator

01 创业公司正在从软件走向实物

要看这份名单为什么这么写，得先看 YC 自己的数据。几位 YC 合伙人最近一起总结了过去 12 个月收进来的公司。他们说，做硬科技的公司，在一个批次里的占比，从 8% 涨到了 20%。分开看，做机器人的从 1% 涨到 6% 到 7%；做工业制造，也就是把东西造回美国的，从大约 4% 涨到 10%；做芯片和光通信的，从约 1% 涨到接近 4%；做电力的，从 1% 涨到接近 3%。他们说，这些和实物打交道的方向，占比大约是原来的三倍到五倍。

YC 合伙人在 Lightcone 节目里谈“创业公司从比特走向原子”。图片来自 Y Combinator 的 YouTube 频道

他们还说，今年夏天这一批创业者里，每六个人就有一个是博士，比以前多得多。因为你要做硅光子这样的东西，没有扎实的研究背景，确实不行。

为什么现在硬件突然变容易了？合伙人们的解释是，以前做硬件难，一半难在软件，要有很多顶尖的工程师。现在 AI 能帮上忙，一个小团队就够了，不用像谷歌、Meta 那样雇上千个工程师。这改变了做硬件的成本。他们说，这才是看好硬科技最实在的理由：不光是投资人不愿意投软件了，也因为模型变聪明以后，能加快科学研究，让创业公司更早做出大的突破。

他们也特别说了，软件没有死。他们看到的变化是，软件正在变成“把整件事做完”。收进来的公司里，做“从头到尾把一项活干完”的，从 10% 涨到了 25% 以上。过去的软件只是一个工具，还得有人坐在前面操作，现在智能体自己就把活干了，比如做保险经纪、做看病前的登记、做医疗账单的整套流程，这些公司长得很快。他们还说，今年出现了以前没见过的事：有的公司在一个批次的三个月里，收入就从零涨到了七位数，过去这至少要 18 个月。

我觉得这些数字合起来，说的是一件事：做软件越来越容易，竞争也越来越挤，真正的难题，开始往现实世界里转。

02 AI 现在缺的，是变压器、电和钱

先看最实在的一块：数据中心。Jared Friedman 说，AI 数据中心的建设，是美国历史上最大的一笔投资，比铁路、高速公路和曼哈顿计划加起来还大。这么大的工程，会在整条供应链上都冒出机会。有些大家都知道，比如显卡、电力、有经验的电工缺得厉害。也有很多不显眼的卡点：大型电力变压器要等三年才能交货；开关柜、断路器、液冷设备全都卖空了；连做变压器铁芯用的取向电工钢，美国都只有一家工厂在做，而且产量跟不上。他们想投的，就是把数据中心供应链上每一个环节做起来的公司。

Jared Friedman 写的“数据中心供应链”一条，里面提到变压器要等三年。图片来自 Y Combinator 的 RFS 页面

光有东西还不够，还要有钱来买。Brad Flora 写的一个方向，叫“实体建设的华尔街”。他说，软件创业很便宜，机器人、显卡集群、数据中心就不一样了，得先把钢铁和芯片的钱垫出去，而这类融资现在基本不存在。今天的银行是按叉车的标准来给机器人估价的，YC 投的创业者正在自己发明新的金融工具，比如专门给机器人放贷的公司，针对的是一年能赚 50 万美元的机器人，还有对显卡算力的看跌期权。他的判断是，每一次大建设，从铁路、电力到电信，身边都长出了巨大的金融公司，这一次也一样。他们想投的，是为实体 AI 经济做放贷、租赁、证券化和对冲的创业者。

还有一个更远的方向，是太空。Ankit Gupta 说，SpaceX 预计，不久之后一年会有 1 万次星舰发射。星舰的成本已经几乎和能重复使用的猎鹰 9 号一样低，每公斤的成本更低，等它能重复使用，发射成本会再降几个数量级。所以他想问的是：有哪些生意，今天做不通，等发射成本降到现在的百分之一，太空经济起来以后就能做通？他觉得这样的公司，现在就该开始做了。

我觉得这几块放在一起看，会发现一个有意思的地方：大家都在说 AI 有多强，真正限制它落地的，是变压器要排三年队，是没有人敢给机器人贷款。这种卡点听着不起眼，却是真正能做出生意的地方。

03 能干活的人，不一定要有证书

另一类方向，是让普通人干以前只有专家才能干的活。Brad Flora 写的“每小时 15 美元的专家”，说的就是这个。大多数人谈的是 AI 会取代工人，他们更感兴趣的是反过来：AI 把一个普通的工人，变成专家。他们看到有些公司雇了聪明但没有资质证书的人，用 AI 来支持他们，让他们去做以前要专家才能做的事。比如一个客服做得特别好、又特别会用 AI 的人，一下子能去做复杂的并购、供应链优化、国际贸易方面的咨询。

他说，这样的工作有几百万个，集中在福利、税务、保险理赔、医疗账单、移民文书这些地方。凡是证书卡住了人的地方，这个办法都行得通。他的想法是：上一次工业革命，把工厂里的工作变成了中产阶级；这一次，可能靠专家型的工作，把中产阶级再做一次。

再看政府这一头。Gustaf Alströmer 写的“给市政厅用的 AI”，讲的是这样一件事：在美国想盖房子、开店，先得向城市要许可。表格、图纸审查、检查、一等好几个月，有的城市，等许可比盖房子还久。而城市的工作人员，每天都淹没在重复的活里：对着规范检查图纸，把申请和分区规则对上，来回发修改意见。这些，AI 都能做。

Gustaf Alströmer 写的“给市政厅用的 AI”一条。图片来自 Y Combinator 的 RFS 页面

他还算了一笔账：如果美国所有的建筑许可，都能在现在十分之一的时间里批下来，各个城市每年会多收 160 亿美元的税。美国有 1.9 万个城市，几乎全都还是靠人手在做。人们一直说，软件没法卖给政府，他说以前确实如此，现在不是了。YC 已经投了好几家把 AI 卖给政府的公司，有些长得比他们见过的几乎所有公司都快。

我觉得这两个方向的共同点是：它们都盯着“被一道门卡住的事”，门可以是证书，也可以是一张审批表。把门打开，需求本来就在那里。

04 最值钱的数据，不能放到云上

还有一类想法，是把 AI 放到企业自己家里。Brad Flora 说，世界上最有价值的数据，不在云里。银行、医院、核电站这些地方，把数据锁在围墙里，不能发给外面的 AI 接口。所以经济里那么多地方，还在等着 AI。他们合作的创业者反复遇到同一道墙：客户很喜欢这个产品，但要求必须完全运行在自己的楼里，不能联网。

他们想投的，就是把最先进的 AI 带到那些围墙里面的公司：本地部署的模型、部署工具、安全认证和硬件。他承认这样卖起来更慢、更难，但最大的预算和最难被取代的公司，也在这里。

Jon Xu 写的方向叫“拥有你自己的智能”，说得更直接。他说，今天几乎每个用 AI 做东西的公司，用的都是租来的智能：把文字发给大模型公司，拿回答案，付账单。当最好的模型比所有其他模型领先好几年的时候，这很划算。现在不一样了，参数公开、可以自己下载运行的模型（开源权重模型），在很多重要的测试上，已经能和最强的模型竞争。随着 AI 越来越成为公司运转的核心，大家也越来越意识到自己对“租模型”的依赖。

Jon Xu 写的“拥有你自己的智能”一条。图片来自 Y Combinator 的 RFS 页面

所以他们认为，会有更多公司想拥有自己依赖的模型：用自己的数据去改进它，想在哪里跑就在哪里跑，什么时候换版本由自己决定。这在受监管的行业尤其重要，因为它们的数据管得严，基础设施也锁得死，租着用反而更贵，效果还差。

不过他也说，从下载一个开源模型，到真正拥有一个能让生意变好的智能，中间还差很多。得有人把工作流程变成测试，把专业经验变成训练数据，把线上出现的故障变成改进，再把这一切带到每一代新的基础模型上。他的判断是，公司在最难的问题上还会继续租最强的模型，但也会有很多公司拥有一些专门的模型，里面装着自家生意的做法，随着公司的学习越变越值钱。

Diana Hu 的想法与此相近，她希望看到更多研究团队，为制造、能源、生物这些行业做专门的基础模型。她给了一个例子：谷歌的 TimesFM-3，只有 3.3 亿个参数，不用针对具体任务再训练，一次就能同时预测一组相关的时间序列。她说，难点是要有高质量、专门领域的、能验证的反馈，还要有数据的使用权。

我觉得这一条线有点像从“租房”变成“买房”：租着方便，但住久了，就会想把关键的东西握在自己手里。

05 模型越会写代码，越不会写人话

名单里还有一个我觉得很有意思的方向。Jared Friedman 写的“会写好文章的大模型”。他说，随着大模型越来越擅长写代码和做数学，它们的写作反而变差了。不是你的错觉，现在的模型听上去确实比 2024 年和 2025 年的更像机器人。

Jared Friedman 写的“会写好文章的大模型”一条。图片来自 Y Combinator 的 RFS 页面

他的判断是，这不是暂时的小毛病，是结构上的问题：让模型擅长写代码的那套奖励信号，会把文字的个性和风格压平。几家大的实验室，如果必须二选一，永远会把力气放在写代码和能自己办事的流程上，文风排在后面。这就给创业公司留下了空档：做一个让人愿意和它说话的模型。

我觉得这一点特别有意思。AI 写的东西常常哪儿都对，就是不像人说的，原来有人专门把它当成一门生意来做。

我自己的一点思考

回头看，这份名单说的是一件事：AI 的难处，从“能不能做出来”，变成了“能不能用起来”。要用起来，得有变压器和电，得有人肯出钱，得有人把门口那张审批表变快，得有能放进围墙里的模型，还得有一个说话像人的模型。

我自己的想法有两点。第一，这份名单是 YC 写的，他们的立场是找创业者，所以每个方向都写得很有吸引力，里面的数字多半也是他们自己的估算，比如那个 160 亿美元的税收，我觉得可以当成一个方向感，不能当成准数。第二，我留意到，这些方向有一个共同的味道：都在往“慢的、难的、没人想碰的地方”走。软件圈这些年习惯了快，而这份名单是在说，真正稀缺的，是愿意去碰那些慢事的人。

模型越来越强，最难的事反倒越来越不在模型里。

资料来源：

Y Combinator，Requests for Startups（Winter 2027），2026-10-27原文 https://www.ycombinator.com/rfs

Y Combinator，The Lightcone：The State of Startups in 2026，2026-09-17原文 https://www.youtube.com/watch?v=yslXlV2BP_Y

Runtime Wire，Y Combinator steers Winter 2027 applicants toward AI’s physical bottlenecks，2026-10-27原文 https://runtimewire.com/article/y-combinator-winter-2027-ai-bottlenecks