如何获得AI创业点子

摘要

本期节目中，Y Combinator合伙人Gary、Jared、Diana和Harge分享了寻找优质AI创业点子的系统方法论。核心观点是：好的创业点子不能通过待在家里刷社交媒体获得，你必须要么"向内深挖"——利用自身独特的专业经验和技能，要么"走出家门"——深入行业一线去发现真实痛点。节目通过大量真实案例阐述了这些原则：Salient的创始人在特斯拉金融运营团队的经历让他发现了汽车贷款催收的自动化机会；Diode Computer的创始人横跨软件与硬件的独特背景使他们看到了电路板设计的AI辅助需求；Data Curve的创始人从Cohere实习经历中找到了大语言模型数据工具的切入点。此外，节目还介绍了"卧底式"创业点子发掘方法——有创始人甚至亲自去做医疗账单员来理解行业痛点，还有创始人通过跟随朋友观察枯燥的政府合同投标工作而发现了AI自动化机会。节目最后强调，在AI快速发展的时代，创业者不应因竞争而退缩，也不应过早放弃，因为技术进步不断创造新的创业可能性。

正文

开场：AI创业学校的宣布与问题提出

Y Combinator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Fei-Fei Li等全球顶级AI专家和创始人将出席授课。这是一个面向计算机科学研究生、本科生及AI领域应届毕业生的免费会议，YC甚至会承担前往旧金山的差旅费用。

随后，主持人进入正题：当前有许多聪明的技术人才正在关注AI领域，他们看到了技术的巨大潜力，也相信这是一个创业的黄金时代，但阻碍他们迈出第一步的，恰恰是缺乏一个让他们真正兴奋的创业点子。四位合伙人决定公开分享他们此前仅在办公室答疑（Office Hours）中讨论过的"秘诀"，帮助更多人找到优质创业点子。

糟糕点子的典型模式：懒惰与跟风

Jared指出，一个正在浮现的成功蓝图是：你不能只待在原地不动。最常见的糟糕创业点子是"懒惰点子"——类似黑客马拉松（Hackathon）式点子，比如在X平台上看到某个话题很火、很多人在做，就决定自己也做。另一种是看到什么热门就跳上那辆花车。

Jared特别警告创始人不要匆忙采用黑客马拉松点子。人们在思考创业点子时，往往被那些看起来很容易构建第一个版本的想法所吸引。但大多数优秀的创业点子实际上至少在某种程度上是难以交付第一版本的。他的经验法则是：总是试图推动创始人朝更难、更有雄心的方向前进，而创始人的潜意识则在把他们推回能在周末就构建出来的方向。

两条路径：向内深挖与走出家门

Gary指出，你需要"走出家门"。与其只做眼前的事，你要么：一，积极内省，审视自己的历史和独特优势；二，积极走出家门，进入行业、政府及其他服务人类的领域。两者都是"离家"——不是待在舒适区里。

向内深挖：利用独特经验和技能

Salient——汽车贷款催收AI代理。Diana分享了一个案例。Salient在构建一个AI语音代理（AI Voice Agent），用于汽车贷款的催收处理。这是一个相当冷门的想法。创始人Ari曾在特斯拉金融运营团队工作，在处理特斯拉租赁业务时发现，回收付款的过程全部由外包的业务运营团队手动完成。他想到：为什么不建一个AI代理来自动化这个流程？现在Salient已经为多家大型银行提供服务。

Diode Computer——AI电路板副驾驶。两位创始人既是电气工程师又是软件工程师，这种技能交叉非常独特。软件和硬件世界之间通常缺乏沟通，他们曾在苹果和创业公司构建电路甚至定制处理器，拥有丰富的高端电子产品经验。他们看到了硬件工程师的痛点和挫折：为什么硬件世界不能像软件世界一样使用Git？为什么必须手动翻阅数据手册（Datasheet）来验证所有组件？为什么不能让大语言模型（LLM）像代码QA一样自动化完成验证？这种洞察对他们来说是独一无二的，因为世界上很少有人同时具备顶尖软件和硬件能力。

Gary将这种模式比作博士或博士后研究员——你必须走到人类知识和理解的最前沿，然后不是发表研究来稍微推进那个前沿，而是创造一个人们真正需要的产品或服务。当创始人达到这种"博士级"专业水平时，他们与市场之间就形成了独特的创始人-市场契合（Founder-Market Fit），他们是世界上最好的——没有人有他们那样的工作经历，恰好想做创业，恰好对AI非常感兴趣，这个时刻只有他们能抓住。

Spur——AI QA代理。Spur在构建一个AI质量保证（QA）代理。目前大公司的QA工程师手动编写测试来测试软件，Spur构建AI代理自动编写测试。其中一位创始人在Figma工作，Figma的前端以极其复杂和难以测试著称。她意识到工程师们花费大量时间测试前端和编写维护测试，而AI显然可以自动化这个过程。Figma本身就是一个很好的起点——如果你已经在设计和协作的前沿，加上AI的出现，你已经接触到正确的客户，知道前沿的人在做什么。

Data Curve——从19岁创业者到AI数据工具。这是Gary投资过的最年轻的团队——他们从滑铁卢大学大一辍学，当时只有19岁。他们最初以"Uncle GPT"的名义进入YC，这是一个标准的ChatGPT套壳（Wrapper）——当时"套壳"是大家都用的贬义词。虽然他们凭此赢得了黑客马拉松，但更深层的发现是：人们并不真正需要它，虽然演示很酷，但没有客户愿意付费持续使用。

在YC批次期间，他们转向了产品经理的AI工具方向，但作为19岁的年轻人，他们从未做过产品经理，很难为不熟悉的用户群体开发软件。幸运的是，其中一位创始人曾在Cohere实习——Cohere在大语言模型（LLM）领域处于最前沿。她已经在从事数据工具和为大语言模型生成合成数据与真实数据的工作。她回到前老板那里，对方说"这就是我们需要的"，她说"那我可以构建它"。现在Data Curve的年收入已经达到中高七位数（Mid-to-high Seven Figures），而这家公司去年六月才刚起步。

Jared指出一个常见模式：当创始人在办公室答疑中迷失方向、寻找新点子时，他决策树的第一步就是"创始人是否在某个领域是专家"，因为专家身份往往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的专业领域是什么。

Diana补充了一个关键观点：创始人有时对自己的专业领域有一种"过敏反应"——因为他们在某个领域深耕多年，觉得太无聊了，想去追逐闪亮的未知领域。但当他们谈论自己专业领域时，声音会突然变得如此深刻和专业，而谈论闪亮的新领域则非常肤浅。

Gary和Diana还强调了一个元观点：YC大量十亿美元公司可以直接追溯到创始人的实习经历（Internship）。如果你在大学里想要拥有好的创业点子，就去最前沿的公司实习。此外，要挑剔你工作的地方——Cohere的联合创始人正是开创这一AI浪潮的奠基性论文《Attention Is All You Need》的作者之一，在Cohere工作意味着你在最前沿。

David AI——多模态数据。创始人在Scale AI工作，Scale AI处于为AI浪潮提供数据集的最前沿。David AI发现了一个Scale AI没有进入的利基市场：多模态数据集中分离说话人音频（Speaker-separated Audio）的稀缺性。Scale AI深耕LLM世界，所以这个利基被留了出来，成为了David AI的机会。

追逐能激发想象力的大想法

Can of Soup——AI社交网络。Jared分享了一个让他印象深刻的故事。创始人Gabriel曾是Substack的早期工程师。在YC期间，他对最初的想法失去了信心，进入了"转型地狱"（Pivot Hell），试图以人工方式产生新点子。他看了一堆B2B SaaS想法，都完全合理，但就是没有让他兴奋的。他和Substack的CEO Chris散步时，Chris给了他一个关键建议：当他推销一个B2B SaaS点子时，Chris说"谁在乎呢，去做能激发人类想象力的事（Captures the Human Imagination）"。这个提示让Gabriel开始思考一个更大的、他真正愿意长期投入的想法，最终诞生了Can of Soup——一个类似AI版Instagram的全新社交网络。虽然结果未知，但比那些制造出来的B2B SaaS想法酷得多。

Happenstance——AI驱动的智能人脉搜索。Gary分享了他目前最喜欢的AI公司之一。创始人曾是Apple的AI研究员，卖掉了上一家创业公司后，注意到当使用LinkedIn时，搜索体验极其糟糕——很可能仍在使用纯文本搜索和MySQL索引。而大语言模型加上向量搜索（Vector Search）意味着搜索引擎本身可以变得智能得多。Happenstance允许用户以模糊方式描述想找的人，甚至可以描述公司内部想接触的层级和领域，它会自动编写SQL查询，结合向量搜索、LLM和SQL找到目标人物，而LinkedIn搜索对这类复杂查询十次有十次失败。

打破眼罩：敢于想更大的想法

Jared引用了Paul Graham经典文章《如何获得创业点子》中的概念——"眼罩"（Blinders）。当你寻找创业点子时，潜意识会阻止你看到某些想法，因为它们看起来太雄心勃勃、太可怕，甚至不会浮出意识层面让你决定是否要做。

Easy Dubs——《星际迷航》式的通用翻译器。Easy Dubs正在构建像《星际迷航》中那样的通用翻译器。想象你去日本但不会说日语，想和只说日语的人对话——Easy Dubs可以同时实时翻译，让你与说不同语言的人进行实时对话。

走出家门：深入行业一线发现痛点

ESS Health——牙医后台AI办公系统。这家公司花了一段时间转型寻找点子，其中一位创始人的母亲是经营自己牙医诊所的牙医。他去母亲诊所工作了一天，观察牙医诊所的运作方式，发现大量行政工作——处理保险、预授权等——都是可以用LLM自动化的常规流程。于是他们开始构建LLM驱动的牙医后台办公系统，效果非常好。

Gary指出这个故事有几个关键要素：一是利用家庭关系——YC大量十亿美元公司就是通过创始人的父母、叔叔、表兄弟或大学室友的人脉关系获得了进入行业的窗口。有时你发一千封冷邮件（Cold Email）可能一封回复都得不到，但一个你每年感恩节都会见到的人会给你接触的机会，而"接触"（Access）就是你需要的一切。

二是在AI时代，这种行业洞察的价值被大幅放大。五年前，为汽车贷款商或小型牙医诊所构建软件本身可能不是足够大的机会。但现在，用AI你可以替代年薪6万到8万美元的人力，软件的价值大幅提升。

三是亲自去现场——花一天时间在牙医诊所里当"墙上的苍蝇"（Fly on the Wall），任何能让你进入任何行业做这种观察的机会都是金子。

Happy Robot——货运物流AI代理。Happy Robot为卡车货运协调员构建AI代理。创始人并不来自货运行业——他们是西班牙人，是博士学生，与货运世界相距甚远。但他们非常善于社交、非常友好，让人想和他们做朋友，正是这种魅力帮助他们进入了这个行业。

卧底式创业点子发掘

医疗账单自动化公司——真正的"卧底"。Gary分享了一个更极端的例子。一位联合创始人实际上找了一份医疗账单员（Medical Biller）的远程工作，在一家纽约的医疗机构工作。他并没有透露自己正在使用或构建软件。他之所以这样做，是因为他想自动化医疗账单，但首先需要从内部理解它是如何运作的。他使用自己的电脑在本地构建AI代理，用Llama 3在两台MacBook Pro上替代自己工作——没有违反任何法律，因为这是他自己的电脑，使用Zoom等远程工作工具是合法的。Gary认为这是创始人完全可以做的事情——去不同行业做随机的工作，从内部学习它们。而且这类远程笔记本电脑工作正是LLM目前最擅长自动化的工作。

Gary还分享了一个技巧：去Indeed.com搜索关键词如"远程分析师"（Remote Analyst）、"远程文员"（Remote Clerk）等，看看人们正在招聘什么样的工作——有些可能是大多数人闻所未闻的奇怪岗位，这些都是AI可以自动化的目标。

Sweet Spot——政府合同AI平台。Sweet Spot进入YC时做的是塔可卡车的支付，完全随机。然后他们开始寻找新点子，有一位朋友的全职工作就是坐在电脑前不断刷新政府网站，查看哪些政府合同可供投标，每当发现与公司相关的投标就把链接粘贴到某个地方。他们意识到这完全可以被AI自动化。现在Sweet Spot已经成为一个AI驱动的政府合同采购平台——不仅帮用户找到投标机会，还生成所有投标文件、提供优化建议、帮助定价，全部打包在一起，增长极快。

Lilac Labs——得来速AI点单。Lilac Labs在自动化得来速（Drive-thru）餐厅的点单员。他们发现，美国很多得来速餐厅中，当你开车上去点单时，另一端听你点单并录入销售系统的人实际上住在世界另一端——因为这份原本由得来速现场员工做的工作，现在已经被外包到低工资国家的业务流程外包（BPO）中心。这个信号告诉他们：这是一个绝佳的AI自动化目标。Jared补充了一个重要原则：任何被外包到低工资国家的工作类别，都是当前时代值得构建创业公司的强烈信号。

Automat——AI原生的RPA。Diana分享了Automat的案例。UiPath是一家做机器人流程自动化（RPA）的上市公司，本质上是桌面自动化宏。但让UiPath上线需要大量工作，需要昂贵的认证顾问。Automat的创始人发现：如果构建一个真正好用的产品，真正实现RPA而无需昂贵顾问呢？他们曾是前谷歌员工，在Bard（现Gemini）发布前就获得了访问权限，在疫情期间及之前就已有大量AI构建经验，看到了这个方向的发展趋势。

在技术前沿生活与观察

Gary引用Paul Graham的名言："生活在前沿，注意缺失了什么"（Live at the edge and notice what's missing）。你处于发现优质AI创业点子的更好位置，如果你不断尝试最新技术并亲自在最新的大语言模型上消费和开发——因为你是第一批意识到新事物变得可能的人。同时，如果你身边的朋友也在前沿公司工作或自己推动前沿技术，那就更有价值了。

PreDB——从向量数据库同步到PG Vector。PreDB在YC期间转型寻找AI点子。他们的朋友把创业公司卖给了另一家创业公司，在Pinecone和向量数据库（Vector Database）越来越流行的时代，朋友告诉他们：最大的问题是PostgreSQL数据库和Pinecone之间缺乏高质量的实时同步。当PreDB深入后发现，PG Vector作为PostgreSQL相对较新的扩展，其实可以在PostgreSQL内部完成很多原本需要Pinecone才能做的事。他们开始推进PG Vector的极限，发现能复刻的功能远超预期。现在他们不仅有企业客户将其作为独立向量数据库的替代品，还替代了Elasticsearch，用于数据库中所有内容的搜索和语义搜索（Semantic Search）。

Reducto——PDF智能解析。Reducto因为在YC期间结识了很多在最前沿构建AI的创始人朋友，发现了一个有趣的问题：要让检索增强生成（RAG）应用运作良好，需要能够很好地提取文档分块（Chunking）。但这种问题只有在与最顶尖的构建者合作时才会发现。Reducto就是从PDF中提取完美分块和数据的产品。

PeopleGPT——LLM驱动的人才搜索。Jared分享了Juicebox/PeopleGPT的案例。创始人在2022年进入YC寻找点子，最终选择了一个自由职业者市场（Freelancer Marketplace），虽然没有什么特别的差异化，但他们自己做过自由职业，很兴奋，就开始构建。这个想法没有真正起飞，但在与雇佣自由职业者的公司合作过程中，随着LLM的发展，他们意识到招聘人员有真实的LLM驱动人才搜索需求，于是开始构建PeopleGPT——一个为招聘团队提供的极其高效的人员搜索工具，只需输入模糊提示就能给出所有理想候选人列表。他们从未当过招聘人员，但通过先发布一个产品而获得了专业洞察。

不要因竞争而退缩

Jared和Gary分享了GigML的案例。GigML最初申请YC时做的是帮助印度高中生申请美国大学的教育科技（EdTech）想法，然后转型为微调即服务（Fine-tuning as a Service），但无法建立可持续业务。在寻找垂直应用时，他们最兴奋的是客户支持（Customer Support）领域，但觉得这个领域非常拥挤。然而他们还是决定进入，专门聚焦于Zepto这家追求运营极致效率的配送公司。

Diana指出一个关键洞察：在AI时代，很多看似拥挤的领域实际上并不拥挤。虽然很多人声称自己有AI客户支持产品，但真正能用AI完全替代人类客户支持团队的产品，极少数能真正达到客户要求的水平。GigML的技术实力使他们能够交付其他人无法交付的东西，这让他们赢得了重大企业合同并开始雪球式增长。

保持乐观：AI时代的创业耐心

Gary总结道，许多最好的公司花了一年甚至更长时间才找到正确的点子，这在当前AI时代越来越正常。AI发展如此之快，每隔几个月就会出现一批新的可行点子。而且因为现在从事AI创业如此令人兴奋，团队在转型期间的士气储备（Morale Reserves）也更持久——既然你在做最前沿的AI创业，即使还没找到对的想法，为什么要放弃回到Google或学校呢？你的幸运突破可能就在拐角处。

结语

节目的核心信息是：你不能待在家里刷社交媒体。你要么深入内省，发现自己已经因为过往经历而站在了某个领域的最前沿；要么大胆走出家门，进入真实的企业和真实的人类问题中，从第一性原理（First Principles）理解世界运作的方式。只有这样，你才能用AI构建十亿美元的业务。