原文作者：Harshit Tyagi
原文标题：What I learned from looking at 400 AI-based Startups backed by YCombinator
翻译：Gitee AI
如果你正为「如何构建一个成功概率更高的AI产品」而苦恼，这篇文章将帮助你找到答案。
YCombinator（YC）在发现和扶持成功初创公司方面的成就，在科技行业中首屈一指。他们的筛选机制持续发现并支持了许多颠覆行业的公司，因此 YC 的投资组合成为了观察新兴趋势和技术的重要风向标。
鉴于人工智能的变革潜力，以及对了解哪些类型的 AI 公司更受投资者青睐的好奇心，我决定分析 YC 支持的 AI 初创公司，希望找到答案：哪些行业的 AI 创新最为活跃？哪些 AI 应用类型更吸引投资？成功的 AI 创业者通常具备什么样的背景？
为了解决这些问题，我对 YC 2023 年和 2024 年冬季与夏季批次（译者注：指 YC 每年定期举办的孵化项目周期） 中共 417 家 AI 公司进行了深入分析。这项研究旨在提供以下洞见：
对于那些不了解的人来说，YCombinator（YC）是全球知名的创业加速器，致力于为早期创业公司提供种子资金、指导和资源，帮助它们实现成功。
YCombinator（YC）的运作方式：
YC 向每个被录取的初创公司投资 50 万美元，换取少量股权。
该为期三个月的项目中，旨在帮助初创公司大幅提升产品与用户增长，同时增加后续融资的可能性。
数据收集
我从 YCombinator 的创业公司目录中收集了数据，并筛选了 2023 年和 2024 年夏季及冬季批次的公司。
我对数据进行了清理，提取了公司标签，并根据公司描述重新核对，以确定它们的主要类别。
我的数据中包含了 417 家公司，涵盖了它们的描述、网址、标签/类别、活跃创始人以及创始人的简介。
⚠️ 声明：报告中的某些部分是借助大型语言模型生成的，数据仅为估算值。
当前 AI 创新的热点在哪
以下是与 AI 结合最常见的行业领域：
医疗健康/生物科技：45家公司（10.8%），典型案例：Elythea（使用机器学习预防孕产妇死亡）
金融科技：38家公司（9.1%），典型案例：Arcimus（基于AI的保险费率审计）
开发者工具：37家公司（8.9%），典型案例：Sudocode（为开发者工具提供AI支持）
销售/市场营销：34家公司（8.2%），示例：MicaAI（简化销售流程）
教育：18家公司（4.3%），示例：Studdy（面向学生的AI导师）
toB 还是 toC
toB 公司：338家（81.1%）
典型案例：
GigaML：帮助企业在本地构建和部署大型语言模型（LLMs）。
Constructable：为施工团队提供AI协作助手。
Corgea：通过AI修复漏洞代码，提升企业数据安全。
toC 公司：79家（18.9%）
典型案例：
PocketPod：提供基于用户兴趣的AI生成播客。
Shortbread：类似“漫画界的Netflix”服务。
结论
toB 占主导地位：81.1% 的 YC 支持的 AI 初创公司专注于企业解决方案，表明投资者对面向企业的 AI 应用更具信心。
toC 市场尚未饱和：仅 18.9% 的初创公司面向普通消费者，意味着面向消费者的创新型 AI 产品仍有很大潜力。
技术实力驱动行业重点：创始人中拥有强技术背景的比例高达 74.8%，这可能是 toB 重心及所解决 AI 问题类型的重要影响因素。
基础设施还是应用
基础设施公司：62家（14.9%）
典型案例：
GigaML：帮助企业在本地构建和部署大型语言模型（LLMs）。
AI 应用公司：355家（85.1%）
典型案例：
Corgea：利用AI快速修复漏洞代码，提升企业数据安全。
结论
应用为主：85.1%的公司专注于AI应用，14.9%的公司专注于基础设施，说明市场更关注实际的行业AI解决方案。
基础设施潜力：基础设施公司数量较少，可能意味着在开发AI工具和平台方面存在机会。
专业化趋势：AI应用公司通常针对特定行业问题，而基础设施公司则致力于提供通用型AI开发与部署工具。
AI 自动化还是 AI 辅助
AI 自动化 - 129家公司（30.9%）：
Ofone：自动化快餐店驾车点餐，简化订单流程并减少等待时间。
Respaid：现代化B2B收款平台，自动化管理和追踪未支付发票的过程。
RetailReady：自动化供应链合规，专注于仓库运输解决方案以提升物流运营。
AI 辅助 - 288家公司（69.1%）：
Constructable：为建筑团队提供AI协作助手，帮助简化项目管理，减少因数据不准导致的损失。
RadMateAI：为放射科医生提供AI助手，提升诊断准确性和效率。
Agentive：为审计员提供AI辅助工具，通过先进技术提升工作效率和效果。
虽然这些行业正在蓬勃发展，但其他一些行业却落后于前：
未被AI颠覆的潜力行业
快速应用 AI 的行业：
AI 应用滞后的行业：
制造业、农业、能源和零售等行业仍然为 AI 的先行者提供了机会。
请注意，这仅代表遵循特定融资模式、聚焦方向以及 YC 工作人员和导师领域专业知识的 YC 初创公司，以上内容可能与这些行业的情况不完全一致。
塑造 AI 未来的技术趋势
随着AI渗透到各个行业，某些技术正引领潮流：
最常见的AI技术
请注意，这些领域可能存在较多重叠，因为提到AI的公司可能同时在进行生成式AI、机器学习和自然语言处理这三项技术的工作。
开源还是私有？
开源典型案例：FlowiseAI（开源AI解决方案）
请注意，这仅代表 YC 的投资组合。许多公司是源自开源项目的。
边缘 AI 还是云端 AI
仅有2家公司（0.5%）明确提到边缘AI，而绝大多数似乎是基于云端的解决方案。
模型效率与降低计算资源
仅有5家公司（1.2%）明确提到专注于AI模型效率或降低计算资源。
实时 AI 应用
约46家公司（11%）提到或暗示在开发实时AI应用。
典型案例：Retell AI（实时AI驱动的语音代理）
多模态AI
约22家公司（5.3%）似乎正在开发多模态AI解决方案。
结论
生成式 AI 革命：18.7%的公司专注于生成式AI，我们正在见证AI能力的范式转变。这一趋势预示着未来AI不仅能进行分析，还能创造，可能会改变从内容创作到药物发现等各个行业。
云端与边缘的脱节：只有0.5%的公司专注于边缘AI，当前AI发展与对实时、设备端AI处理需求的日益增长之间存在明显差距。这一差异可能是行业的盲点，忽视了物联网、自动化系统和隐私保护AI等关键应用。
伦理、高效与易用性仍具潜力
随着AI变得越来越强大，新的挑战和机遇也随之而来。在 417 家获得 YC 支持的 AI 初创公司中，令人惊讶的是，只有少数公司在解决数据隐私、AI 伦理、可用性和公平性等关键问题。本部分将探讨这些致力于解决这些基础性问题的小众公司，突出它们取得的进展以及在创建更负责任、更透明、更具包容性的AI系统方面仍然存在的巨大机遇。
数据隐私与安全
大约18家公司（4.3%）明确关注数据隐私和安全。
典型案例：Corgea——利用AI轻松快速修复易受攻击的代码，增强企业数据安全和隐私。
随着监管力度的增加，AI 初创公司有机会在数据隐私和安全领域发力。
AI 伦理 和 AI 安全
仅有5家公司（1.2%）明确提到关注 AI 伦理或安全。
典型案例：Atla（构建具有保护机制的AI模型）
AI 易用性
大约28家公司（6.7%）专注于让 AI 更易于非技术用户使用。
典型案例：Creo（无需编码即可使用AI构建内部工具）
可解释AI/AI透明性
仅有3家公司（0.7%）明确提到致力于可解释 AI 或 AI 透明性。
典型案例：
Atla：Atla专注于构建带有保护机制的文本生成AI模型，旨在创建可靠且在各种应用场景中都能发挥作用的AI助手，尤其是在法律领域。
GuideLabs：Guide Labs开发可解释的基础模型，专注于AI和机器学习。
Sizeless：Sizeless专注于使机器学习可重复且安全。
可持续性或气候技术
11家公司（2.6%）专注于可持续性或气候技术。
例如：AetherEnergy（优化屋顶太阳能安装的AI平台）
AI偏差和公平性
仅有3家公司（0.7%）明确提到关注AI偏差和公平性。
小型团队还是企业级解决方案
面向小型团队应用案例：HostAI（为度假租赁提供 AI 驱动的操作系统）
结论
伦理缺失：仅有 1.2% 的初创公司专注于 AI 伦理和安全问题，表明 AI 的快速发展与其负责任的发展之间存在严重失衡。随着 AI 在决策过程中越来越广泛应用，这种显著的代表性不足可能会导致重大的社会和监管挑战。
透明度悖论：尽管对 AI 问责制的需求日益增加，但仅有 0.7% 的初创公司在解决可解释 AI 问题。这一差距可能会在规模化应用中形成「黑箱」问题，进而削弱对 AI 系统的信任，阻碍其在医疗、金融等关键领域的采用。
普及化困境：虽然 6.7% 的初创公司致力于让非技术用户也能使用 AI，但这一比例表明，真正实现 AI 的普及仍然存在机遇缺失。AI 权力集中在技术精英手中，可能会加剧现有的数字鸿沟，限制 AI 在各个领域推动包容性创新的潜力。
新兴技术中的 AI
在创新的前沿，少数初创公司正在开创 AI 与革命性技术的融合：
这一领域的先行者包括：
ConductorQuantum：利用量子计算解决超越经典 AI 能力的复杂问题。
Cedalio：将区块链与 AI 相结合，增强数据完整性和去中心化智能。
结论
潜力广阔：这些领域的初创公司稀少（合计 1.2%），表明 AI 应用的广阔未开发领域。
指数级影响：成功将 AI 与量子计算或区块链结合，可能带来密码学、药物发现和金融系统的突破。
高风险，高回报：尽管这些风险极大的技术挑战，但它们代表着计算进步的前沿，可能会重塑整个 AI 领域。
创始人背景与技能
技术专长
超过 75% 的创始人具有强大的技术背景，通常包括计算机科学、软件工程、人工智能/机器学习和数据科学等领域。
特别是人工智能及相关领域的技术专长似乎在 YC 获得高度重视。
教育背景：
约 20% 的公司创始人毕业于知名学府，以下是他们的部分学校背景：
加利福尼亚大学伯克利分校（UC Berkeley）
许多创始人拥有来自著名学府的强大学历，尤其是那些具有计算机科学和工程专业背景的学府。
工作经验
许多（约 25%）创始人曾在领先的科技公司工作过，包括：
在顶尖科技公司工作经验似乎是获得 YC 投资的一大优势。
创业经验
约 15% 的创始人有过创业经验，包括连续创业者，以及曾创办或联合创办其他初创公司。
例如，Surbhi Sarna 是多家公司的创始人，包括 Olio Labs，曾创办并出售过 nVision Medical 给 Boston Scientific。
YC 重视具有成功退出经验的创业者，尤其是有过创业成功经验的创始人。
请注意，即使你没有就读过顶尖学府或在大型科技公司工作过，展示出色的工作成果也能使你脱颖而出。例如，Artisan 的创始人 Jaspar Carmichael Jack 没有显赫的背景，但凭借其卓越的工作成果获得了认可。
学术研究背景
一些（约 8%）创始人来自学术研究领域，包括：
例如，Atla 的 Roman Engeler 持有人工智能博士学位，并参与了多个机器学习项目。
具有强大学术研究背景，尤其是在人工智能和机器学习领域，是 YC 所看重的。
联合创始团队的多样化技能
许多（45%）初创公司由具备互补技能的联合创始人组成：
例如，Arcimus 的创始团队包括 AI 和软件开发经验丰富的 Hussein Syed 以及具有金融和保险背景的 Omar Dadabhoy。
YC 更青睐那些将技术专长与商业智慧或行业知识相结合的创始团队。
行业变革者
许多（约 24%）创始人具有能颠覆传统行业的背景，包括：
例如，Tom Blomfield 曾参与多个 YC 公司，是 Monzo 的前 CEO，GoCardless 的联合创始人。
YC 重视那些能够为传统行业带来新视角和颠覆性创意的创始人。
如何为你的AI项目确立方向
Paul Graham提出，优秀工作的三个关键要素是天赋、深度兴趣和施展空间。我们可以将这一框架应用于 AI 创业方向的选择：
天赋
评估你的优势。如果你有技术背景，那么你与74.8%的YC AI创始人处于相同的起点。如果没有，可以考虑与技术合伙人合作，形成互补型团队。无论是技术能力还是非技术能力，你的天赋将是创业成功的基础。
深度兴趣
明确你感兴趣的行业、领域或问题。你的热情将支撑你克服创业路上的各种挑战。可以关注医疗健康/生物科技（10.8%）、金融科技（9.1%）和开发者工具（8.9%）等高潜力领域，或者探索制造业（1%）和农业（0.7%）等尚未被充分开发的市场。你对所解决问题的深厚兴趣将成为长期动力的关键。
施展空间
这是市场分析的重点。考虑进入主导市场的toB领域（81.1%），或尝试竞争较少但挑战更大的toC市场（18.9%）。探索数据隐私（4.3%）、AI伦理（1.2%）或可解释性AI（0.7%）等存在明显空白的关键问题。对于想要挑战尖端技术的创业者来说，量子计算（0.5%）和区块链（0.7%）提供了高风险、高回报的机会。关键在于找到AI能够产生重大影响并有创新空间的领域。
最终结论
因此，如果你是一名有志于创立 AI 初创企业的创始人或技术开发者，我建议你：
专注于 toB 市场：鉴于 81.1% 的 YC 支持的 AI 初创公司瞄准企业客户，考虑面向企业的解决方案，有助于提高获得融资和成功的几率。
探索被忽视的领域：尽管医疗/生物科技（10.8%）、金融科技（9.1%）和开发者工具（8.9%）占据主导地位，但制造业（1%）或农业（0.7%）等被忽视的领域也存在巨大机会。
优先组建技术型团队：确保你的创始团队中具备强大的技术人才，因为 74.8% 的 YC 支持的 AI 公司至少有一名技术背景深厚的创始人。
抓住生成式 AI 的热潮：18.7% 的初创公司涉足生成式 AI 领域，这是当下的热门方向。但你需要考虑如何通过创新应用脱颖而出。
关注 AI 伦理问题：仅有1.2%的初创公司关注 AI 伦理。这一明显的空白为有前瞻性的创始人提供了重要机遇。
原文链接：https://highsignalai.substack.com/p/what-i-learned-from-looking-at-400，翻译文字略有修改
