在研究了400家公司後，我發現了AI創業的真相

原文作者：Harshit Tyagi

原文標題：What I learned from looking at 400 AI-based Startups backed by YCombinator

翻譯：Gitee AI

如果你正為「如何構建一個成功機率更高的AI產品」而苦惱，這篇文章將幫助你找到答案。

YCombinator（YC）在發現和扶持成功初創公司方面的成就，在科技行業中首屈一指。他們的篩選機制持續發現並支援了許多顛覆行業的公司，因此 YC 的投資組合成為了觀察新興趨勢和技術的重要風向標。

鑑於人工智慧的變革潛力，以及對了解哪些型別的 AI 公司更受投資者青睞的好奇心，我決定分析 YC 支援的 AI 初創公司，希望找到答案：哪些行業的 AI 創新最為活躍？哪些 AI 應用型別更吸引投資？成功的 AI 創業者通常具備什麼樣的背景？

為了解決這些問題，我對 YC 2023 年和 2024 年冬季與夏季批次（譯者注：指 YC 每年定期舉辦的孵化專案週期） 中共 417 家 AI 公司進行了深入分析。這項研究旨在提供以下洞見：

AI初創公司的熱門行業與領域
AI顛覆的新機會領域
AI在區塊鏈、量子計算等新興技術中的應用
專注於AI安全性、可訪問性、可解釋性的公司
YC支援的AI創業者的常見特徵
如何藉助這些洞見找到你應該構建的AI產品

對於那些不瞭解的人來說，YCombinator（YC）是全球知名的創業加速器，致力於為早期創業公司提供種子資金、指導和資源，幫助它們實現成功。

YCombinator（YC）的運作方式：

YC 向每個被錄取的初創公司投資 50 萬美元，換取少量股權。
該為期三個月的專案中，旨在幫助初創公司大幅提升產品與使用者增長，同時增加後續融資的可能性。

資料收集

我從 YCombinator 的創業公司目錄中收集了資料，並篩選了 2023 年和 2024 年夏季及冬季批次的公司。

我對資料進行了清理，提取了公司標籤，並根據公司描述重新核對，以確定它們的主要類別。

我的資料中包含了 417 家公司，涵蓋了它們的描述、網址、標籤/類別、活躍創始人以及創始人的簡介。

⚠️ 宣告：報告中的某些部分是藉助大型語言模型生成的，資料僅為估算值。

當前 AI 創新的熱點在哪

以下是與 AI 結合最常見的行業領域：

醫療健康/生物科技：45家公司（10.8%），典型案例：Elythea（使用機器學習預防孕產婦死亡）
金融科技：38家公司（9.1%），典型案例：Arcimus（基於AI的保險費率審計）
開發者工具：37家公司（8.9%），典型案例：Sudocode（為開發者工具提供AI支援）
銷售/市場營銷：34家公司（8.2%），示例：MicaAI（簡化銷售流程）
教育：18家公司（4.3%），示例：Studdy（面向學生的AI導師）

toB 還是 toC

toB 公司：338家（81.1%）

典型案例：

GigaML：幫助企業在本地構建和部署大型語言模型（LLMs）。
Constructable：為施工團隊提供AI協作助手。
AiSDR：利用AI最佳化B2B公司的銷售流程。
Corgea：透過AI修復漏洞程式碼，提升企業資料安全。

toC 公司：79家（18.9%）

典型案例：

Rex：基於AI的健身與營養教練。
PocketPod：提供基於使用者興趣的AI生成播客。
Shortbread：類似“漫畫界的Netflix”服務。
Roame：利用AI進行旅行規劃與預訂的平臺。

結論

toB 占主導地位：81.1% 的 YC 支援的 AI 初創公司專注於企業解決方案，表明投資者對面向企業的 AI 應用更具信心。
toC 市場尚未飽和：僅 18.9% 的初創公司面向普通消費者，意味著面向消費者的創新型 AI 產品仍有很大潛力。
技術實力驅動行業重點：創始人中擁有強技術背景的比例高達 74.8%，這可能是 toB 重心及所解決 AI 問題型別的重要影響因素。

基礎設施還是應用

基礎設施公司：62家（14.9%）

典型案例：

Epsilla：提供10倍速的開源向量資料庫。
GigaML：幫助企業在本地構建和部署大型語言模型（LLMs）。

AI 應用公司：355家（85.1%）

典型案例：

Corgea：利用AI快速修復漏洞程式碼，提升企業資料安全。
Elythea：應用機器學習預防孕產婦死亡。

結論

應用為主：85.1%的公司專注於AI應用，14.9%的公司專注於基礎設施，說明市場更關注實際的行業AI解決方案。
基礎設施潛力：基礎設施公司數量較少，可能意味著在開發AI工具和平臺方面存在機會。
專業化趨勢：AI應用公司通常針對特定行業問題，而基礎設施公司則致力於提供通用型AI開發與部署工具。

AI 自動化還是 AI 輔助

AI 自動化 – 129家公司（30.9%）：

Ofone：自動化快餐店駕車點餐，簡化訂單流程並減少等待時間。
Respaid：現代化B2B收款平臺，自動化管理和追蹤未支付發票的過程。
RetailReady：自動化供應鏈合規，專注於倉庫運輸解決方案以提升物流運營。

AI 輔助 – 288家公司（69.1%）：

Constructable：為建築團隊提供AI協作助手，幫助簡化專案管理，減少因資料不準導致的損失。
RadMateAI：為放射科醫生提供AI助手，提升診斷準確性和效率。
Agentive：為審計員提供AI輔助工具，透過先進技術提升工作效率和效果。

雖然這些行業正在蓬勃發展，但其他一些行業卻落後於前：

未被AI顛覆的潛力行業

快速應用 AI 的行業：

醫療健康
金融
軟體開發
銷售/營銷

AI 應用滯後的行業：

製造業（4家公司，1%）
農業（3家公司，0.7%）
能源（4家公司，1%）
零售（5家公司，1.2%）

製造業、農業、能源和零售等行業仍然為 AI 的先行者提供了機會。

請注意，這僅代表遵循特定融資模式、聚焦方向以及 YC 工作人員和導師領域專業知識的 YC 初創公司，以上內容可能與這些行業的情況不完全一致。

塑造 AI 未來的技術趨勢

隨著AI滲透到各個行業，某些技術正引領潮流：

最常見的AI技術

生成式 AI：78家公司（18.7%）
機器學習：56家公司（13.4%）
自然語言處理（NLP）：47家公司（11.3%）
計算機視覺：18家公司（4.3%）

請注意，這些領域可能存在較多重疊，因為提到AI的公司可能同時在進行生成式AI、機器學習和自然語言處理這三項技術的工作。

開源還是私有？

開源：18家公司（4.3%）
私有：399家公司（95.7%）

開源典型案例：FlowiseAI（開源AI解決方案）

請注意，這僅代表 YC 的投資組合。許多公司是源自開源專案的。

邊緣 AI 還是雲端 AI

僅有2家公司（0.5%）明確提到邊緣AI，而絕大多數似乎是基於雲端的解決方案。

模型效率與降低計算資源

僅有5家公司（1.2%）明確提到專注於AI模型效率或降低計算資源。

即時 AI 應用

約46家公司（11%）提到或暗示在開發即時AI應用。

典型案例：Retell AI（即時AI驅動的語音代理）

多模態AI

約22家公司（5.3%）似乎正在開發多模態AI解決方案。

結論

生成式 AI 革命：18.7%的公司專注於生成式AI，我們正在見證AI能力的正規化轉變。這一趨勢預示著未來AI不僅能進行分析，還能創造，可能會改變從內容創作到藥物發現等各個行業。
雲端與邊緣的脫節：只有0.5%的公司專注於邊緣AI，當前AI發展與對即時、裝置端AI處理需求的日益增長之間存在明顯差距。這一差異可能是行業的盲點，忽視了物聯網、自動化系統和隱私保護AI等關鍵應用。

倫理、高效與易用性仍具潛力

隨著AI變得越來越強大，新的挑戰和機遇也隨之而來。在 417 家獲得 YC 支援的 AI 初創公司中，令人驚訝的是，只有少數公司在解決資料隱私、AI 倫理、可用性和公平性等關鍵問題。本部分將探討這些致力於解決這些基礎性問題的小眾公司，突出它們取得的進展以及在建立更負責任、更透明、更具包容性的AI系統方面仍然存在的巨大機遇。

資料隱私與安全

大約18家公司（4.3%）明確關注資料隱私和安全。

典型案例：Corgea——利用AI輕鬆快速修復易受攻擊的程式碼，增強企業資料安全和隱私。

隨著監管力度的增加，AI 初創公司有機會在資料隱私和安全領域發力。

AI 倫理和 AI 安全

僅有5家公司（1.2%）明確提到關注 AI 倫理或安全。

典型案例：Atla（構建具有保護機制的AI模型）

AI 易用性

大約28家公司（6.7%）專注於讓 AI 更易於非技術使用者使用。

典型案例：Creo（無需編碼即可使用AI構建內部工具）

可解釋AI/AI透明性

僅有3家公司（0.7%）明確提到致力於可解釋 AI 或 AI 透明性。

典型案例：

Atla：Atla專注於構建帶有保護機制的文字生成AI模型，旨在建立可靠且在各種應用場景中都能發揮作用的AI助手，尤其是在法律領域。
GuideLabs：Guide Labs開發可解釋的基礎模型，專注於AI和機器學習。
Sizeless：Sizeless專注於使機器學習可重複且安全。

可持續性或氣候技術

11家公司（2.6%）專注於可持續性或氣候技術。

例如：AetherEnergy（最佳化屋頂太陽能安裝的AI平臺）

AI偏差和公平性

僅有3家公司（0.7%）明確提到關注AI偏差和公平性。

小型團隊還是企業級解決方案

面向小型團隊：約 37 家公司（8.9%）
企業級解決方案：約 295 家公司（70.7%）

面向小型團隊應用案例：HostAI（為度假租賃提供 AI 驅動的作業系統）

結論

倫理缺失：僅有 1.2% 的初創公司專注於 AI 倫理和安全問題，表明 AI 的快速發展與其負責任的發展之間存在嚴重失衡。隨著 AI 在決策過程中越來越廣泛應用，這種顯著的代表性不足可能會導致重大的社會和監管挑戰。
透明度悖論：儘管對 AI 問責制的需求日益增加，但僅有 0.7% 的初創公司在解決可解釋 AI 問題。這一差距可能會在規模化應用中形成「黑箱」問題，進而削弱對 AI 系統的信任，阻礙其在醫療、金融等關鍵領域的採用。
普及化困境：雖然 6.7% 的初創公司致力於讓非技術使用者也能使用 AI，但這一比例表明，真正實現 AI 的普及仍然存在機遇缺失。AI 權力集中在技術精英手中，可能會加劇現有的數字鴻溝，限制 AI 在各個領域推動包容性創新的潛力。

新興技術中的 AI

在創新的前沿，少數初創公司正在開創 AI 與革命性技術的融合：

量子計算：2家公司（0.5%）
區塊鏈：3家公司（0.7%）

這一領域的先行者包括：

ConductorQuantum：利用量子計算解決超越經典 AI 能力的複雜問題。
Cedalio：將區塊鏈與 AI 相結合，增強資料完整性和去中心化智慧。

結論

潛力廣闊：這些領域的初創公司稀少（合計 1.2%），表明 AI 應用的廣闊未開發領域。
指數級影響：成功將 AI 與量子計算或區塊鏈結合，可能帶來密碼學、藥物發現和金融系統的突破。
高風險，高回報：儘管這些風險極大的技術挑戰，但它們代表著計算進步的前沿，可能會重塑整個 AI 領域。

創始人背景與技能

技術專長

超過 75% 的創始人具有強大的技術背景，通常包括計算機科學、軟體工程、人工智慧/機器學習和資料科學等領域。

特別是人工智慧及相關領域的技術專長似乎在 YC 獲得高度重視。

教育背景：

約 20% 的公司創始人畢業於知名學府，以下是他們的部分學校背景：

斯坦福大學
麻省理工學院（MIT）
哈佛大學
加利福尼亞大學伯克利分校（UC Berkeley）
其他頂尖高校

許多創始人擁有來自著名學府的強大學歷，尤其是那些具有計算機科學和工程專業背景的學府。

工作經驗

許多（約 25%）創始人曾在領先的科技公司工作過，包括：

谷歌
臉書（Meta）
亞馬遜
微軟
蘋果
LinkedIn

在頂尖科技公司工作經驗似乎是獲得 YC 投資的一大優勢。

創業經驗

約 15% 的創始人有過創業經驗，包括連續創業者，以及曾創辦或聯合創辦其他初創公司。

例如，Surbhi Sarna 是多家公司的創始人，包括 Olio Labs，曾創辦並出售過 nVision Medical 給 Boston Scientific。

YC 重視具有成功退出經驗的創業者，尤其是有過創業成功經驗的創始人。

請注意，即使你沒有就讀過頂尖學府或在大型科技公司工作過，展示出色的工作成果也能使你脫穎而出。例如，Artisan 的創始人 Jaspar Carmichael Jack 沒有顯赫的背景，但憑藉其卓越的工作成果獲得了認可。

學術研究背景

一些（約 8%）創始人來自學術研究領域，包括：

相關領域的博士
博士後研究員
大學教授

例如，Atla 的 Roman Engeler 持有人工智慧博士學位，並參與了多個機器學習專案。

具有強大學術研究背景，尤其是在人工智慧和機器學習領域，是 YC 所看重的。

聯合創始團隊的多樣化技能

許多（45%）初創公司由具備互補技能的聯合創始人組成：

技術創始人 + 商業/運營創始人
人工智慧專家 + 行業專家

例如，Arcimus 的創始團隊包括 AI 和軟體開發經驗豐富的 Hussein Syed 以及具有金融和保險背景的 Omar Dadabhoy。

YC 更青睞那些將技術專長與商業智慧或行業知識相結合的創始團隊。

行業變革者

許多（約 24%）創始人具有能顛覆傳統行業的背景，包括：

曾在其現在要顛覆的行業的大型公司工作過
對行業痛點有獨到見解的個人

例如，Tom Blomfield 曾參與多個 YC 公司，是 Monzo 的前 CEO，GoCardless 的聯合創始人。

YC 重視那些能夠為傳統行業帶來新視角和顛覆性創意的創始人。

如何為你的AI專案確立方向

Paul Graham提出，優秀工作的三個關鍵要素是天賦、深度興趣和施展空間。我們可以將這一框架應用於 AI 創業方向的選擇：

天賦

評估你的優勢。如果你有技術背景，那麼你與74.8%的YC AI創始人處於相同的起點。如果沒有，可以考慮與技術合夥人合作，形成互補型團隊。無論是技術能力還是非技術能力，你的天賦將是創業成功的基礎。

深度興趣

明確你感興趣的行業、領域或問題。你的熱情將支撐你克服創業路上的各種挑戰。可以關注醫療健康/生物科技（10.8%）、金融科技（9.1%）和開發者工具（8.9%）等高潛力領域，或者探索製造業（1%）和農業（0.7%）等尚未被充分開發的市場。你對所解決問題的深厚興趣將成為長期動力的關鍵。

施展空間

這是市場分析的重點。考慮進入主導市場的toB領域（81.1%），或嘗試競爭較少但挑戰更大的toC市場（18.9%）。探索資料隱私（4.3%）、AI倫理（1.2%）或可解釋性AI（0.7%）等存在明顯空白的關鍵問題。對於想要挑戰尖端技術的創業者來說，量子計算（0.5%）和區塊鏈（0.7%）提供了高風險、高回報的機會。關鍵在於找到AI能夠產生重大影響並有創新空間的領域。

最終結論

因此，如果你是一名有志於創立 AI 初創企業的創始人或技術開發者，我建議你：

專注於 toB 市場：鑑於 81.1% 的 YC 支援的 AI 初創公司瞄準企業客戶，考慮面向企業的解決方案，有助於提高獲得融資和成功的機率。
探索被忽視的領域：儘管醫療/生物科技（10.8%）、金融科技（9.1%）和開發者工具（8.9%）佔據主導地位，但製造業（1%）或農業（0.7%）等被忽視的領域也存在巨大機會。
優先組建技術型團隊：確保你的創始團隊中具備強大的技術人才，因為 74.8% 的 YC 支援的 AI 公司至少有一名技術背景深厚的創始人。
抓住生成式 AI 的熱潮：18.7% 的初創公司涉足生成式 AI 領域，這是當下的熱門方向。但你需要考慮如何透過創新應用脫穎而出。
關注 AI 倫理問題：僅有1.2%的初創公司關注 AI 倫理。這一明顯的空白為有前瞻性的創始人提供了重要機遇。