YC 公布 2027 年新創投資方向：點名資料中心供應鏈、太空經濟與算力金融

矽谷知名新創加速器 Y Combinator（YC）公布 Winter 2027 最新一期「Requests for Startups」（RFS），提出 11 項希望創業者投入的領域。與過去聚焦大型語言模型、AI Agent 及軟體應用不同，AI 下一階段的發展瓶頸，已逐漸從模型能力本身，轉向實體硬體、供應鏈、融資體系與專業產業應用。

AI 資料中心供應鏈，GPU 之外還有更多瓶頸

YC 認為，美國正在展開歷史上規模最大的資本密集型基礎設施建設。Jared Friedman 將 AI 資料中心投資描述為規模超越美國鐵路、高速公路與曼哈頓計畫總和的工程。

目前市場最熟悉的瓶頸是 NVIDIA GPU、供電能力與電工短缺，但 Friedman 特別點出幾項鮮少被一般投資人關注的供應鏈問題。首先是大型電力變壓器。YC 指出，部分大型變壓器的交貨期已長達三年，意味著即使資料中心業者已經取得 GPU、土地與建築許可，仍可能因為電力設備無法到位，而延遲整個專案啟用。

其次是開關設備（Switchgear）、斷路器（Circuit Breakers）與液冷設備。隨著 AI 伺服器機櫃功率密度提高，資料中心對高規格配電與散熱系統的依賴也同步上升。尤其液冷系統已逐漸從部分高效能運算環境，擴展至新一代高功率 AI 叢集。

更上游的瓶頸則是方向性電磁鋼片（Grain-Oriented Electrical Steel，GOES）。這種特殊鋼材主要用於變壓器鐵芯，能夠降低磁滯損失及能量耗散。YC 指出，美國國內具備相關生產能力的工廠數量極少，形成供應鏈集中風險。

對台灣而言，這個方向尤其值得關注。台灣擁有成熟的伺服器、電源供應器、散熱與電子零組件供應鏈，AI 投資延伸至電力及機電設備，可能使相關廠商受惠。

為 GPU、機器人建立新一代華爾街金融市場

如果說 AI 資料中心供應鏈的問題是設備不夠，那麼第二項提案所要解決的，就是誰來支付這些設備的建造成本。YC 合夥人 Brad Flora 認為，傳統軟體新創可以依靠相對少量的資金啟動業務，但 AI 資料中心、GPU 叢集與工業機器人需要在產生收入前，先投入龐大的硬體資本支出。

這形成了一個問題：金融市場尚未建立適合這類新興 AI 實體資產的完整融資及風險管理工具。傳統銀行可能將機器人視為堆高機等一般機械設備，依照設備殘值、折舊及借款人信用進行放款。

但如果一台機器人每年能夠創造 50 萬美元收入，真正決定其融資價值的因素，就不只是硬體本身的二手價格，還包括稼動率、服務合約、軟體能力與未來現金流。

YC 觀察到，部分創業者已經開始自行開發相應金融工具，例如專門以機器人營運收益提供貸款的機構，以及針對 GPU 算力容量設計的賣權（Put Options）。

後者特別值得關注。GPU 算力正在成為一種具有時間、地點、效能規格與供需波動特性的可交易資源。當企業簽署長期算力採購合約時，可能面臨未來 GPU 租賃價格下降、設備折舊或需求低於預期等風險。

若能建立成熟的算力衍生品市場，相關企業就有機會透過選擇權與其他金融工具管理這些風險。YC 希望投資的創業方向，包括專業放款機構、設備租賃平台、資產證券化及避險工具。

具體而言，未來可能出現將 GPU 租賃合約所產生的現金流，打包成金融商品出售給機構投資人的公司，也可能有專門評估機器人營運收入的信用評分系統。

這與過去鐵路、電力、電信產業發展初期的歷史相似。當實體基礎設施需要大量前期資本時，往往會伴隨專門提供資本、承擔風險及創造流動性的金融企業。這個方向也可能與代幣化資產（RWA）產生交集。例如將算力收益權、設備租賃應收帳款或基礎設施債權代幣化，理論上有助於改善資產分割與交易效率。

(Pantera：AI 算力市場可能複製石油、電力金融化之路，輝達會成為算力央行)

美國機器人製造，從零件開始重建供應鏈

隨著機器人基礎模型持續進步，AI 正在讓機器人從執行固定指令的自動化設備，演變為能夠學習並適應不同任務的通用機器。YC 合夥人 Diana Hu 認為，當機器人模型開始具備跨平台轉移技能的能力，產業的主要限制將逐漸轉向實體硬體。她引用的數據指出，美國 2025 年安裝約 38,400 台工業機器人，年增 12%，但美國仍高度依賴日本、歐洲及中國的機器人與關鍵零組件。

其中最關鍵的供應鏈集中風險之一，就是稀土磁鐵。YC 指出，中國在 2024 年生產了全球約 94% 的燒結稀土磁鐵。當中國在 2025 年 4 月實施相關出口限制後，部分汽車製造商甚至被迫削減產量。即使機器人最終在美國完成組裝，其馬達、磁鐵、減速器或感測器仍可能高度依賴海外供應。

Diana Hu 也指出，美國聯邦通訊委員會（FCC）在 2026 年 7 月針對聯網移動機器人提出新的設備授權限制，並涉及本土零組件占比要求。根據 YC 的描述，相關本土化門檻為零組件成本超過 65%，並將在 2029 年提高至 75%。這些具體法規門檻仍應以 FCC 正式規則及適用範圍為準。

因此，YC 希望創業者建立的不是單純的機器人品牌，而是涵蓋整條供應鏈的本土製造能力。其點名的關鍵零組件包括稀土磁鐵、馬達、諧波減速器（Strain-Wave Gears）、編碼器（Encoders）、力感測器（Force Sensors）、機器手爪（Grippers）、晶片、電池模組，以及生產這些零件的機械設備。

其中，諧波減速器對機器人關節尤其重要，因為它能在相對緊湊的空間提供高減速比與精密傳動。力感測器則讓機器人在抓取物體、接觸環境或執行精密組裝時，可以判斷施力大小。

從商業模式來看，機器人新創未必需要製造整台人形機器人。專注單一高價值零件、製程設備或品質控制系統，也可能形成具備競爭力的企業。

企業不該永遠向 OpenAI 租用智慧，而應擁有自己的 AI 模型

多數企業雖然正在使用 AI，但實際上並不擁有支撐核心業務的智慧能力。目前最常見的做法，是企業透過 OpenAI、Anthropic 等模型供應商提供的 API，將資料輸入外部模型，再按照 Token 使用量支付費用。

Jon Xu 將這種模式形容為「租用智慧」。在大型 AI 實驗室的模型能力遠遠領先開放模型時，這種做法具有合理性。企業不需要負擔模型訓練、維運及研究成本，就能取得市場上最先進的模型能力。

但 YC 認為，隨著開放權重模型在部分重要評測中逐漸接近頂尖閉源模型，企業開始有機會重新思考這種依賴關係。尤其當 AI 不再只是輔助員工撰寫郵件、整理文件，而是直接參與企業的營運決策、交易處理與關鍵工作流程時，依賴外部模型供應商就可能成為一種商業風險。

例如，一家金融機構若將內部研究、風控及法遵流程建立在單一外部模型 API 上，就可能面臨定價變動、模型更新、資料治理以及服務中斷等問題。

YC 預期，越來越多企業將希望自行掌握模型，包括使用自有資料改善模型、選擇部署環境，以及決定何時更新底層系統。不過下載一個開放權重模型，不等於真正擁有能持續改善的企業智慧。YC 認為，創業機會存在於協助企業建立完整的模型改善循環：

1. 企業內部工作流程與專業知識：交易紀錄、業務決策、專業文件、歷史案例。
2. 建構訓練資料與評估系統（Evals）：將業務成果轉化成可衡量的模型表現。
3. 微調、部署與運行企業專屬模型：以成本、準確率及資料控制為目標。
4. 收集失敗案例與持續改善：持續評估，將改善成果延續到下一代模型。

這類企業所提供的服務，可能包含企業專屬模型訓練平台、資料標註系統、模型評估平台，以及自動化微調與版本管理工具。

但這不意味著每家企業都應自行訓練基礎模型。對多數公司而言，較可行的模式可能是採用現有開放權重模型，再透過專業資料、微調及工具整合，建立差異化能力。

YC 也承認，企業仍可能在最困難的問題上租用頂尖模型，但同時擁有處理日常專業工作的自有模型。AI 價值可能從單純的模型 API，逐步延伸至企業獨有的資料、評估方法與工作流程。

讓銀行、國防與核電廠在不連網環境使用 AI

大多數生成式 AI 產品都假設使用者可以連上網路，將請求傳送至雲端模型。但對於高度敏感的產業而言，這種架構可能根本無法被接受。Brad Flora 指出，全球最具價值的部分資料並不存放於公共雲端，而是被保存在國防承包商、銀行、醫院與核能設施的內部系統中。

這些機構可能受到資安、法規、機密管理及內部治理規範限制，無法將敏感資料直接傳送到外部 AI 供應商。即使企業認為某款 AI 產品非常有價值，最後仍可能要求供應商將整套服務部署在自己的建築物或資料中心內，甚至完全不允許對外連線。YC 希望創業者解決的，就是如何讓先進 AI 在這種環境中運作。

這涉及的不只是將模型下載到本地伺服器，而是一整套 AI 基礎設施問題。首先是本地模型部署（On-Premises AI）。企業需要能在自有伺服器上運行的模型、推論引擎與運算設備，而且不能依賴外部 API 才能完成核心工作。

其次是模型更新與維護。當環境無法直接連接網路，模型權重、軟體套件及資安修補程式就必須透過受控方式匯入，同時防止供應鏈攻擊。

第三是資安認證與稽核。企業需要確保模型的權限管理、操作紀錄、資料隔離與輸出行為，符合相關產業規範。最後則是硬體。部分機構可能沒有大型 GPU 叢集，因此更需要低功耗、高效率的推論設備及模型壓縮技術。

潛在的創業方向包括離線 AI Agent 平台、私有化模型部署系統、機密環境的 AI 開發工具，以及面向國防或醫療市場的整合式 AI 設備。

這些公司的銷售週期可能較長，因為客戶通常需要額外的資安驗證、採購審查及系統整合工作。但 YC 認為，這反而可能形成較高的競爭門檻。當一家供應商完成繁複的合規與部署流程，並深度整合客戶內部系統後，客戶轉換供應商的成本也可能提高。

值得區分的是，這個方向與前述「Own Your Intelligence」存在差異：前者強調企業對模型及改善能力的所有權，這裡則強調 AI 能否在高安全性、離線及受控的環境中正常運作。兩者可以結合，但解決的是不同問題。

不再追求最大的模型，而是打造專業領域的高效基礎模型

目前大型 AI 實驗室主要競爭的是通用模型能力，包括程式設計、數學推理、自然語言與多模態理解。但 YC 認為，在製造、能源及生物科技等專業領域，最強大的通用語言模型未必是最有效率的解決方案。

Diana Hu 提出「Vertical Foundation Models」，也就是專門針對特定產業資料、任務及決策需求開發的基礎模型。這與一般在通用 LLM 上加入產業文件的 RAG 系統並不相同。YC 尋找的是具備專業資料表徵與跨任務泛化能力的模型，而不是單純的產業聊天機器人。

她舉出兩個技術案例。首先是 Jev。YC 認為，這類模型值得注意的地方，在於它不只是產生自然語言，而是可以直接輸出具有明確型別的決策結果及其機率，不必為每項任務另外訓練一個分類器。

另一個案例是 Google 的 TimesFM-3。根據 YC 的介紹，TimesFM-3 是一款約 3.3 億參數的時間序列基礎模型，能夠同時預測相關時間序列，而且不需要針對每個新任務重新進行專門微調，就可以利用使用者提供的歷史資料執行預測。

這些特性對工業應用尤其重要。工廠需要預測機械設備何時故障、電力公司需要預測負載變化、半導體廠需要評估生產良率，這些任務的輸出通常是數值、機率、分類或控制決策，而不是一段流暢的文字。

如果模型能夠在這些任務上達到更高準確率，同時將推論運算需求降低數個數量級，就有機會直接部署在大量設備與企業系統中。YC 提出的技術要求相當明確：專業模型必須在準確度上達到或超越通用模型，同時大幅降低推論成本。

然而，真正困難的地方在於資料與驗證。製造業、能源及生物科技擁有大量高度專業化的資料，但這些資料往往分散在不同企業內部，還涉及商業機密、實驗成本及授權問題。即使能取得資料，也不代表容易建立模型訓練所需的獎勵或正確答案。例如，模型推薦的製造參數是否真正改善良率，可能需要實際生產測試才能驗證。

LLMs That Write Well：AI 程式能力越強，文字反而越像機器人？

Jared Friedman 認為，隨著大型語言模型的程式設計與數學推理能力持續改善，其自然語言寫作能力反而出現某種程度的退化。相較於 2024 年及 2025 年的部分模型，如今的模型文字似乎更制式、更缺乏自然語感，甚至呈現高度類似的表達風格。

Friedman 的推測是，這不一定只是暫時性的模型品質問題，而可能與大型模型的訓練目標有關。程式設計與數學任務通常存在相對明確的正確答案，例如程式是否通過測試、數學結果是否符合標準答案，這使它們容易透過可驗證獎勵進行強化學習。

但優秀寫作往往沒有單一正確答案。好的文字可能依賴語氣、節奏、情緒、敘事結構、個人風格以及讀者的文化背景。這些特質很難透過簡單的二元評分衡量。Friedman 認為，當模型實驗室持續加強程式設計、推理及 Agent 工作流程時，部分訓練訊號可能同時削弱模型的寫作風格。

YC 看見的機會，是打造專門重視寫作品質及互動感受的語言模型。未來可能有模型專門針對小說、新聞報導、廣告文案或人際對話進行最佳化，不只追求資訊正確，也重視表達方式是否自然、具有辨識度。

在技術層面，這可能需要重新設計寫作偏好資料集、人工評測、風格評估及訓練獎勵，而不是只增加通用模型的參數。從商業模式來看，這類公司可以面向作家、出版商、媒體、品牌及消費者，提供更具特色的寫作或對話模型。

真正的挑戰在於如何建立可量化的競爭優勢。假如新創只是提供另一個以 Prompt 調整風格的聊天介面，仍可能被大型模型供應商迅速複製。但如果它能夠透過長期累積的編輯偏好、專業語料及獨特的模型訓練方法，持續產生更優質的文字，就可能形成與通用模型不同的產品定位。

AI 不只是取代員工，而是讓時薪 15 美元的工作者具備專家能力

當多數人討論 AI 對就業市場的影響時，最常見的論述是 AI 將取代大量白領工作。但 Brad Flora 提出了相反的觀點：AI 可能讓沒有傳統專業資格的一般工作者，也能參與過去只有高薪專家可以完成的複雜工作。

這項提案的名稱「The $15-an-Hour Expert」，指的就是透過 AI，讓原本從事一般行政或客服工作的員工，具備更高價值的專業服務能力。

Brad Flora 觀察到，已有部分公司開始聘用聰明、學習能力強，但沒有正式專業證照的員工，並透過 AI 系統提供專業知識與工作指引。

一名熟悉 AI 工具的優秀客服人員，未來可能協助處理企業併購、供應鏈最佳化或國際貿易等複雜問題。這裡的重點並不是讓 AI 自動完成所有工作，而是建立一種人機協作的專業服務模式。

傳統專業服務通常需要投入大量時間培訓員工，或者聘請已經具備法律、金融及醫療專業知識的人才。但如果 AI 能夠協助一般員工理解文件、查詢法規、分析資料並產生處理建議，這些員工就有可能在特定工作範圍內，完成過去需要專家才能執行的流程。

YC 特別點名幾個潛在市場，包括政府福利申請、稅務處理、保險理賠、醫療帳單與移民文件。以移民服務為例，申請人往往需要填寫大量表格、準備財力證明、確認個人資格與理解複雜的行政流程。

未來一家 AI 原生的移民服務公司，可能聘用一般行政人員，再透過 AI 協助核對文件完整性、整理申請資料、識別缺漏及追蹤申請進度，讓員工能夠服務更多客戶。同樣地，醫療帳單公司可以利用 AI 解讀醫療編碼及保險給付規則，讓原本缺乏相關專業經驗的員工，也能處理較複雜的帳單問題。

Brad Flora 認為，工業革命曾經透過工廠創造龐大的中產階級，而 AI 革命則可能讓更多一般工作者進入過去由高薪專家主導的工作市場。

建立政府版 Plaid，讓民眾不必重複證明自己的資格

在金融科技產業，Plaid 的重要價值，在於讓不同金融應用程式可以在使用者授權後，安全地連接銀行帳戶與相關金融資料。YC 認為，美國政府的公共福利系統，同樣需要一套類似的資料基礎設施。

目前，美國民眾申請不同政府福利時，往往需要反覆提交收入證明、居住地址、家庭成員資料及其他個人文件。不同政府部門擁有自己的申請入口與資料系統，卻不一定能夠有效共享已經驗證的資訊。結果就是，申請人必須在不同平台重複上傳文件，而政府職員也需要反覆檢查薪資單、稅務紀錄及居住證明。

Gustaf Alströmer 認為，這種制度不只增加行政成本，也使真正需要福利的人可能因為漏交文件而被拒絕。另一方面，AI 生成技術的普及也讓偽造薪資單、地址證明及其他文件變得更加容易，進一步提高政府福利詐欺風險。

YC 引用美國政府問責署（GAO）的估計指出，聯邦政府每年因詐欺所面臨的損失可能高達約 5,000 億美元。不過，這是涵蓋廣泛聯邦政府計畫的估計，不能全部歸因於福利申請制度。

因此，YC 提出的解決方案，是建立一套類似 Plaid 的公共資料驗證 API。透過這套系統，申請人在同意資料使用後，就有機會讓不同政府福利計畫直接從可信任的資料來源取得必要資訊，不需要反覆提交相同證明。

對政府而言，這不只可以減少人工核對工作，也有助於降低偽造文件的風險。YC 特別提到，從 2027 年開始，美國各州將需要對數百萬名 Medicaid（醫療補助）參與者進行更頻繁的資格重新審查，其中部分規定涉及每六個月重新驗證一次。

這可能使政府資料交換、身分驗證及資格審查系統的需求進一步增加。從創業角度來看，潛在產品包括政府身分驗證 API、收入資料驗證平台、跨部門資料交換系統，以及公共福利自動化申請工具。

隨著 AI Agent 未來可能代替使用者填寫表格、整理文件並完成線上申請，這類資料基礎設施的重要性也可能提高。因為 AI Agent 可以自動處理申請流程，但如果無法確認資料來源是否可信，整套自動化系統仍難以大規模落地。

讓 AI 管理市政府，將建築許可審批時間縮短 90%

另一個與政府有關的創業方向是「AI for City Hall」，也就是利用 AI 改善美國地方政府的行政效率。Gustaf Alströmer 指出，在美國，如果民眾希望興建房屋、開設商店或進行建築改建，通常需要先取得地方政府核發的許可。

然而，許多城市的建築審查流程仍然依賴大量人工處理，包括檢查建築圖紙、確認是否符合都市計畫、核對建築法規、要求申請人補件，以及安排後續檢查。

在部分城市，取得建築許可所需的時間，甚至可能比實際興建房屋還長。這些行政延遲不只造成申請人不便，也可能增加整個房地產開發專案的成本。建商可能已經取得土地並支付融資利息，但因為建照遲遲無法核發，導致施工無法開始。開發商除了需要負擔更高的財務成本，還可能面臨工期延誤、材料價格變動及投資報酬下降等風險。

YC 認為，AI 可以有效改善這類大量依賴文件與規則比對的行政工作。例如，AI 系統可以先自動讀取建築圖紙，再與當地分區使用規則（Zoning）、建築法規及其他行政要求進行比對，識別缺少的資料或可能不符規定的設計。

如果系統能夠在正式送審前發現這些問題，就有機會大幅減少政府與申請人之間反覆補件的次數。YC 甚至提出一項經濟估算：如果美國所有建築許可的審批時間，都能夠縮短至目前的十分之一，美國各城市每年可能額外增加 160 億美元稅收。建築專案若能更快完成，就可以更早進入使用階段，進而創造新的房屋、商業活動與房產稅收入。

其他潛在應用還包括美國地方政府的 311 非緊急市民服務、公共紀錄查詢、營業執照核發，以及各類政府檢查流程。以 311 系統為例，美國民眾通常可以透過電話或線上管道通報道路損壞、垃圾清運、噪音及其他市政問題。

如果 AI 能夠自動理解民眾提出的問題、辨識相關政府部門、建立案件及追蹤後續處理進度，就有機會減少地方政府處理大量行政請求所需的人力。YC 指出，美國約有 19,000 個城市及城鎮，許多地方政府仍然大量依賴人工行政流程。

過去創業圈常認為政府採購流程過於複雜、銷售週期太長，不適合新創公司經營。但 Alströmer 認為，這種情況正在改變。YC 已經投資數家向政府銷售 AI 服務的公司，其中部分企業成長速度甚至超過其他熱門領域的新創。

不過，這類系統的核心挑戰，在於 AI 不能只追求處理速度，還必須確保法規判讀正確、決策透明，以及民眾能夠提出異議。例如建築許可涉及公共安全、消防與結構規範，AI 可以協助審查，但是否能夠直接作出具有法律效力的核准決定，仍須依照各地政府的法律及授權制度辦理。

這類公司的競爭優勢，可能來自對地方政府法規的理解、既有行政系統整合能力，以及長期建立的政府採購與客戶關係。相較一般消費型 AI 產品，政府軟體市場的進入門檻較高，但一旦深度整合行政流程，客戶更換系統的成本也可能較高。

當太空發射成本降低百倍，會出現哪些新公司？

在這次 RFS 的最後一個方向，YC 將目光從地球上的 AI 基礎設施，延伸至未來的太空經濟。Ankit Gupta 認為，SpaceX 正在推動的 Starship 超重型運載火箭，可能根本改變太空產業的成本結構。根據 YC 的描述，SpaceX 預期未來 Starship 的發射頻率有機會達到每年 10,000 次，並隨著火箭重複使用技術成熟，大幅降低每公斤有效載荷的發射成本。

Gupta 指出，即使現階段採用一次性使用模式，Starship 的單次發射成本也已被預期可接近可回收 Falcon 9 的水準，而其更大的運載能力則意味著更低的單位重量發射成本。當某項基礎設施的使用成本下降數個數量級時，原本不具備經濟可行性的商業模式，可能突然變得值得投資。

過去，由於將設備與物資送入軌道的成本極高，許多太空產業活動只能依賴政府、國防部門或少數大型企業投入資金。但如果發射成本大幅下降，創業者就不必把大部分預算花在運輸設備進入太空，而可以將資源投入真正的產品與服務。

這與網際網路早期的發展具有相似的經濟邏輯。當運算、儲存與網路傳輸成本下降時，才逐漸出現大量依賴廉價數位基礎設施的商業模式。

創業者不應等到發射成本真正下降百倍後，才開始思考新的太空商業模式。如果一家公司的技術研發、監管核准與產品驗證需要多年，等到運輸成本大幅下降時才成立，可能已經錯過建立技術及市場優勢的時間。

不過，這類新創最大的風險，也正是其商業模式對未來發射成本與發射頻率的高度依賴。如果 Starship 的商業化進度不如預期，或者太空服務需求不足以支撐大量發射，相關創業公司就可能面臨資金消耗過快、營收遲遲無法實現的問題。

能否在等待長期市場成熟的過程中，先建立具有近期收入來源的產品或服務，可能成為這類新創的重要生存條件。