YC 最科幻的一届：AI 创业开始从模型走向电力、芯片和机器人

刚结束的 YC Summer 2026 Demo Day，出现了一批和过去几年不太一样的公司。

TechCrunch 每一届 Demo Day 后都会询问早期投资人，哪些项目是这一批最想投、讨论最多的公司。这一次被至少两位投资人同时提到的 9 家公司里，很难再找到过去几年 YC 熟悉的 SaaS、Copilot 或垂直 Agent 队形。

相反，一家公司准备把数据中心搬到海上，用海水散热，最终接入核能；一家公司在做 AI 数据中心里的光交换，希望数据从 GPU 到 GPU 的过程中尽量不要再从光转成电；还有公司准备把模型权重直接做进芯片。

再往外走，是一批机器人公司。有人在全球不同工作环境里采集人类劳动数据，有人把一台可以叠衣服、整理房间的机器人卖到 2000 美元以下，还有人直接让 LLM 给机器人写控制代码。最远的一家公司已经开始培养人类脑细胞，让神经元完成简单的 next-token prediction。

一位投资人的评价是，这一届的技术看起来“像科幻小说”。有意思的是，投资人同时认为，这批公司的估值反而比前几届实在了不少。

▍AI 越聪明，物理瓶颈越多

Atomarine 是这一批里最容易让人记住的公司之一。它想把数据中心装上驳船，放到海上。这家公司并不是单纯为了做一种新奇的数据中心形态。

陆地上的 AI 数据中心继续扩张以后，越来越多问题已经不是多买几张 GPU 可以解决的：土地、电网接入、冷却用水和当地社区对大型数据中心的接受程度，都在影响一个新项目最终能不能建起来。

Atomarine 的办法是把其中几个问题一起绕过去。计算设施放在海上的驳船里，能源系统相对独立，海水又可以承担冷却功能。

据了解，公司计划 2028 年先上线天然气版本，2032 年再转向核动力船。两位创始人的背景也非常贴着这个问题，一位来自 MIT 计算机、机械工程和船舶相关方向，另一位拥有 MIT 核工程博士背景。

它现在当然还远没有走到证明商业模式的阶段。但外媒披露的一个数字解释了为什么投资人已经开始追逐它：Atomarine 声称通过 LOI 获得了超过 40 亿美元的客户意向，这也让它成为这一届 YC 估值最高的项目之一。

这个数字更适合理解成需求信号，而不是收入。距离 2028 年的第一个天然气项目还有两年，核能版本则更远，工程建设、监管、海上运营都没有真正经过规模验证。

一家还没有正式交付产品的创业公司能够获得如此大的意向需求，本身反映的其实是另一件事：算力行业现在缺的已经不只是 GPU，而是一整套可以把 GPU 放进去并持续运行的物理条件。

顺着 Atomarine 的数据中心继续往里面走，很快又会碰到另一个问题。GPU 很贵，但昂贵的 GPU 并不是每一秒都在计算。一个拥有数千甚至数万张 GPU 的集群里，芯片需要持续交换数据，当数据移动跟不上计算速度，GPU 就只能等待。

Dipole Labs 把这个问题概括得很直接：世界上一些最昂贵的计算机，有相当多时间实际上花在等数据。

今天数据在数据中心里已经大量通过光纤传输，但进入交换环节之后，往往还要从光信号转换成电信号，处理完成后再重新变成光。转换不仅需要设备，也意味着功耗和热量。

Dipole Labs 做的 Optical Circuit Switch，希望把其中一部分过程直接留在光域里完成，再通过 AI 控制层学习 GPU 之间的通信模式，动态调整光交换网络。

按照公司的测算，一个拥有 10000 张 GPU 的集群，在不增加 GPU 的情况下，最终可以获得接近 12500 张 GPU 的有效计算能力。放到 1 GW 级别的数据中心，公司估算对应的额外计算价值最高可以达到每年约 10 亿美元。

这些目前仍然是公司给出的目标值，但经济逻辑已经发生变化。以前网络设备更多是一项数据中心成本，现在 GPU 单卡价值和整个集群的资本开支足够高以后，只要一种网络设备能让已有 GPU 多工作几个百分点，这几个百分点本身就可能价值数亿美元。

GPU 越贵，围绕 GPU“减少等待”的生意就越值钱。这也是这一轮 AI 基础设施创业和传统数据中心产业比较不同的地方。过去芯片、网络、电力、冷却是相对独立的产业链，现在它们开始被同一个指标重新连接起来：最终能交付多少有效 token，或者说，投入一美元资本和一瓦电力以后，到底能够获得多少真正可用的计算。

另一个项目 Lamb Labs 则把这个问题往芯片内部推了一层。现在的大模型推理需要频繁从内存读取模型权重，这也是 HBM 在这一轮 AI 基础设施周期里越来越重要的原因之一。计算速度继续增加以后，数据能不能足够快地送到计算单元，开始和计算本身一样重要。

Lamb Labs 的办法有点极端：既然读取模型权重这么费电、费时间，那就不要读了。

它把自己的芯片叫 Model Processing Unit，也就是 MPU。与通用 GPU 不同，MPU 准备直接把模型权重固化进硅片，让模型成为芯片的一部分。公司自己用一句话概括：The model is the chip。

团队已经在一块约 250 美元的 Kria KV260 FPGA 上做过实验，把一个不到 500 万参数的小模型完整放进片上内存，在 token loop 中不读取 DRAM，做到大约每秒 12000 次 token step。下一步才是真正做 ASIC，公司最终希望达到超过 20000 tokens/s，以及相较现有 AI 加速器高出 63 倍的 intelligence per watt。

现在距离这个目标显然还有很长距离。几百万参数的实验模型和真正部署的大模型之间存在几个数量级的差距，更现实的问题是，模型半年甚至几个月就可能发生一次明显变化，而芯片从设计到流片不可能以同样速度迭代。

但 Lamb Labs 值得看的地方也正在这里。它其实在押注一个很多 AI 芯片公司都会遇到的问题：当推理规模足够大以后，模型会不会像过去挖矿一样，从通用计算逐渐走向专用计算。

早期 Bitcoin 可以用 CPU 挖，后来 GPU 更有效率，再后来大规模计算几乎完全交给 ASIC。AI 现在还处于模型架构高速变化的阶段，GPU 的通用性因此非常重要。但如果未来某些模型、架构或者推理任务逐渐稳定下来，为一个足够庞大的工作负载定制芯片，经济账就可能重新成立。

Atomarine、Dipole Labs 和 Lamb Labs 看起来分别在做海上能源、光通信和芯片，实际上是在同一条链条上寻找利润：模型越大，计算越多；计算越多，GPU 集群越大；GPU 越多，网络、电力和冷却越重要；资本开支越来越高以后，提高整个系统利用率的每一个百分点都会越来越值钱。

AI 创业因此开始从“制造更多计算”，慢慢进入“怎样不浪费计算”。

▍机器人缺的不是一个零件

类似的变化正在机器人领域发生，只不过这里最稀缺的东西从电和带宽变成了数据。

一个人怎样把箱子从货架上拿下来，怎样整理酒店房间，怎样拿起形状不同的工具，手腕旋转了多少度，接触物体时用了多大力，这些真正和物理操作有关的信息大量存在于现实世界，却没有天然变成结构化训练数据。

Praxis AI 做的事情因此看起来不像传统意义上的机器人公司。它不造机器人，而是去找正在工作的人。

公司与企业合作，把工厂、仓库和其他工作环境中人类完成任务的过程记录下来，再加工成机器人公司可以使用的训练数据。除了第一视角视频，还可以同步采集 stereo RGB、IMU、腕部摄像头、手套运动学和触觉等信息，再完成姿态追踪、同步、QA 和隐私处理。

Praxis 披露，它已经进入超过 150 种真实环境，可以触达约 60000 名工作人员，并已经与上市公司合作。

这背后对应的是机器人行业一个越来越现实的问题。模型公司可以购买 GPU，机器人公司也可以买电机、减速器和摄像头，但真实世界数据不是一种可以在服务器上自动生产出来的资源。

如果未来同时出现几十家机器人基础模型公司，它们未必都需要自己雇几千个人遥操作机器人。像 Praxis 这样的公司想做的，本质上就是把“人类劳动”变成一种可以规模生产的数据原料。

Nori 则走了另一条路。公司最近推出的双臂移动机器人售价约 1688 美元，拥有 19 个自由度，每只手臂负载约 1.5 kg，搭载摄像头、LiDAR 和 Raspberry Pi 5，可以做整理房间、补货、叠衣服等任务，也可以通过电脑控制。

与目前大量数万美元的人形机器人相比，这个价格显得非常低。上线大约 6 周后，公司已经实现接近 50 万美元销售额。

但 Nori 真正有意思的并不是做了一台“便宜机器人”。创始人此前在 Columbia 做机器人研究时发现，一个实验室可能只有一两台昂贵机器人。硬件数量少，研究人员能够获得的实验时间就少，部署场景更少，最终又回到数据不足的问题。

于是他连续迭代了 7 个版本，把机器人价格不断压低。这个逻辑和智能手机早期有一点相似：硬件价格下降并不只意味着更多人可以买，它还意味着网络里会出现更多终端。对于机器人来说，每一台进入真实家庭、实验室或者企业的设备，又可能成为一个新的数据节点。

所以 Praxis 和 Nori 虽然一家卖数据、一家卖机器人，实际在回答同一个问题。Praxis 是先找到几十万正在工作的人，把他们的行为变成机器人的训练集；Nori 则希望先把机器人做便宜，让更多机器人进入真实环境，再从部署中产生数据。

机器人真正的飞轮，可能不是“模型更强—机器人更聪明”这么简单，而是“硬件更便宜—部署更多—数据更多—模型更好—机器人更有用—部署继续增加”。

这也解释了为什么低价硬件本身可能成为一种 AI 策略。

Cosmic Robotics 则已经越过了“机器人到底能不能干活”这一步，直接把设备放进太阳能施工现场。

这家公司长期讲的是一个很大的故事：最终用机器人帮助人类在火星建设城市。但现在支撑它的并不是火星，而是美国地面上的太阳能项目。Cosmic-1 已经参与数万块太阳能板的安装，公司称机器人让部分施工环节的劳动生产率提高了一倍以上，同时已经拿到持续到 2027 年、总额约 2500 万美元的合同。

从太阳能施工切进去其实比“通用人形机器人”朴素很多。太阳能板尺寸相对标准，安装动作重复，物体又足够重，本来就是机器相对于人工更容易体现经济价值的地方。

这代表机器人商业化的另一种路线：不急着证明机器人像人，而是先证明机器人比人在某一件具体工作上更划算。

等机器人真正进入这些工作环境以后，新的问题才会出现——每一种机器人都需要重新写控制软件吗？

Waddle Labs 想解决的正是这一层。它把自己称为“Claude Code for robotics”。开发者接入机器人以后，可以直接用自然语言告诉系统要做什么，LLM Agent 再拆解任务、生成控制代码、执行并检查结果。如果没有成功，Agent 可以继续修改代码。公司希望把一台新机器人从接入到开始执行任务的时间压到大约 20 分钟。

这和机器人基础模型目前主流的数据路线并不完全一样。后者通常希望从遥操作、视频或者机器人轨迹里训练出动作能力，Waddle 更相信已经非常强的 LLM 可以直接参与机器人软件的生成。

它实际上把过去两年 coding Agent 的逻辑搬到了机器人身上。以前工程师告诉 Claude Code“给这个网页增加一个登录页面”，Agent 阅读代码库、写代码、运行、检查错误；Waddle 希望未来工程师告诉机器人“把这些东西放到架子上”，Agent 阅读机器人 API 和环境信息，然后自己生成能够执行的控制程序。

如果这条路线能走通，一个很重要的变化是，机器人软件迭代速度可以部分继承通用大模型的进步。每一次更强的 reasoning 和 coding model 发布，都可能直接提高机器人写代码、调试和规划任务的能力，而不是所有能力都依赖重新收集机器人数据。

于是这一届 YC 的几个机器人项目放到一起，出现了一张比单独看任何一家都更完整的图，没有一家直接声称自己要做“机器人的 GPT”，却都在补齐机器人 GPT 真正出现之前需要的东西。

▍Deep Tech 又回到了创业公司的牌桌

这一批里最极端的项目可能还是 Parasma。它没有继续寻找更节能的硅，而是直接培养人类神经元。

创始人 Sean Cole 此前曾参与让培养的人类神经元学习玩 Doom，Parasma 最近进一步尝试让这些细胞完成简化的 next-token prediction。实验里，文本上下文被编码成电刺激输入神经元，再读取神经元活动并解码成 token。公司称，在它设计的实验任务中，神经元可以做到约 90％ 的下一 token 决策准确率。

这距离真正意义上的 AI 计算还有非常远的距离，甚至“怎样定义和衡量这种生物计算的有效计算能力”本身都还需要研究。

据悉，Parasma 目前只有一个很小的团队，却已经为负责 biological substrates 训练路线的 founding scientist 开出最高 100 万美元薪酬和 1％—3％ 股权。

但把它和 Atomarine、Lamb Labs 放在一起，会发现这些看起来最科幻的 YC 项目其实有一个共同特点。

它们并不是因为出现了一项成熟技术，所以寻找商业场景，而是因为一个已经非常大的市场碰到了物理限制，于是有人开始尝试过去看起来没有必要的技术路线。

这可能也是这一届 YC 比“Deep Tech 变多了”更值得看的变化。

过去三年，AI 创业最重要的问题一直是“模型又会什么了”。这也是应用层创业最繁荣的时期：每一次模型能力跃迁，都可以迅速长出一批新的产品。

YC S26 被硅谷投资人反复提到的这些公司，则开始回答另一组问题：模型已经越来越强以后，电从哪里来，数据怎么传，模型怎么装进芯片，机器人从哪里学习现实世界，硬件怎样足够便宜地铺出去。

这不是 AI 热潮离开了软件，而是它开始沿着软件产生的需求，一层层向物理世界传导。

当模型能力越来越容易通过 API 获得，创业公司真正稀缺的东西，也开始重新变成那些无法通过 API 获得的东西：能源、芯片、光学器件、机器人、真实世界数据，以及把它们规模化制造和部署出来的能力。

✦精选内容✦