YC Fall 2026 RFS：13 個 Call for Startups 背後，創業風口點解由 AI App 走向 Physical World？

每隔一段時間，Y Combinator 都會發布 Requests for Startups（RFS），列出佢哋特別想見到 founders 解決嘅問題。Fall 2026 最有趣嘅地方，唔係清單入面有幾多個「AI」字，而係成個創業敘事已經變咗：機會正由模型同 chatbot，轉向能源、現場工作、國防、照護、信任、合規，同埋真正可以長期運作嘅系統。
呢篇 blog 會拆解 13 個方向，再分析點解佢哋會喺 2026 年同時成為趨勢。

TL;DR

核心重點：

• 🎯 AI 已經由 feature 變成 infrastructure：市場唔再只問「可唔可以生成內容」，而係問 AI 點樣接管 workflow、協調團隊、控制設備同長期服務用戶
• ⚡ 真正 bottleneck 由 model 轉向 deployment：電力、土地、權限、安全、real-world data、API maintenance 同 compliance 先係下一輪難題
• 🤖 Software 正走入 physical world：robots、wearables、drones、sensors 同 humans 需要同一套 operating system
• 🧓 人口、國防同監管係需求引擎：aging、caregiver shortage、modern warfare、deepfake fraud 同跨境監管都係唔會因為 hype cycle 消失嘅 structural demand
• ⚠️ RFS 係 market map，唔係必勝清單：YC 自己都講明，呢啲只係佢哋會投資方向嘅一小部分；trend validation 唔等於 product-market fit

Table of Contents

• RFS 係乜，應該點樣睇？
• Fall 2026 嘅 13 個方向
• Trend 1：AI 由單人工具走向長期關係
• Trend 2：Agents 改寫 software economics
• Trend 3：AI 正式進入 physical world
• Trend 4：Trust、finance 同 compliance 變成基建
• Trend 5：能源、人口同地緣政治推動需求
• 邊啲係真正趨勢，邊啲仍然係高風險 bet？
• 如果你係 founder，應該點樣用呢份 RFS？
• 總結
• 相關資源

RFS 係乜，應該點樣睇？ {#what-is-rfs}

RFS 係 YC 定期分享嘅「我哋想見到 founders tackle 嘅問題」。佢唔係指定題目，亦唔代表申請 YC 一定要做清單入面嘅 idea。

YC 自己喺頁面開頭已經講得好清楚：

These represent just a fraction of what we fund — if one excites you, take it as extra validation to dive in, but you don't need to work on these ideas to apply to YC.

所以一份 RFS 最有價值嘅用法，唔係照抄一個 idea，而係將佢當成三樣嘢：

1. Problem map：一班每日接觸大量 early-stage founders 同市場訊號嘅投資人，認為邊啲問題開始變得可解
2. Timing signal：以前可能太早、太貴或者技術做唔到，而家邊條 cost curve 啱啱越過臨界點
3. Founder filter：邊啲市場需要 domain knowledge、distribution、硬件能力或者政策理解，而唔係只靠 weekend prototype

⚠️ RFS 唔係需求證明
YC 覺得一個方向重要，只代表「值得探索」。真正嘅需求仍然要靠 customer interviews、付費意願、採購周期同 retention 驗證。最危險嘅做法係先揀 trend，再勉強搵 problem。

Fall 2026 嘅 13 個方向 {#thirteen-rfs}

YC 今輪其實唔係列出 13 個互不相干嘅 ideas，而係畫咗一張由 AI 延伸出去嘅 system map：

Trend 1：AI 由單人工具走向長期關係 {#trend-one}

第一代 Generative AI product 大多數係 single-player、single-session、single-output：一個人打 prompt，模型生成一段文字、一張圖或者一段 code，完成之後 session 就差唔多結束。

但 Fall 2026 RFS 入面幾個方向，都押注 AI 會變成另一種產品：

• The Primer：同一個小朋友相處幾年，知道對方點樣學、邊度卡住、興趣點樣改變
• Multiplayer AI：唔再係「我同 chatbot」，而係成隊人同一組 agents 一齊工作
• AI for Aging：唔係一次性回答，而係持續 monitoring、提醒、協調同陪伴
• AI Consumer Products：將 intelligence 融入健康、財務、出行、娛樂同社交

呢個 shift 點解而家先發生？因為模型開始有足夠能力處理 ambiguity、工具調用、語音同長任務；而產品層亦開始建立 memory、identity、permission、evaluation 同 human handoff。

🎯 真正嘅產品 moat 可能唔再係 model
當底層模型逐漸商品化，長期優勢更可能來自 user context、workflow integration、trust、distribution，同埋一段時間累積落嚟嘅 proprietary feedback loop。

但呢類產品亦比 chatbot 難得多。教育同照護都屬於 high-trust domain：答錯一次、提醒漏咗一次，後果遠高過生成一封唔完美嘅 email。成功條件唔只係 benchmark，而係 retention、safety、parent/caregiver control 同 measurable outcomes。

Trend 2：Agents 改寫 software economics {#trend-two}

「A Cloud for Small Software」同「Self-Maintaining APIs」其實講緊同一條 economics curve：寫 software 嘅 marginal cost 正急速下降，但運行 software 嘅成本冇同步消失。

以前要為三個同事做一個 bespoke dashboard，可能唔值得開發；而家 agent 幾個鐘已經可以砌到 prototype。結果唔係所有人突然變成 SaaS founder，而係公司入面會出現大量只有 1–20 個 users 嘅 micro-apps。

當 creation 變平，scarcity 就向右移：

1. Deployment：點樣一 click 上線、rollback、monitor？
2. Identity and permissions：邊個可以睇、改、run 邊段 code？
3. Security：點樣安全執行由非技術人員生成嘅任意 code？
4. Maintenance：dependency、API 同 schema 改咗，邊個負責修？
5. Governance：公司點樣知道內部有幾多 shadow apps，同埋邊個擁有佢哋？

Self-maintaining APIs 就係再行前一步：如果 API vendor 已經知道 breaking change 會影響邊啲 usage，點解只寫 changelog，而唔係直接由 agent 喺 customer repo 開一個 migration PR？

呢個趨勢會令 API company 由「提供 interface」變成「共同維護 integration」。但風險同樣明顯：codebase access、錯誤 migration、供應鏈攻擊、責任歸屬，全部都會成為採用門檻。

Trend 3：AI 正式進入 physical world {#trend-three}

「New Operating Systems for the Physical World」、「Data for the Real World」、Defense，同 Compute at Sea 都指向同一件事：AI 下一階段嘅價值，會愈來愈多來自 atoms，而唔只係 bits。

點解現有 software 唔夠？

傳統 field-service software 假設 worker 係人，系統主要做 dispatch、asset tracking、billing 同 reporting。但而家現場可能同時有：

• AI agent：報價、排程、分析異常
• Robot / drone：巡檢、搬運、攔截、收集數據
• Human worker：處理例外、判斷、安全監督

新 operating system 要識得分配任務、管理安全邊界、量度 reliability，亦要知道幾時由 machine handoff 俾人。

Data 先係 control 嘅前提

Language models 成功，某程度上因為 internet 已經提供大量 digital text。Physical world 冇同等規模、同等密度嘅 dataset。好多能源、農業、物流同建築決策，仍然依賴稀疏 sensors 同人手 observation。

所以「Data for the Real World」唔只係 sensor company。真正嘅 flywheel 係：

plain更平 sensors / robots
        ↓
更密、更頻繁嘅 physical data
        ↓
更準確嘅 predictive model
        ↓
更好嘅 operational decision
        ↓
更多 deployment，再產生更多 proprietary data

💡 Physical AI 嘅 moat 係 closed-loop data
單靠公開模型未必足夠。邊間公司可以部署設備、收集 end-to-end data、再將 prediction 寫返落 operation，邊間公司先最有機會形成難以複製嘅 data advantage。

Trend 4：Trust、finance 同 compliance 變成基建 {#trend-four}

AI 提升生產力，同時亦降低咗偽造同攻擊成本。當聲音、樣貌、文字、review，甚至一整個 video call 都可以生成，「見到一個人」已經唔再等於「證明對方係真人」。

所以 Proving You're Human 唔係 CAPTCHA 2.0，而係重新設計 internet trust layer：

• 點樣證明係真人，但唔公開真實身份？
• 點樣防止一個真人控制一萬個 accounts？
• 點樣喺 bank transfer、dating、social media 同 enterprise approval 使用同一種 assurance？

FTC 已經公開推動 voice-cloning detection、watermarking 同 authentication 等方案，反映問題由研究議題變成 consumer protection 同 financial risk。

同一時間，Crypto 同 AI-native compliance 代表另一邊：網上交易同跨境營運愈來愈 programmable，但 regulatory obligations 並冇消失。

YC 對 crypto 嘅 thesis 係 rails 會逐漸隱形：用戶未必知道底層係 stablecoin 或 tokenized asset，只會感受到 settlement 更快、跨境成本更低、agent 可以直接付款。不過 BIS 對 stablecoins 仍然提出 integrity、monetary sovereignty 同 scalability 等警告，代表「adoption 增長」同「風險解決」係兩件事。

而 compliance 正正係呢個世界嘅伴生市場。當公司跨 state、跨 country、跨 payment rail，規例、license renewal、audit trail 同 monitoring 只會更加碎片化。呢類 workflow 規則多、文件多、重複性高，適合 AI；但 final accountability 仍然需要清楚嘅 human owner。

Trend 5：能源、人口同地緣政治推動需求 {#trend-five}

有啲 startup trend 係由新技術創造；有啲就係由外部壓力逼出嚟。Fall 2026 最值得留意嘅係，幾個方向都有非常清楚嘅 non-AI demand driver。

1. Compute 受制於能源同土地

IEA 預計 global data-centre electricity consumption 到 2030 年會超過倍增，去到大約 945 TWh，接近今日日本全年用電量。換句話講，compute 唔再只係買更多 GPUs，而係要排隊等 grid connection、變電站、冷卻、土地同 permits。

「Compute at Sea」係一個非常 aggressive 嘅答案：利用海洋空間、冷卻條件同 modular vessels，避開部分陸上限制。但 ocean maintenance、corrosion、network latency、power generation、海事法規同生態影響，都令佢仍然係 deep-tech bet，而唔係 obvious solution。

2. Aging 係慢但確定嘅 curve

美國 Census 顯示，65 歲或以上人口佔比由 2004 年 12.4% 升到 2024 年 18.0%；到 2030 年，全部 baby boomers 都會踏入 65 歲。人口結構唔似 consumer fad，可以幾季內逆轉。

所以 aging tech 嘅需求非常真實，但產品設計要避免一個常見錯誤：以為 voice interface 就自動等於 senior-friendly。真正採用仲牽涉信任、聽力、認知狀態、caregiver workflow、hardware setup 同 reimbursement。

3. Modern warfare 改變 procurement

低成本 drones 對高價 interceptor 造成 cost asymmetry，迫使軍方重新考慮採購速度、modularity 同 unit economics。美國陸軍 2026 年嘅 acquisition priorities 已經明確包括 autonomous counter-UAS、open systems architecture、AI-enabled decision support 同 low-cost platform-agnostic fires。

當 RFS 直接出現現任 U.S. Secretary of the Army 嘅 request，訊號唔只係「defense tech 好熱」，而係政府 buyer 嘗試向 commercial startup market 講清楚需求同 proving ground。

邊啲係真正趨勢，邊啲仍然係高風險 bet？ {#trend-vs-bet}

唔應該因為全部方向出自 YC，就將佢哋當成同一級 certainty。

真正值得學嘅唔係邊個 category 最「hot」，而係 YC 挑選方向嘅共同 pattern：

1. 一條重要 cost curve 剛剛向下：model、sensor、robotics、software creation
2. 一個舊 bottleneck 因此暴露：電力、部署、trust、compliance、coordination
3. 市場本身已經夠大：education、healthcare、finance、defense、construction、consumer
4. startup 有機會用新架構切入：唔係幫 incumbent 加一個 AI button，而係重新設計 workflow

如果你係 founder，應該點樣用呢份 RFS？ {#founder-framework}

與其問「13 個方向入面邊個最易入 YC」，不如用以下五條問題做 filter：

1. 你有冇 founder-market fit？

做 aging、defense、compliance 或 construction，如果完全唔理解 frontline user、buyer 同 regulation，prototype 再靚都未必有用。

2. 呢個問題係咪真係 urgent？

最好嘅 signal 唔係受訪者話「幾有趣」，而係而家已經用人手、Excel、昂貴 vendor 或 workaround 解決。

3. AI 係 10x improvement，定只係 demo effect？

如果移除 AI 之後 value proposition 就消失，要小心產品可能只係 capability showcase。好產品通常有清楚 outcome：少幾多工時、減幾多 downtime、提高幾多 conversion、降低幾多 risk。

4. 你控制唔控制到 distribution 同 data loop？

Vertical product 最強嘅位，通常係 workflow 入面持續產生 proprietary data。只包裝 public model，而冇 distribution、integration 或 feedback loop，好容易被複製。

5. 有冇先由一個窄 wedge 開始？

• The Primer 唔需要第一日就「教智慧」；可以先做好 6–8 歲閱讀
• Physical-world OS 唔需要管理所有行業；可以先做好一種 field operation
• Human verification 唔需要重建成個 internet；可以先解一個高價值 transaction
• Compliance 唔需要支援全球所有規例；可以先食一個 license renewal workflow

🎯 一個好 RFS startup 嘅公式
Structural pain × newly possible technology × narrow initial wedge × proprietary feedback loop。
四樣缺一，個 idea 都可能只係一個跟 trend 嘅 pitch deck。

總結 {#conclusion}

核心重點回顧

1. YC 唔係純粹押注更多 AI apps：Fall 2026 更似係押注 AI 進入 real-world systems 之後，會暴露新 bottlenecks
2. Software creation 變平，operations 變重要：deployment、permissions、maintenance、security 同 governance 會吸收新價值
3. Physical world 需要新 data layer 同 operating system：agents、robots 同 humans 要喺同一個 workflow 入面協作
4. Trust 會成為稀缺資源：deepfake、agentic commerce 同 programmable finance 令 identity、compliance、auditability 變成基建
5. 人口、能源同國防令部分需求特別耐久：呢啲唔係單靠 AI hype 推動，而係長期 structural pressure
6. 最前沿方向同時風險最高：Compute at Sea、defense hardware、crypto rails 可能極大，但亦最受 capex、政策同 execution 影響
7. RFS 最好用作 lens，而唔係 menu：先由自己熟悉、客戶真正痛、可以窄切入嘅問題開始，再用 RFS 驗證 timing

最後，我覺得 Fall 2026 最重要嘅一句潛台詞係：AI model 本身已經唔再係完整產品。 真正嘅創業空間，正移去 model 外面——去到人、組織、設備、能源、身份、規例同現實世界嗰一層。

相關資源 {#resources}

• 🚀 YC 原文：Y Combinator — Requests for Startups, Fall 2026
• ⚡ 能源與 AI：IEA — Energy and AI: Executive Summary
• 📊 最新 data-centre outlook：IEA — Key Questions on Energy and AI
• 🧓 人口老化：U.S. Census Bureau — Older Population and Aging
• 🧓 2024 年年齡結構：U.S. Census Bureau — Older Adults Outnumber Children in 11 States
• 🛡️ AI voice cloning：FTC — Voice Cloning Challenge
• 🪖 Army acquisition：U.S. Army — Pathway for Innovation and Technology
• 💵 Stablecoins 與 tokenisation：BIS — The Next-generation Monetary and Financial System
• ⚠️ Stablecoin policy risks：BIS — Stablecoin Growth: Policy Challenges and Approaches