如何找到 AI 创业点子
摘要
本文整理自 Y Combinator 的 Light Cone 节目，由 Garry Tan、Jared Friedman、Diana Hu 和 Harj Taggar 四位合伙人共同讨论如何发现 AI 创业点子。节目开头宣布了 YC 首届 AI 创业学校（AI Startup School），Elon Musk、Satya Nadella、Sam Altman、Andrej Karpathy、Andrew Ng 和李飞飞等已确认出席。核心论点分为两条路径：向内挖掘与向外探索。向内挖掘指创始人回顾自身独特经历——无论是 Tesla 金融运营、Figma 前端测试、Cohere 数据工具，还是父亲的牙医诊所——从已有专业知识的边缘发现只有自己能看到的问题。向外探索则要求创始人"走出家门"，深入行业一线：去警察局做随行观察、去物流公司当卡车调度员、甚至在 Indeed 上找远程文员工作以理解流程自动化需求。视频反复强调，好的创业点子通常不是 Hackathon 式的"偷懒想法"，而是那些至少需要一定难度才能交付第一版的问题。此外，多位合伙人分享了反直觉的经验：不要因赛道"看似拥挤"而退缩——AI 客服领域虽竞争激烈，但真正能交付可靠产品的团队极少；也不要轻视 Pivot，许多最成功的公司花了近一年才找到正确方向。最后，Paul Graham 的"生活在边缘，注意缺了什么"（Live at the edge and notice what's missing）被奉为圭臬——在 AI 快速进化的当下，持续亲自使用和构建最新技术，才能率先发现新的可能性。
正文
YC 首届 AI 创业学校
YC 宣布将于 6 月 16 日至 17 日在旧金山举办首届 AI 创业学校（AI Startup School）。Elon Musk、Satya Nadella、Sam Altman、Andrej Karpathy、Andrew Ng 和李飞飞等全球顶尖 AI 专家与创始人已确认出席，将为参会者传授如何构建未来。该会议免费面向计算机科学研究生、本科生及 AI 研究领域的新毕业生，YC 甚至承担往返旧金山的差旅费用，但需申请且名额有限。
核心问题：没有点子怎么办？
当前有许多聪明的技术人才，他们看到了 AI 的巨大潜力，也确信这是一个创办公司的特殊时代，但唯一阻碍他们迈出第一步的是——没有一个真正让自己兴奋的点子。YC 合伙人们决定将此前只在 Office Hours 中讨论的"找点子秘诀"全部开源，希望能帮助更多人找到伟大的创业点子。
避免 Hackathon 式的偷懒想法
Jared Friedman 指出，一个正在浮现的蓝图是：你不能只待在离自己最近的地方。默认的糟糕创业点子是"偷懒的"（Lazy）——像 Hackathon 点子一样，在 X 上看到某件事、一群人都在做，然后想"我为什么不也做"。另一个版本是看什么热门就跳上什么潮流。
Jared 强调，当人们思考创业点子时，往往被那些"看起来很容易构建第一版"的东西所吸引。但大多数最好的创业点子，至少需要一定难度才能真正交付第一版。这是他与创始人一对一工作时最重要的经验：他总是推动创始人走向更难、更有雄心的方向，而创始人的潜意识却试图把他们拉回到能在周末就构建出来的东西上。
两条路径：向内挖掘与向外探索
Garry Tan 总结道，你需要做两件事之一：
- 向内挖掘：深度审视自己的历史和独特优势——你已经花了数年时间走到了某个领域的知识边缘，无论是 AI 还是其他领域。
- 向外探索：走出家门，进入行业、政府或其他服务人类的领域，从第一性原理理解根本原因。
向内挖掘：独特经历催生独特点子
Salient：从 Tesla 金融运营到 AI 语音代理
Diana Hu 分享了 Salient 的案例。Salient 构建了一个 AI 语音代理，专门处理汽车贷款催收。这个点子看似冷门，但创始人 Arie 之所以发现它，是因为他曾在 Tesla 的金融运营团队工作。Tesla 租车业务中，回收所有付款的过程全部依赖外包的业务运营团队手动完成，他想到为什么不用 AI 代理来自动化？现在 Salient 已服务于多家大型银行。
这是一个经典案例：创始人问自己的核心问题是"如果我们不做，谁来做？"（If not us, then who?）——这正是所有创始人在承诺一个点子时必须回答的关键问题。
Diode Computer：硬件与软件的交叉地带
Diode Computer 构建了 AI 电路板副驾驶（AI Circuit Board Copilot）。两位创始人分别是电气工程师和软件工程师，这种独特的技能交集极其罕见——软件世界和硬件世界几乎不互通。他们曾在 Apple 和创业公司构建电路，甚至做过定制处理器，积累了丰富的高端电子经验。他们看到了硬件工程师的痛苦：为什么没有像 Git 那样的版本控制？为什么要手动翻阅数据手册来验证元器件？为什么不让 LLM 像代码 QA 一样自动完成验证？
Garry 指出，成功的创业需要你像博士或博士后研究者一样——走到人类知识的边缘，然后不是发表研究把边界稍微推远一点，而是创造人们真正需要的产品或服务。当创始人走到那个深度时，他们的创始人-市场契合度（Founder-Market Fit）是世界上独一无二的。
Spur：从 Figma 前端测试到 AI QA 代理
Spur 构建了 AI QA 代理。现有的大型公司通常有 QA 工程师编写测试来验证软件，Spur 则构建了自动编写测试的 AI 代理。创始人之一曾在 Figma 工作，Figma 的前端极其复杂且极难测试。她意识到工程师花费大量时间编写和维护前端测试，而 AI 显然可以自动化这个过程。Figma 正是设计协作的前沿，从那里出来就意味着你已经接触到了正确的客户，了解前沿的人在做什么。
Data Curve：19 岁辍学者的华丽转身
Data Curve 是 Jared 资助过的最年轻的团队——创始人仅 19 岁，从滑铁卢大学大一辍学。他们最初以"Uncle GPT"（一个 ChatGPT 包装器）参加 Hackathon 并获奖，但这只是一个玩具式的点子——Demo 很酷，但没有客户愿意付费持续使用。
在 YC 批次期间，他们转向了 AI 产品经理工具，但仍然属于"不出门"的偷懒点子——两个 19 岁的年轻人从未做过产品经理，为团队和产品经理做软件非常困难。幸运的是，创始人之一曾在 Cohere 实习，Cohere 正处于 LLM 的最前沿。她曾在那里从事数据工具和为大型语言模型生产合成/真实数据的工作。她回到老老板那里，对方说"我们需要这个东西"，她回答"那我可以做"——现在公司已实现中高七位数收入，而公司去年六月才刚刚起步。
Jared 发现一个规律：当批次中的团队 Pivot 并来 Office Hours 说"对旧点子失去信心"时，他决策树的第一个分支就是"创始人是某个领域的专家吗？"如果是，那往往就是寻找点子的第一站。但令人惊讶的是，创始人往往很难意识到自己真正擅长什么——有时候需要从他们身上"拉出"真正的专长领域。
实习生效应：YC 十亿美元公司的隐秘起源
一个有趣的 Meta 观察是：YC 很大比例的十亿美元公司可以直接追溯到创始人的某次实习经历。所以如果你在大学里，想要拥有好的创业点子，去最前沿的酷公司做实习是一条经过验证的路径。
同样重要的是对工作地点的选择。Data Curve 的创始人曾在 Cohere 实习，而 Cohere 的创始人正是"Attention Is All You Need"论文的作者之一——那篇开创了整个 AI 繁荣的奠基性论文。Diana 还举了 David AI 的例子：创始人在 Scale AI 工作，Scale 是 AI 数据集的最前沿供应商，David AI 则发现了 Scale 尚未进入的利基市场——多模态数据中分离说话者音频的稀缺数据集。
Can of Soup：捕获人类想象力的点子
Jared 分享了 Can of Soup 的故事。创始人 Gabriel 曾是 Substack 的早期工程师。在 YC 批次期间，他失去了对原始点子的信心，进入了"Pivot 地狱"——以人工方式尝试各种 B2B SaaS 点子，但都不够兴奋。他与 Substack CEO Chris 散步时，Chris 给了他一条关键建议："谁在乎呢？去做能捕获人类想象力的事情。"（Who cares? Work on something that captures the human imagination.）这促使 Gabriel 开始思考更大、更疯狂的点子，最终诞生了 Can of Soup——一种 AI 驱动的全新社交网络。
Happenstance：重新想象人脉搜索
Garry 提到他最喜欢的 AI 公司之一 Happenstance。创始人曾是 Apple AI 研究员，卖掉了上一家创业公司后，随着向量数据库（Vector Database）的兴起，他意识到 LinkedIn 等平台的搜索仍然使用纯文本检索——甚至可能只是 MySQL 索引。LLM 加向量搜索意味着搜索引擎本身可以变得极其智能。现在 Garry 可以用模糊方式描述他想要连接的人的类型、层级和部门，Happenstance 会自动生成 SQL 查询，结合向量搜索、LLM 和 SQL 找到匹配的人——这是 LinkedIn 搜索对复杂查询十次九败的场景。
向外探索：走出家门发现隐藏问题
ESS Health：从牙医诊所的一天到 AI 后台
ESS Health 在 Pivot 过程中发现，其中一位创始人的母亲是经营自己牙医诊所的牙医。他去跟母亲工作了一天，想看看牙医诊所的运作方式以及软件能否改进。他发现大量行政工作——保险处理、预授权等——都是可以被 LLM 自动化的常规流程。于是他们开始构建 LLM 驱动的牙医后台系统，效果极好。
Garry 指出这个故事有几个关键要点：利用家庭连接——YC 许多十亿美元公司正是通过创始人的父母、叔叔、表亲或老室友获得了通往有趣领域的入口。有时候你可以冷邮件一千人零回复，但那个每年感恩节都会见的人会给你访问权，而"访问权就是你需要的全部"（Access is all you need）。此外，AI 让这些以前看起来太小的机会变得巨大——5 年前为汽车贷款催收或小型牙医诊所做软件可能不是足够大的机会，但现在用 AI 替代年薪 6-8 万美元的人，软件的价值大幅提升。
Happy Robot：从西班牙博士到卡车物流 AI
Happy Robot 为卡车物流协调员构建 AI 代理。创始人来自西班牙，是博士学生，与卡车运输毫无关系——一个极其冷门的行业。他们之所以找到这个点子，纯粹是因为创始人非常有人格魅力、非常友善——和他们交谈后你想成为他们的朋友。
医疗账单公司的"卧底创始人"
Garry 分享了一个更极端的案例：一家 AI 账单公司的联合创始人实际上找了一份医疗账单员的远程工作，为纽约一家医疗机构处理账单。他没有透露自己正在构建软件——而是用这份工作来理解行业内部运作。他用 Llama 3 在两台 MacBook Pro 上构建了自己的 AI 代理来替代自己，所有处理都在本地完成，没有违反任何法律——使用自己的电脑、Zoom 等工具远程工作是合法的。
Garry 甚至给监管者的建议是：开源（Open Source）在这里非常重要，因为这位创始人之所以能合法做到这一点，是因为他在自己的电脑上本地构建和运行软件。
Indeed 求职技巧
Jared 分享了一个 Alpha 技巧：你可以去 Indeed.com 搜索"远程分析师"、"远程文员"等关键词，看看所有正在招聘的岗位——有些可能是大多数人甚至没听说过的奇怪工作，而这些正是 AI 擅长自动化的岗位。
另一个技巧是：如果你有朋友做着非常无聊的工作，去跟着他们上班一天。Sweet Spot 就是这样一个案例——他们最初的想法是关于 Taco 卡车支付的，后来一位朋友的全部工作就是在政府网站前不断刷新，看是否有与公司相关的招标出现，然后粘贴链接。他们意识到这完全可以被 AI 自动化——现在 Sweet Spot 已成为政府采购合同的 AI 平台，能帮你发现投标机会、生成标书、提供中标建议和最优定价，增长极为迅速。
Lilac Labs：外包到低工资国家的岗位是强信号
Jared 指出一个重要信号：任何被外包到低工资国家的岗位类别，都是现在值得构建创业公司的强烈信号。Lilac Labs 自动化了得来速（Drive-thru）的接单员——美国的很多得来速，当你在窗口下单时，听你订单并录入销售系统的人实际上在世界的另一端，因为这个曾经由得来速窗口人员完成的工作已经被外包到低工资国家的业务流程外包（BPO）公司。这对 Lilac Labs 来说是 AI 替代的绝佳目标。
Automat：用 AI 替代昂贵的 RPA 咨询师
Diana 分享了 Automat 的案例。UiPath 是一家做机器人流程自动化（Robotic Process Automation, RPA）的上市公司，本质上就是桌面自动化宏。但让 UiPath 上线需要大量咨询师，而且咨询师还需要认证。Automat 的创始人发现：如果我们构建一个真正好用的产品，让 RPA 不再需要昂贵的咨询师呢？Automat 正是这个解决方案——而且只有在 AI 出现后才可能实现。有趣的是，这支团队是前 Google 员工，在疫情期间就获得了 Bard（现 Gemini）的早期访问权限，在 AI 还没变酷之前就已经在大量构建 AI 应用了。
Able Police：从社会问题到 AI 解决方案
Able Police 与警察部门合作。创始人的朋友是犯罪受害者，他开始调查后发现——旧金山有一个疯狂的法律：即使你只是停下来与人交谈，也需要填写与逮捕一样多的文书。许多警察在 8-10 小时轮班中有 2-3 小时花在填写文书上。他亲自参加了随行观察（Ride-alongs），深入调查了这个问题，然后意识到 LLM 加计算机视觉可以将 2-3 小时的文书工作压缩到 5-10 分钟。
PreDB：从朋友的需求到 PostgreSQL 向量数据库
PreDB 在 Pivot 过程中，发现有朋友把创业公司卖给了另一家创业公司，当时 Pinecone 和向量数据库正变得越来越流行。朋友告诉他们"我们最大的问题是 PostgreSQL 和 Pinecone 之间没有好的实时同步"。但随着他们深入，发现 PostgreSQL 的 PG Vector 扩展可能足以替代 Pinecone 的大部分功能。他们开始挑战 PG Vector 的极限，发现可以做到出乎意料的程度——现在不仅作为独立向量数据库的替代品，还替代了 Elasticsearch 用于搜索和语义搜索。
Reducto：从 YC 社区中发现 PDF 解析的痛点
Reducto 的创始人在 YC 期间与很多在 AI 前沿构建的创始人成为了朋友。他们发现很多 RAG（Retrieval-Augmented Generation）应用要运行良好，需要能把文档分块（Chunk）做得非常好——但这个问题只有在与最顶级的构建者合作时才会发现。Reducto 专门从 PDF 中提取完美的数据分块。
不要因"拥挤"而退缩
Jared 分享了 GigML 的故事。他们最初申请 YC 时是做印度高中生申请美国大学的 EdTech，后来 Pivot 到微调即服务（Fine-tuning as a Service），但无法构建可持续业务。他们在寻找垂直应用时最兴奋的方向是客户支持，但觉得这个赛道太拥挤了。
然而他们还是做了，并特别聚焦于 Zepto 这家愿意做早期前沿采用者的公司。Garry 指出一个反直觉的观察：在 AI 时代，很多看起来拥挤的赛道实际上"东西就是不好用"。真正能用 AI 完全替代人类客服团队是一个很难的技术问题——虽然很多人声称能做到，但极少数人能真正交付客户期望的可靠性。GigML 的技术实力使他们能交付别人做不到的，从而赢得了大企业合同并开始滚雪球。
Paul Graham 的"眼罩"概念与十倍思维
Jared 推荐所有寻找创业点子的人去读（或重读）Paul Graham 的经典文章《如何获得创业点子》（How to Get Startup Ideas）。PG 提出了"眼罩"（Blinders）概念：当你寻找创业点子时，你的潜意识会戴上眼罩，不允许你看到某些点子，因为它们看起来太雄心勃勃、太可怕，甚至不会浮到意识层面让你决定是否要做。
Jared 以 Easy Dubs 为例——他们正在构建《星际迷航》式的万能翻译器：你去日本但不会日语，想与只说日语的人对话，Easy Dubs 可以实时同步翻译，让你与说不同语言的人进行实时对话。
Garry 补充说，部分 YC 合伙人的工作就是帮助创始人"想得更大"——因为创业本身就是一件可怕的事，创始人往往从一个可能无关紧要的小点子开始，但如果把它十倍放大，世界会变成什么样？
通过构建产品来构建专业能力
Diana 指出，有时候你不一定需要预先拥有专业能力——直接开始构建任何产品，你就能成为该产品用户群体的专家。Juice Boox 就是一个例子：他们最初构建了一个自由职业者市场，没有太多差异化，但他们就是兴奋地想开始构建。这个点子没有真正起飞，但在与招聘自由职业者的公司合作的过程中，随着 LLM 的发展，他们意识到招聘团队有真实的 LLM 驱动人员搜索需求。于是他们构建了 PeopleGPT——一个极其高效的招聘搜索工具，只需模糊提示就能列出所有理想候选人。他们从未当过招聘者，也没有真正招聘过人，但因为发布了产品，他们在过程中构建了专业能力。
投资人不懂怎么办？
Garry 提到一个常见现象：创始人在 YC 批次期间发布了产品、获得了真实用户和信用卡付费甚至大企业合同，但到了融资时却接连遭遇拒绝。他们回来说"投资人不理解"。Garry 的回应是：投资人当然不理解，因为他们的信息来源是坐在马桶上刷 X——而你是在外面跟人交谈、发布软件、做实事的人。为什么要从一个仍然坐在马桶上刷信息流的人那里获取信号？你有对真实世界的直接认知，你走出了柏拉图的洞穴，而对方还在看洞壁上的影子。
AI 时代 Pivot 的新常态
多位合伙人一致认为，如今最好的公司中，很多花了大约一年才找到正确的点子——这在几年前是不可想象的。十年前，有些种子基金会明确表示"我们从不做种子轮延长，你要么立刻伟大，要么就是失败"。但现在这已经不再是事实。
Jared 推测，AI 发展如此之快，每隔几个月就会出现一批新的可能点子。而且因为从事 AI 创业本身就令人兴奋，团队拥有更长的"士气储备"——如果你正在构建前沿 AI，即使还没找到对的点子，为什么要放弃回 Google？你的幸运突破可能就在转角处。这是你能做的最令人兴奋的事情。
总结：走出家门，走到边缘
核心信息非常清晰：你不能待在家里坐在马桶上刷信息流。你要么深度向内审视，发现你已经因为过去的经历而站在了知识边缘；要么彻底走出家门，进入他人的真实业务和人类面临的真实问题，从第一性原理理解那里发生了什么——然后你就能用 AI 构建一个十亿美元的业务。