190家公司，4小時Demo Day，Y Combinator冬季批次把AI濃度拉到了新高度。但最扎眼的不是某個估值破億的獨角獸，而是一個叫ARC Prize Foundation的非營利組織——它混進(jìn)了一群要錢要增長的創(chuàng)業(yè)公司里，專門給AGI（通用人工智能）定考試標(biāo)準(zhǔn)。

這事有點像高考出題組突然宣布自己也要參加高考。OpenAI、Anthropic、Google DeepMind已經(jīng)在用它的基準(zhǔn)測試，英偉達(dá)CEO黃仁勛上個月剛放話"AGI已經(jīng)到來"，而這家基金會說：等等，我們先得有個尺子。

當(dāng)巨頭們搶著造神，有人選擇當(dāng)裁判

ARC Prize Foundation的核心產(chǎn)品是一系列測試題，用來衡量AI系統(tǒng)是不是真的具備了"通用智能"——不是背答案，而是像人類一樣解決從沒見過的問題。它靠辦比賽、發(fā)研究獎金活著，目標(biāo)是推動開源AGI研究。

YC歷史上極少接納非營利組織。這次破例，大概率是因為ARC的基準(zhǔn)測試已經(jīng)成了行業(yè)基礎(chǔ)設(shè)施。換句話說，當(dāng)所有人都在喊"AGI來了"，總得有個第三方站出來說：來沒來，測了算。

這個定位讓它避開了最直接的商業(yè)競爭，卻卡住了最關(guān)鍵的節(jié)點。AGI的進(jìn)度條怎么畫、誰畫、畫給誰看，本身就是權(quán)力。

人形機器人缺的不是電機，是"怎么像個人"

另一家叫Asimov的公司走了完全不同的路。它收集全球用戶上傳的視頻——普通人做日常動作、完成特定任務(wù)——然后把這些畫面轉(zhuǎn)化成訓(xùn)練數(shù)據(jù)集，賣給做人形機器人的公司。

機器人硬件這幾年卷瘋了。特斯拉Optimus、Figure AI、Agility Robotics，各家都在拼關(guān)節(jié)自由度、電池續(xù)航、成本控制。但Asimov盯的是更上游的瓶頸：機器人不知道怎么動才像人。

他們的邏輯很直接。與其讓工程師在實驗室里編排動作，不如讓全世界的人自己錄視頻。上傳者拿報酬，Asimov拿數(shù)據(jù)，機器人公司拿訓(xùn)練燃料。這個模式有點像早期ImageNet的路子——用眾包解決標(biāo)注難題，只是這次標(biāo)注的是人類身體的運動邏輯。

目前他們已經(jīng)積累了相當(dāng)規(guī)模的數(shù)據(jù)集，客戶包括幾家頭部人形機器人公司。具體名字沒公開，但Demo Day上透露"正在與多家量產(chǎn)前的廠商合作"。

法律、醫(yī)療、物流：AI正在啃硬骨頭

這批YC公司覆蓋了190個賽道切片，幾個方向值得單獨拎出來。

法律科技終于動了真格。有家公司專門處理合同中的"變更控制條款"——就是那些藏在幾十頁文件里、一旦觸發(fā)能讓項目成本翻倍的陷阱條款。過去靠初級律師肉眼篩查，現(xiàn)在用大語言模型（LLM，一種基于深度學(xué)習(xí)的文本生成技術(shù)）做第一輪過濾，準(zhǔn)確率標(biāo)注為"接近資深律師水平"。

醫(yī)療方向更激進(jìn)。一家做AI診斷的公司直接瞄準(zhǔn)罕見病，理由是"常見病卷不過大醫(yī)院，罕見病反而有數(shù)據(jù)優(yōu)勢"——患者社群長期沉淀的病歷和癥狀描述，成了訓(xùn)練模型的富礦。另一家公司用計算機視覺（CV，讓機器"看懂"圖像的技術(shù)）分析手術(shù)視頻，實時提示主刀醫(yī)生遺漏的步驟。

物流領(lǐng)域出現(xiàn)了一批"垂直優(yōu)化器"。不是做自動駕駛卡車那種大工程，而是盯具體環(huán)節(jié)：倉庫里怎么堆托盤能讓機械臂少轉(zhuǎn)半圈，跨境訂單的報關(guān)文件怎么自動生成還不被海關(guān)打回。這些問題的共同點是不性感，但客戶付費意愿極強。

YC的篩選邏輯變了

看完190家公司的簡介，一個明顯趨勢是：純模型層的新玩家?guī)缀踅^跡。沒有人在Demo Day上說"我們訓(xùn)練了一個比GPT-4更強的基座模型"，取而代之的是"我們用現(xiàn)有模型解決了X行業(yè)的Y問題"。

這既是算力成本的現(xiàn)實，也是競爭格局的成熟。OpenAI、Anthropic、Google、Meta把大模型的牌桌占滿了，創(chuàng)業(yè)公司再往里擠，邊際收益趨近于零。YC這批項目幾乎清一色是應(yīng)用層或基礎(chǔ)設(shè)施層——要么把AI塞進(jìn)具體 workflow，要么給AI的落地補全工具鏈。

ARC Prize Foundation和Asimov恰好代表了兩個極端：一個是定規(guī)則的元層，一個是啃數(shù)據(jù)的苦活層。它們都不直接面對C端用戶，但都可能成為其他公司的底層依賴。

這種"基礎(chǔ)設(shè)施化"的偏好，和YC早年的消費互聯(lián)網(wǎng)邏輯已經(jīng)大不相同。以前YC問的是"能不能快速獲取100萬用戶"，現(xiàn)在問的是"你的客戶會不會因為用了你而多賺或少賠多少錢"。

Demo Day的呈現(xiàn)形式也在變。今年沒有現(xiàn)場直播，媒體只能在每輪演講結(jié)束后20分鐘看到錄播視頻。YC官方解釋是"讓創(chuàng)始人專注于投資人而非鏡頭"，但客觀上也讓篩選和報道變得更困難——190段視頻，每段幾分鐘，純靠人工看完幾乎不可能。

我最后完整看了大概40家， skim了剩下的簡介。16家"最有趣"的篩選標(biāo)準(zhǔn)很主觀：要么是解決了真問題，要么是商業(yè)模式有巧勁，要么是在紅海里找到了沒人注意的縫隙。

ARC Prize Foundation屬于第三類。當(dāng)所有人都在造更快的車，它選擇修賽道、發(fā)駕照。這個角色的商業(yè)價值很難量化，但如果AGI真的在歷史節(jié)點上，它的測試成績會被寫進(jìn)教科書。

Asimov屬于第二類。人形機器人的硬件軍備競賽已經(jīng)白熱化，但數(shù)據(jù)層的暗戰(zhàn)才剛開始。誰掌握了"人類動作"的高質(zhì)量標(biāo)注，誰就能在機器人學(xué)會走路之前卡住供應(yīng)鏈的位置。

至于第一類——那些用AI修合同、看片子、排倉庫的公司——它們的共同點是都找到了一個"AI比人強一點點，但這一點點值很多錢"的場景。這個"一點點"的精度，往往決定了創(chuàng)業(yè)公司能不能從試點合同滾成年費客戶。

YC冬季批次的整體情緒是謹(jǐn)慎樂觀。沒有2023年那種"AI將改變一切"的集體亢奮，也沒有2024年的泡沫焦慮。190家公司里，大概有一半在講"降本"，三分之一在講"增收"，剩下的是"合規(guī)"和"安全"——包括ARC Prize Foundation那個略顯抽象的使命。

一個細(xì)節(jié)：Demo Day結(jié)束后，YC合伙人在內(nèi)部復(fù)盤里提到，這批公司的平均成立時間比往年更長。不再是兩個程序員車庫憋三個月就沖Demo Day，而是平均已經(jīng)跑了一年以上的產(chǎn)品驗證。錢更難融了，門檻自然抬高。

ARC Prize Foundation的負(fù)責(zé)人被問到"非營利組織怎么在YC生存"時，回答很直接：「我們不拿股權(quán)融資，但我們需要和產(chǎn)業(yè)建立連接。YC的校友網(wǎng)絡(luò)就是最好的接口?！?/p>

這個回答本身也是一種篩選機制。當(dāng)一家組織明確知道自己不要什么，它往往更清楚自己要什么。

190家公司里，有多少能在三年后還活著？YC的歷史數(shù)據(jù)是大概15%能走到B輪。但ARC Prize Foundation可能根本不在乎這個指標(biāo)——它的成功標(biāo)準(zhǔn)是"AGI到來時，我們的測試被引用次數(shù)"，而不是估值倍數(shù)。

如果黃仁勛是對的，AGI已經(jīng)來了，那ARC的基準(zhǔn)測試現(xiàn)在就該派上用場。如果他還說早了，那ARC的工作就是記錄這段"即將到達(dá)"的歷史距離。無論哪種情況，它都站在了一個有趣的位置上：不造神，只量神有多高。

至于那些用量子計算優(yōu)化物流路線、用多模態(tài)模型分析手術(shù)視頻的公司，它們的故事更樸素——在AI掀起的巨浪里，找到自己的那一瓢水，然后想辦法讓它變成現(xiàn)金流。

YC Demo Day的本質(zhì)從來不是預(yù)測未來，而是把當(dāng)下最焦慮的那批創(chuàng)業(yè)者集中展示給你看。今年這批人的焦慮很具體：模型不是壁壘，場景才是；融資不是終點，客戶付費才是；AGI不是口號，能過ARC測試的分?jǐn)?shù)才是。

最后一個問題留給讀者：如果AGI真的到來，你希望它是由一家公司的產(chǎn)品定義，還是由一套公開的測試標(biāo)準(zhǔn)定義？ARC Prize Foundation賭的是后者，而它的對手不是某家創(chuàng)業(yè)公司，是整個 industry's 默認(rèn)習(xí)慣。