入口
得到大脑分享笔记
摘要与文稿均已读取。摘要是检索线索，不作为独立证据。
FIELD NOTES / 创业研究2026.09.20 · 原文追溯版
FROM BITS TO ATOMS — AND FROM TOOLS TO OUTCOMES
AI 降低了执行门槛，
什么仍然稀缺？
基于 YC 2026 创业趋势笔记的原始来源研究。值得认真对待的是小团队完成完整任务的能力；需要谨慎对待的是把批次观察，直接放大成行业定律、技术保证与确定性回报。
核心判断 · 本报告分析
更有价值的创业起点，是你已能接触客户、定义验收标准、收集失败反馈的具体工作。代码变便宜，并不自动让获客、现场部署或可靠交付变容易。
证据范围 · 先说明白
原文主要来源是一期 YC 对谈，未列正式研究论文。以下区分对谈原始证言、公司部署自述、补充论文。本次未找到可复算的 YC 批次统计附件，也未确认那项未命名机器人基准。[S1]
01
先把“报告”还原为原始证据
笔记的标题是《YC 2026创业趋势深度解读：AI如何改写创业底层逻辑》，转载文稿为《顶级孵化器 YC 的 2026 创业公司观察报告》。它混合了嘉宾口述、作者判断与笔记的自动总结。[S0]
二次解释
深思圈公众号文稿
明确包含“我自己的判断”。诸如定价权与数据壁垒的绝对化说法，应回到来源重审。
一手观察
YC · Lightcone
Garry Tan、Jared Friedman、Diana Hu、Harj Taggar；官方视频和英文自动字幕已核对。
独立补充
论文与公司原文
补查机器人数据生成、三值模型、规模定律和创业者经验；这些并非转载逐篇引用的论文。
证据解释：“核实说过” ≠ “核实统计准确” ≠ “证明因果”。自动字幕可能误识别公司名；本报告仅在有官方依据时校正。来源日期以已打开页面为准，未把“最新”当作更强证据。
02
方向在变，但样本边界不能丢
YC嘉宾口述的录取公司结构变化。原始对谈开场对回溯区间表达不清，部分细项提到约一年前；这里保留“此前 / 近期”，不伪造统一基准年份。[S1 · 01:06–03:07 / 18:09 / 29:49]
此前近期横轴：占批次比例，0–30%
0%15%30%
图表边界：类别可能重叠、定义未公开，不可相加。机器人用6.5%、单人公司用18.5%作区间中点绘图；“接近4/3%”用4/3%近似，“超过25%”只画25%的下限；文字保留原始不确定性。博士比例约1/6，分母是当期夏季批次的创始人，不是公司数。
收入变快：一个有价值、但不能外推的信号
批次结束时中位数月收入$8,000 → $20,0002.5× / +150%
数字来自不同批次的横向观察，不是同一家公司收入轨迹；未取得样本数、行业构成、留存、毛利与核算细则。“三个月做到七位数收入”是部分公司的例子，口述没有明确同一收入周期，不能擅自改写为百万美元月收入或统一ARR。[S1 · 01:40 / 18:50 / 22:00]
解释上的替代可能：YC录取偏好改变、开始计时的公司成熟度不同、服务收入或一次性合同占比变化，以及AI本身的生产率提升。现有资料不能分解各项贡献。
03
12 个影响判断的核查结果
“纠正”表示算术、名称或绝对化表述有误；“限定”表示有证据但适用范围更窄；“待证”表示关键数据仍缺可追溯依据。
显示全部12项
“8%到20%，几乎翻倍”
是原来的2.5倍、增长150%，不是“几乎翻倍”。收入8,000→20,000同理。百分比与百分点必须分开。
S1 · 01:19–01:57“YC数据证明AI导致创业更快”
数据来自被YC筛选的公司，且录取标准、行业组合、批次阶段可能变化。无对照组，不能把收入差异全部归因于AI。
S1 · 01:06–02:01 / 18:09–19:25“机器人基准10%→60%–70%”
13:23起嘉宾说自己忘了基准名称。缺名称、版本、任务集、操作方式和测试预算；不纳入已核验性能图。
S1 · 13:23–13:35“机器人数据不能合成”
MimicGen明确生成机器人训练示范。真实数据仍重要，但“不能合成”错误；可讨论难以覆盖的长尾和仿真误差。
S4 · §4 / §6.4 / §7“所有机器人都必须微调”
原话是嘉宾对YC内使用PI的公司之了解；不能外推全行业。π0.7已展示多项免微调能力，但实验成绩也不等于任意生产现场可用。
S1 · 28:17–28:43；S3“Knox Metals”与“PI”的含义
公司官方拼写是 Nox Metals。Physical Intelligence 是公司名称，π系列是其模型，不能把PI直接等同于所有物理智能基础模型。
S9；S2 / S3“发布MCP就丢失护城河”
MCP既能提供资源也能调用执行工具。开放协议和经营执行平台可以并存；商业壁垒取决于权限、数据质量、流程、分发与责任承担。
S11；S1 · 17:02–17:27“A100租价正在上涨”
可核验嘉宾确实这样说，但未提供供应商、地区、显存规格、合同类型或价格时间序列。不能据此断言全球统一涨价。
S1 · 10:05–10:22“数据业务回报最确定”
十余家年收逾1,000万美元是YC口述，无公司清单和审计。“实验室约10亿美元支出”原话带reported，未给清晰年度和分母；不是市场规模报告。
S1 · 23:29–25:05“规模定律三支柱是算力、数据、架构”
经典论文研究模型参数量N、数据量D、计算量C与损失的关系；不能把模型规模换成架构，也不能从该定律推出数据供应商必然盈利。
S6 · §1.1 / 图1“按结果收费理论没有天花板”
收入仍受客户任务量、付费意愿和竞争约束。执行型产品承担推理、人工兜底和错误赔付成本，必须核算单位经济性。
本报告分析；非研究事实“有经验的人因AI更容易成功”
既有大样本研究支持行业经验与高增长相关，但数据早于本轮生成式AI。YC个案不足以识别AI对不同年龄群体的因果效应。
S7；S1 · 32:53–34:4204
研究原文，实际支持到了哪一步
下面的论文用于补充检验文章的关键机制。来源、方法与外推限制一起看；不是用学术引用给整篇创业叙事背书。
A / 数据壁垒 · 反证与条件
真实数据有价值，但并非只能逐条人工采集
MimicGen 从约200条人类示范，生成超过5万条、覆盖18项任务的数据。[S4]
它把示范分解为以对象为中心的子任务，适配新场景、对象和机械臂，再验证任务成功。仿真之外，论文也做了真实机器人 Stack 与 Coffee 任务。
边界：需已知子任务结构和对象位姿；主要展示刚性物体的准静态任务；轨迹拼接不保证无碰撞，成功筛选会产生偏差。
对创业结论的修正
“有大量录像”本身不等于难复制。更强的资产是：能反复进入真实场景、覆盖罕见失败、准确标注、合法复用，以及证明新数据确实提升客户指标。
检验壁垒的方法：用“公开数据＋合成数据”作基线，再看专有数据带来的增量。如果增益很小，积累时长就不应直接换算成护城河。
B / 机器人 · 部署与泛化
商业落地与通用能力，需要两套验收
PI与Ultra的合作材料展示仓库包装部署，注明一个完整班次示例达到96.4% autonomy，并披露仍用人工介入保障订单正确。这是合作方报告，不能解读为全场景96.4%任务成功率。[S2]
π0.7论文展示多任务免微调、组合泛化与跨机器人迁移；训练融合机器人示范、自主轨迹、人类数据，并用语言、子目标图像和元数据调节行为。[S3]
边界：这是指定任务与部署条件下的结果。免微调实验反驳“永远必须微调”，却不证明任意工厂都能开箱使用。
实时性也不能只看模型延迟
PI的RTC研究让机器人一边执行旧动作片段、一边生成新动作；实验使用6项任务，每项10个episode，额外注入100/200ms延迟。模型、网络与控制调度共同决定表现。[S8]
应验收：每小时合格产出、人工接管时长、故障恢复、不同物体与现场的稳定性，而不是演示视频是否流畅。控制回路的实时要求也不能直接等同于大模型每次必须在几毫秒内推理。
C / 算力 · 模型与硬件协同
三值权重有实证，专用芯片商业成功尚需另证
BitNet b1.58 将线性层权重量化为 −1、0、1，从头训练，激活使用8位；论文3B规模、相同训练设置下呈现接近的语言任务质量和更低内存、延迟。嵌入等部分仍保留更高精度。[S5]
| 指标 | LLaMA FP16 基线 | BitNet b1.58 |
|---|---|---|
| 推理内存 | 7.89 GB | 2.22 GB |
| 每输出token延迟 | 5.07 ms | 1.87 ms |
| 所测零样本任务平均分 | 49.7 | 50.2 |
基线为作者复现，使用特定推理代码与kernel。这不是把任意大模型直接压缩就能无损获得的结果，也不证明节目所称“Bot”已经完成芯片量产；该公司精确身份本次未独立确认。
Dipole Labs的官方介绍则支持另一条路线：光域交换减少光电转换，并配合通信模式调度；“25%额外有效算力”等是公司目标/估计，不应当作普遍实测结果。[S10] 从商业上看，必须验证客户真实负载的总成本、兼容性与部署周期，而不只比较单算子的速度。
D / 创始人 · 经验的价值
经验优势不是新现象，也不是年龄决定论
Azoulay等使用美国人口普查局行政数据研究创业者；增长最快的千分之一新企业，其创始人平均年龄为45岁。同行业经验与高增长相关。研究发表早于当前生成式AI浪潮。[S7]
方法边界：是历史观察数据，不是随机分配经验；年龄还关联资源、网络和机会选择。不能从均值给某个年轻或年长创始人预测命运，更不能直接得出AI让经验价值增加多少。
| NAICS四位行业经验 | 观察比例 |
|---|---|
| 无 | 0.12% |
| 1–2年 | 0.14% |
| ≥3年 | 0.24% |
数据为2007–2009成立公司、后续5年增长观察；不是2026年单人创业成功率。“翻倍”的相对差异也对应很低的绝对比例。
E / 数据与RL环境 · 技术需求不等于利润保证
规模定律不能替代客户预算与交付验证
Kaplan等的经典研究考察参数量N、数据量D、计算量C与语言模型交叉熵损失的经验关系；其结论限定在研究架构与分布内，研究对象不是垂直RL环境供应商的利润。[S6]
本报告推断：环境业务的价值应落实为可运行任务、清晰奖励、可复现评测、难以投机取巧的验收。只卖任务数量，容易形成同质化；若客户集中在少数实验室，还会面临议价、预算周期和自建替代风险。应索取续购、单位交付成本及留出任务的模型增益，不能用市场传闻代替这些证据。
05
稀缺性迁移，是更有用的解释
以下为本报告综合推断，不是YC已证明的因果链。AI让某个环节更快，收益能否留下，取决于下一个瓶颈以及客户是否愿意为结果付款。
01 / 更便宜
生成与执行
原型、软件实现、部分研究与工作流执行成本下降。
02 / 新约束
真实任务与资源
客户入口、供电、设备、场景数据、验收与故障恢复成为约束。
03 / 可收费
完整交付
把约束转为可验收承诺：交付时间、合格率、单位产出成本。
04 / 可积累
反馈与复购
每次执行留下失败案例和改进数据，客户持续使用才形成资产。
Nox Metals：交付体系比“AI标签”更关键
官方资料描述软件与自动化结合的金属加工、报价到订单再到切割配送的完整流程。可借鉴的是缩短周转与提高可靠性；文中“需求方不在意价格”的推断并不普遍成立，公司自身也强调降低价格。[S9]
MCP与执行平台可以互补
MCP包含可执行Tools，而不只读数据。执行平台可以通过MCP连接外部系统，再承担任务状态、权限、评测和异常处理。技术接口开放与商业资产保留不必二选一。[S11]
反证条件：若竞争者用同一模型快速复刻、客户切换无损、独有数据没有可测增益、人工兜底成本不降，那么“AI执行闭环”仍可能只是低毛利服务，尚未形成软件规模效应。
06
卖结果之前，先算失败的成本
互动演示，全部为假设值，非YC公司经营数据。每件收费¥20、模型成本¥2、人工¥120/小时；每任务只运行一次，所有自动失败都由人工成功补救。未计获客、固定成本、赔偿和多次重试。
默认情景：自动通过率80%，失败补救15分钟。
单件直接成本 = ¥2 + (1 − 自动通过率) × 补救分钟 × ¥2/分钟
每件直接成本
每件贡献额（非净利润）
默认情景直接成本占售价40%；尚需覆盖固定成本、销售和损失。
本报告建议：比较传统流程与AI流程时，计入所有人工检查和返工。真正改善的是“每件合格结果的总成本”，而不是省下多少次点击或生成了多少token。
07
对创作者、独立开发者和小团队的启示
以下是基于证据的行动建议，不是赛道收益排名。先利用已有客户与行业知识，避免把YC的硬科技配置机械复制到自己的资源条件上。
| 候选方向 | 先验证什么 | 停止或调整的信号 |
|---|---|---|
| 垂直任务执行 例如资料→审核→可交付成果 | 同一类客户是否持续付费；结果有明确验收；返工可控 | 每个客户都是全新定制；人工检查吃掉节省时间 |
| 行业评测与RL任务环境 | 拿到付费试样；客户能用留出任务证明增益；内容可合法复用 | 只有泛泛兴趣，无采购人；任务易被刷分或公开复制 |
| 硬科技配套软件 / 部署工具 | 先找到真实工厂、机器人或算力客户，验证具体瓶颈 | 系统接入周期与交付资本超出承受能力 |
| 自建硬件、芯片或通用机器人 | 核心团队、融资、制造与现场资源齐备后，再验证产品路径 | 仅凭行业热度入场，无法解释技术差异与量产路径 |
一个四周验证计划
第1周
选一个完整任务
访谈5位目标用户，拿到真实样例、现有耗时、错误成本和购买负责人。
第2周
建立验收基线
收集30–50个样例，预留未参与开发的测试任务；和原流程比较合格率与总耗时。
第3周
有限范围交付
用明确人工兜底服务首批付费试点；把失败分类，记录每单成本。
第4周
检查复购与复用
看客户是否继续付费、接入是否标准化、人工是否随学习而下降，再决定扩张。
样例量和访谈人数是低成本起步建议，不代表统计显著性。每个项目需预先定义业务可接受阈值；高风险任务另需领域验收。
08
仍未解决的问题
YC统计如何复算？
需要批次清单、类别定义、公司与创始人分母、收入口径及排除规则。当前只能确认官方说法与算术，无法提供置信区间或独立复现。
哪些热点数据仍需原件？
未命名的Astra机器人基准；A100同口径租价序列；十余家数据公司的审计收入；“约10亿美元支出”的明确报告与年度；Bot公司身份。报告没有用同名项目替代缺失来源。
这次研究读到了什么、没有做到什么？
已核对YC官方自动字幕中的关键段落，并查阅上述一手部署资料与论文的方法、结果和限制。本次没有复现实验、审计公司财务，也没有把学术关联结果当成个人成功预测。
09
原文索引
检索与核验截至2026-09-20。点击标题打开原始来源。S2–S11为核验与延伸材料，不能反过来称为原公众号逐篇引用的文献。
- S1YC · The State of Startups in 2026 ↗
2026-09-18（YouTube 当前界面） · 原始对谈，36:28；已读取官方英文自动字幕。数字是嘉宾口述，未附可重算的批次数据表。
- S2Physical Intelligence · The Physical Intelligence Layer ↗
2026-02-24 · PI、Weave、Ultra 的一手部署自述；非独立第三方审计。
- S3π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities ↗
2026-04-16 · PI 原始论文；已下载并检查方法、实验与结论。
- S4MimicGen: A Data Generation System for Scalable Robot Learning using Human Demonstrations ↗
Mandlekar 等，CoRL 2023 · 已检查论文方法、§6.4 实验与 §7 局限；补充反证。
- S5The Era of 1-bit LLMs: All Large Language Models are in 1.58 Bits ↗
Ma 等，2024-02-27 · BitNet b1.58 技术报告；核查 §2、§3 与表1、2。
- S6Scaling Laws for Neural Language Models ↗
Kaplan 等，2020-01-23 · 原始规模定律论文；核查摘要、§1.1 与图1。
- S7Age and High-Growth Entrepreneurship ↗
Azoulay、Jones、Kim、Miranda；2018 工作论文，2020 AER: Insights 发表 · 核查样本、增长口径、表6。
- S8Real-Time Action Chunking with Large Models ↗
2025-06-09，后续更新 2025-12-08 · 原始研究说明，检查延迟表和实验设置。
- S9YC 公司页 · Nox Metals ↗
YC S2025 · 核验公司拼写、产品与供应链模式；商业表现属于公司自述。
- S10YC 公司页 · Dipole Labs ↗
YC S2026 · 核验光交换产品与目标；性能与收益预测未经独立验证。
- S11Model Context Protocol · Server primitives ↗
2025-06-18 固定版本 · 核查 Resources 与 Tools 的区别；用于检验商业推断的技术前提。