喝点VC｜YC回顾2024创业生态：开源的力量让AI初创企业打破巨头垄断LLM的“神话”，短时间实现年收入1亿美元不是梦

Y Combinator2025年01月11日约 21 分钟

图片来源：Y Combinator

Z Highlights

模型本身仍然很重要，但一旦有了选择，垄断定价的可能性就减少了。你的竞争对手也有同样的模型，此时其他方面的能力，比如产品能力、销售能力、用户反馈的调整能力，以及实现零客户流失的能力，变得更加重要，而不是通过模型来捕获未来价值的光锥。
今年一个大的趋势就是把AI看作是一种“Agentic”（智能体化）的概念。这是一个今年频繁出现的新术语，而不是像去年那样还停留在“聊天”层面的讨论，比如ChatGPT。
语音本身就像AI一样，可以触及各个领域，有无数的应用可能性。比如语言学习应用程序，我相信不会只有一个很酷的语音AI驱动的语言学习应用程序，而是会有多个这样的应用。
对初创企业来说的理想情况是，你可以只开发AI或软件部分，然后运行在通用硬件上，取得很好的效果。而相反的情况是，你需要同时在硬件和软件两方面都很优秀，并紧密结合才能推出产品。

多模型架构和开源力量改变巨头公司的垄断格局

Garry Tan：欢迎回到《The Light Cone》的又一期节目。我是Garry，这里还有Jared、Harj和Diana，我们共同资助过市值达数千亿美元的公司。2024年真是精彩的一年，Harj，你觉得怎么样？

Harj Taggar：非常棒。我认为今年对创业公司来说一切都变得有利了。我最近一直在想的是，当ChatGPT两年前发布时，普遍的共识是所有的价值都会归属于OpenAI。特别是，你们还记得他们宣布GPT或ChatGPT商店的时候吗？我记得当时的共识是，所有基于ChatGPT构建的应用程序都是GPT封装器，而这个应用商店会被发布出来，并碾压每一个试图构建AI应用程序的人。OpenAI会成为一家巨大的公司，但创业公司将没有任何机会。现在说这些听起来有些荒谬了。

Jared Friedman：谁还记得ChatGPT商店？

Harj Taggar：没错，ChatGPT商店本身就是个毫无意义的存在。但更重要的是，现在有哪些大的AI应用呢？如果不算ChatGPT本身，我觉得突出的消费级应用是Perplexity，而突出的企业级应用可能是Glean；在法律科技领域有Case Tech和Harvey等等。重点是，有很多应用不是由OpenAI开发的，这是一段非常适合创业的时期。

Garry Tan：是的，现在最疯狂的事情是，你可以从零开始，在短短24个月内创立一家能赚取数千万美元的公司，而且可能只需200万到500万美元的投入。这正是Opus Clip这样一家公司所经历的故事，他们甚至不需要筹集正式的A轮融资，而这是我们在YC社区中普遍看到的现象。

Harj Taggar：我认为这是一个非常重要的点，创业公司可以在不筹集大量资本的情况下实现这一点。因为在GPT商店发布之后，我还记得Anthropic和Claude的出现，当时的普遍共识是所有的价值都会流向这些基础模型公司，唯一能够在AI领域竞争的方法是筹集巨额资金，不管是通过风险资本还是像亚马逊、Facebook或谷歌这样的公司用自己的资金储备。但如果你不是那些大的基础模型公司，就不会有价值。而基于这些基础模型开发的应用要么由基础模型公司自己开发，要么就不会有太大价值。事实证明完全不是这样，尤其是开源的力量改变了这一切。

Diana Hu：比如Meta的权重泄露事件，以及他们推出Llama的被迫局面，这非常有趣。人们最初认为这只是一个很酷的开源模型，但它比OpenAI落后18个月。然而，从中衍生出了很多工作，比如Vicuna以及其他与Llama相关的模型。

这些模型推动了一家公司（YC的一家公司）开发出可以在本地运行的模型，比如在设备上通过Docker开发。很酷，但当时人们并不认为它们能赶上OpenAI。然而，从2023年到2024年的变化是，在夏天出现了一个转折点，这是第一次在所有排行榜和基准测试中，排名第一的基础模型是Llama，这对整个社区是一个震撼。

Garry Tan：是的，这表明选择很重要，有选择意味着不再完全依赖于模型。我认为模型本身仍然很重要，但一旦有了选择，垄断定价的可能性就减少了。你的竞争对手也有同样的模型，此时其他方面的能力，比如产品能力、销售能力、用户反馈的调整能力，以及实现零客户流失的能力，变得更加重要，而不是通过模型来捕获未来价值的光锥。

Harj Taggar：我非常具体地感受到这一点，比如一年前，我与一些创业公司合作，他们基本上在构建模型路由器，只是作为一个API来调用特定模型。当时这样做的主要动机是降低成本，比如避免耗尽所有ChatGPT调用，而是分散到各种不同的模型中。

而反对的观点是，这些东西的成本本身就会降到接近零，所以构建模型路由器是没有价值的，没有人会用模型路由器来构建他们的应用程序。他们只会调用最好的模型。但一年之后，这种观点完全被证明是错误的。从我看到的情况来看，模型路由器实际上是构建基于LLM的新技术栈的一个非常好的切入点。而我们现在看到的大多数应用程序，似乎都不希望被某个特定模型束缚住，这与你的观察是否一致？

Diana Hu：是的，实际上我们在秋季展示日的这一批公司中看到了一些趋势变化。与2024年夏季和冬季相比，公司开始在应用中使用多个模型，比如在需要快速解析大量输入的情况下，最佳选择是速度更快但略有损耗的模型，而更复杂的任务则需要更大的模型来处理。因此，2024年秋季的一些公司实际上采用了多模型架构，将最佳模型用于最佳任务。这类似于“模型路由器”的概念，但这种想法从简单的路由进化成了一种更类似于编排的方式。

我记得我们在几期之前提到过一个例子：Camphor与一个公司合作，使用最快的模型解析PDF文件，而更复杂的任务则用o1模型。这种方法也被一些进行欺诈检测的公司采用，他们有一个类似“快速初级分析师”的概念，用一个快速简化版的GPT-4 Mini，然后再用更大的模型比如o1来处理。此外，Cursor也在与Lex Friedman的节目中谈到了他们的复杂多智能体系统，其中包括多个模型的使用，这种方法非常有效。例如，他们会用一个模型专门预测用户下一步要输入什么，而用另一个模型理解整个代码库。这种针对不同任务的多模型系统现在非常普遍。

Garry Tan：另一个例子是我在秋季这一批公司里合作的，名字叫Variant。他们的目标是利用最先进的开源LLM模型进行代码生成，并教这些模型美学，比如从图标生成开始。他们构建了一个庞大的后训练流程，可以适应随着开源模型在代码生成领域变得更智能、更强大时的迭代。你可以直接拿下一版本的模型，然后用他们的后训练架构和数据集来教这个模型美学，比如某样东西应该是什么样子。这不是类似于扩散模型的方式，而是直接在SVG层面操作。我们认为SVG可以在各种美学中转化，所以这是一种非常有趣的新方法。这种后训练方法跳过了传统认为所有价值都积累在模型中的观点，特别是在开源环境下。

Harj Taggar：我还想起一件一年前的事情。当时这一批中的许多初创企业获得了一些企业概念验证（PoC）或试点项目。很多人对此持怀疑态度，认为这些试点项目无法转化为真正的收入。这与加密货币有很多相似之处，尤其是区块链技术。每当有新的有趣技术出现时，企业总是想尝试运行试点项目或PoC，因为有人需要证明他们尝试过最新的技术趋势。

Garry Tan：首席创新官必须发表意见。

Harj Taggar：我们在某一期节目中讨论过这个话题。而现在，快进一年后，我们都有了直接的经验，那些试点项目实际上已经转化为真实的收入。而且如果有什么不同的话，现在YC这一批中的初创企业比以往更快地向真实企业出售，并快速增长收入，达到类似年收入100万美元的里程碑。

Garry Tan：秋季这一批再次证明了这一点。实际上，我们最早注意到这种趋势是在今年的夏季批次。而有趣的是，我们意识到，记得Paul Graham曾告诉我们在YC期间公司需要每周增长10%吗？现在，这种增长实际上出现在夏季和秋季批次的公司中。

Jared Friedman：这是在YC整个过程中发生的变化。

Garry Tan：我认为这在YC历史上并不是每个公司都能做到。

Diana Hu：平均来说，只有最优秀的公司，比如前四分位的公司能做到这一点，对吧？

Garry Tan：现在公司变得更强了。

Harj Taggar：一个普遍的趋势是，达到年收入1亿美元所需的时间正在缩短。

Garry Tan：是的，而且我们最近与Ben Horowitz共进晚餐时，他提到20年前，通常一年内只有15家公司能够达到年收入1亿美元。而他们分析过去20年的数据发现，每10年，这一数字增加了10倍。所以20年前可能是15家公司，现在每年可能有100家公司有望达到这一目标。

Diana Hu：Jared在上一期节目中提到的垂直AI的论点非常有力，他认为这将使数千家甚至更多公司蓬勃发展。

Jared Friedman：是的，这种增长之所以如此迅速，是因为这些产品的价值主张非常强大，企业能够进行投资回报率（ROI）计算。当ROI非常出色时，许多人认为企业销售周期很长或者获得大客户很困难的传统观念就不成立了。企业会做出理性的决定。

Harj Taggar：是的，一年前有人认为这些LLM模型不够可靠，无法在企业中部署。人们认为它们“幻觉化”问题太严重，风险过高。

Jared Friedman：但现在，这些技术不仅转化为真实收入，还转化为大规模部署，像每天处理数千个任务。我们已经学会通过可靠性技术和基础设施的成长，使这些智能体变得更可靠。

2024年AI主流趋势：AI Agent蓬勃发展

Diana Hu：今年一个大的趋势就是把AI看作是一种“Agentic”（智能体化）的概念。这是一个今年频繁出现的新术语，而不是像去年那样还停留在“聊天”层面的讨论，比如ChatGPT。去年更多是围绕这种类似聊天的功能，但现在已经演变成各种基于智能体的应用，比如针对不同任务的XYZ类型的智能体。

Harj Taggar：是的，Garry刚刚发布了一段关于Claude计算机使用的精彩解说视频，但现在模型的能力越来越强，可以完成复杂的多步骤任务，比如接管你的计算机、调用其他应用程序并执行复杂任务，这些在一年前都显得难以实现。

Garry Tan：关于法规的事情呢？看起来我们似乎避开了SB-1047法案（ZP注：全称为《Safe and Secure Innovation for Frontier Artificial Intelligence Act》，旨在为高风险的AI模型建立明确的安全标准，以防止其被滥用或引发灾难性后果）的影响，还有一些拜登政府的行政命令可能不会在特朗普的白宫存续下去。但我们之前非常担心的一点是，高等数学超过某种程度可能会被突然定义为非法，或者需要在地方办公室注册。

Harj Taggar：是的，现在确实是一个奇怪的科技时代。我从未经历过软件和技术与政治如此交织在一起的时期。特别是，对于YC一批中的初创企业或者成立不到一年的公司，国家政治对它们的影响让人不安。不过事情确实转向了有利于初创企业的方向。

Garry Tan：确实，感觉我们仍处在早期阶段，很容易看到这些平台可能变得类似于Windows 32的垄断模式。Windows可以访问API，也知道其平台上什么最受欢迎，然后直接将其集成到平台中。虽然我们现在在2024年稍微松了一口气，但这些事情变化太快了，不能掉以轻心，我们还需要继续努力。

Harj Taggar：今年对初创企业来说显然是个好年景。那么对谁来说也是好年呢？显然是有一些巨额融资公司，比如OpenAI筹集了大量资本，规模非常惊人。

Garry Tan：OpenAI筹集了60亿美元，Scale筹集了10亿美元。

Harj Taggar：这确实值得一提，因为这是一个经典的初创企业故事。你早期就在那儿，对吧？你采访过他们，告诉我们他们最初的想法是什么，以及他们是如何最终找到一个可能是过去十年里最好的初创公司点子的。

Jared Friedman：关于Scale AI的有趣之处在于，它是那种经典的YC初创公司故事的缩影。如果说有其他类型的初创公司，比如SSI，这就不是一个典型的YC故事。他们是由一些非常知名的人物用一份PPT筹集了10亿美元，而Scale AI则是年轻程序员通过比其他人更聪明、更努力地逐步建立了一个100亿美元的公司。

Harj Taggar：如果我没记错的话，他们申请时的点子是与医疗相关的。

Jared Friedman：是的，最初是一个医生预约网站。

Harj Taggar：然后他们在YC期间调整了方向，你还记得他们是怎么想到数据标注这个主意的吗？这是2016年的事情吧。

Jared Friedman：他们想到数据标注这个主意是因为Alex曾在Quora工作，当时需要进行一些数据标注工作，比如内容审核。当时最大的标注服务是Amazon Mechanical Turk，很多人认为它是无敌的，因为它是亚马逊运营的，资金充足，规模很大。但Alex有个独特的见解，因为他在Quora用过Mechanical Turk，他知道这个工具的实际使用体验并不好。所以他决定尝试建立一个更好的工具，来满足他在Quora时的需求。

Harj Taggar：据我所知，他们的早期客户几乎完全依赖一个客户：Cruise。

Jared Friedman：是的，Cruise需要对汽车在旧金山驾驶时拍摄的所有图像进行大量标注，比如标出交通信号灯的位置等。

有趣的是，Scale实际上赶上了两波浪潮。他们抓住了第一波自动驾驶汽车公司的浪潮，因为当时机器学习在计算机视觉领域的兴起，导致对标注数据集的需求前所未有。随后，随着这一波浪潮趋于稳定，LLM崛起了。这些公司需要大规模的RLHF（ZP注：人类反馈强化学习），而Scale正好处于这一业务的最佳位置。

Harj Taggar：Scale的故事非常有趣，因为即使是在LLM之前，它就已经是一个价值数十亿美元的业务。而随着LLM的崛起，它可能会成为一家1000亿美元的公司。

我在基层也看到了类似的现象。一些公司在参加YC一批之前还没有一个明确的想法，但随后转向了一个成功的AI想法。有家公司一年前入驻YC时没有找到好点子，后来他们的创始人意识到自己的父母经营了一家牙医诊所，于是他开始观察诊所是否有可以自动化的地方，最终建立了一个为牙医诊所提供AI后勤服务的系统，现在每周的增长表现非常出色。这样的案例现在越来越多了。

Diana Hu：我确实也看到了这一点。我觉得这些年轻的技术型创始人敢于孤注一掷，只是因为他们看到了一丝未来的曙光，就愿意全力以赴尝试，而结果真的奏效了，比如你提到的牙医的例子。我也有许多团队在转向不同领域时，发现了类似的机会，比如计算机应用兴起。我有一些公司在这个方向上投注并前进，结果效果很好。当然，现在还处于早期阶段，这只是秋季这一批，但这也很有趣。

AI最有潜力的几个垂直应用场景：AI语音、机器人、AI编程

Harj Taggar：好吧，那我们看看还有哪些趋势？初创企业从这些批次中涌现的具体趋势和浪潮是什么？语音AI是我们谈到过的一个方向，它显然是当前AI领域中最有潜力的垂直领域之一，就纯粹的用户吸引力而言。

Garry Tan：你觉得语音AI会是“赢家通吃”的领域，还是会分化成许多针对特定垂直领域的应用？这是我从一些语音AI初创公司那里听到的问题，他们在思考应该走横向扩展的道路，还是继续深耕于自己的垂直领域？

Harj Taggar：我觉得语音本身就像AI一样，可以触及各个领域，有无数的应用可能性。比如语言学习应用程序，我相信不会只有一个很酷的语音AI驱动的语言学习应用程序，而是会有多个这样的应用。远程工作，比如视频会议，可能也是语音AI有趣的一个应用领域。

Diana Hu：甚至在客户支持领域，我们上次提到过一些公司，比如Community、PowerHelp、Kappa等。

Jared Friedman：是的，事实证明，客户支持其实并不是一个单一的垂直领域，而是有许多不同的变种和细节，一旦深入进去，会发现各不相同。

Diana Hu：因为每个行业都有非常具体的工作流程需要语音AI去处理。这也说明为什么垂直AI智能体会蓬勃发展。比如在客户支持中，为航空公司打造语音智能体和为银行或B2B SaaS公司打造的流程完全不同。

Garry Tan：是的，这就像在问，是否只会有一个网站一样不切实际。

Harj Taggar：是啊，这就像说互联网支付只会有Stripe那样的基础设施公司，而不会有其他有价值的垂直应用。现实是，横向基础设施层本身就足够有价值了，所以肯定会有很棒的语音AI公司让你轻松构建自己的语音AI应用，同时也会有数百个非常有价值的垂直应用。

Diana Hu：除了这些，还有哪些趋势？

Harj Taggar：我们刚才提到了机器人，今年我们显然与更多从事机器人开发的创始人合作了，比以往任何一年都多。这背后是什么驱动的？

Garry Tan：我有一个由前苹果团队创立的公司，叫Weave Robotics，他们计划在2025年推出一款真正的机器人，成本大约是6.5万到7万美元。这是机器人执行家务任务所需的执行器和安全性所必须的成本。我觉得推动这个趋势的是LLM本身可以作为机器人的“意识”，比如“我是否在做主人需要我做的事情？”以及“我如何与家庭中的其他人互动？” 但有趣的是，像“语音-语言-动作”模型可能只是更广泛LLM意识中的一个工具使用模块。我很好奇这是否真的会奏效，今年我们可能会有答案。

Diana Hu：在我看来，机器人基本上是一半AI、一半硬件。现在其中AI部分已经在逐步奏效。

Garry Tan：但硬件依然很难做，而且非常昂贵。有一些迹象表明，像叠衣服这样的家务可能会是第一批上市的功能之一。

Harj Taggar：我觉得对初创企业来说的理想情况是，你可以只开发AI或软件部分，然后运行在通用硬件上，取得很好的效果。而相反的情况是，你需要同时在硬件和软件两方面都很优秀，并紧密结合才能推出产品。那样的话，像特斯拉这样的公司可能会成为显而易见的赢家。我仍然持乐观态度，我们有多家公司正在尝试如何在特定的用例中将模型运行在通用硬件上。

Jared Friedman：感觉还很早，机器人领域还没有像ChatGPT那样的爆发性时刻。

Diana Hu：也许那个时刻是自动驾驶汽车已经在旧金山正常运行，只是没有被充分讨论。

Jared Friedman：那些不住在旧金山的人可能没意识到，自动驾驶汽车已经在旧金山全面部署，普通人每天都在使用。

Harj Taggar：是啊，我最近见到了DoorDash的Tony，他说他住在Palo Alto，每天都只用Waymo，非常棒。

Garry Tan：有趣的是，目前全球只有几千辆这样的车在运行。那2024年的“大失败”是什么？我记得我们在Lite Cone的一期节目中穿着Apple Vision Pro和Quest头显开始，但自那以后就没再谈论AR了，Diana，发生了什么？

Diana Hu：这确实还没有发生。许多硬件需要变得更加轻便，比如我们需要将所有硬件缩小到这种形态。然而，将所有计算和光学硬件装入这么小的外形中，在物理上存在限制，这非常具有挑战性。我认为，这还需要更多的工程技术突破和物理学上的发现。算法已经相当成熟了，但硬件和光学问题仍然非常复杂。

Jared Friedman：这是一种典型的“鸡生蛋还是蛋生鸡”的问题。由于硬件用户太少，应用开发者认为不值得去开发应用程序，而没有足够的应用程序，也让用户对购买硬件的兴趣不足。

Harj Taggar：而且我觉得目前购买硬件的人，大多数情况下的杀手级应用似乎只是把它当作一个非常大的显示器。

Garry Tan：但确实，它运行得相当好。

Diana Hu：是的。

Jared Friedman：也许你已经保留了一些用户，Garry，对吧？

Garry Tan：是的，用来看电影很棒。

Diana Hu：我最近尝试过的一个设备是Meta的Ray-Ban眼镜。它没有显示屏，但我非常喜欢它的音频和语音功能。我尝试了一种工作流，把它连接到ChatGPT或Claude的语音模式，围绕某个主题进行对话。

Harj Taggar：这主意真不错。

Diana Hu：是的，这样和自己聊天真的很有趣，虽然走路时可能会看起来像个疯子。但我通过它学习了很多不同的主题。

Jared Friedman：我们来说说AI编程吧。2024年是AI编程真正爆发的一年。现在大多数YC创始人都在使用Cursor或其他AI集成开发环境（IDE），这些工具在今年夏天彻底流行起来。Devin证明了可以完全自动化大规模编程任务。这一切都发生在今年，真的很惊人。

Harj Taggar：回放智能体（Replay Agents）也在持续改进，我听说有人在下班回家的路上通过这些技术开发了红绿灯应用，并对此印象深刻。

Jared Friedman：Replit将这些技术普及到了非技术人员中，这是第一次实现这种程度的普及，真是不可思议。

Diana Hu：一个技术要求更低的例子是Anthropic的Artifact。通过它，你可以原型化非常简单的应用程序，并使用Claude聊天生成简单的前端页面。这样产品经理就可以展示一个完整的工作版本给工程团队。

Garry Tan：是的，这意味着一个人可以完成更多的工作。你认为这会改变初创公司招聘的方式吗？你现在看到这种变化了吗？

我遇到一些刚从YC毕业并完成种子轮融资的创始人，他们的做法和过去经典建议不太一样。过去的建议是多招人，比如寻找那些在竞争对手公司做过类似工作的人，但现在有些创始人反而选择让自己的软件工程师先用LLM来完成更多流程优化，推迟招聘这些特定领域的专业人才，可能等到B轮或C轮后才开始。

Diana Hu：是的，我也看到了一些类似的情况。许多公司现在更倾向于寻找那些能熟练使用AI编程工具的工程师。一个聪明的面试方法是进行配对编程，让面试者现场使用这些工具。这样可以看出对方是否真正熟悉这些工具。好的工程师不仅需要编程能力，还需要能够调整提示并评估AI输出的正确性。我认为，解读和评估AI编程工具输出的能力现在变得尤为重要。

Jared Friedman：是的，今年关于AI编程工具和编程面试的争议非常有趣。因为AI编程工具实际上打破了公司多年来使用的传统编程面试方式。我很好奇Harj的看法，因为我们之前运营过一家编程面试公司。

Harj Taggar：我觉得有趣的争论在于，是否应该禁止候选人在面试中使用这些工具，比如Cursor，或者应该接受它，并通过测试来衡量他们的生产力。我倾向于认为，行业会适应这种变化，最终更多地关注绝对产出，而不是传统技能。比如Stripe十年前就意识到他们需要程序员做的是开发网页应用，而不是解决复杂的计算机科学问题。于是行业从Google式的白板面试转向了给面试者一台电脑，让他们在4小时内完成一个任务。我觉得我们会看到类似的转变，面试者会使用这些工具，在更短时间内完成更多任务。

至于Garry提到的初创公司需要招聘多少人以及如何扩展的问题，目前似乎还没有明显的影响。但我对Jeff Bezos最近的一次采访印象深刻。他提到自己回到了Amazon并专注于AI开发。据他说，Amazon内部已经有100个甚至1000个由LLM驱动的应用程序在运行。回想AWS的诞生，最初也是为了支持Amazon内部的基础设施，然后被推出市场并彻底改变了初创公司的运营方式。我很好奇，如果Amazon将这些内部应用推向市场，是否会再次引发类似的革命，让我们看到更多一人团队和十人独角兽的现象。

Diana Hu：他们谈到的一个应用是完成旧编程语言版本的大规模迁移，比如升级数据库版本等，这通常需要大量工作。他们使用LLM处理了这个问题，改动了成千上万行代码。如果靠工程团队完成，可能需要六个月或更长时间。

Jared Friedman：但他们几周内就完成了。对于像Amazon这样的公司来说，这简直是LLM驱动智能体处理后台流程的完美用例。他们一定发现了无穷无尽的机会。

Diana Hu：而且他们刚刚推出了自己的大型基础模型，这个模型在一些基准测试中已经开始处于领先地位。我认为他们正在试图成为这一领域的另一个竞争者。

Garry Tan：这很有趣，因为从底层员工的角度来看，据说很多刚从大学毕业进入Amazon的员工，日常工作中并没有机会使用LLM，甚至被禁止使用。这可能是大企业规模化后的弊端之一——未来已经到来，但即便在同一家公司内部，也未能均匀分布。这种情况反而为开源和自托管的LLM提供了更多机会。我个人计划在桌面上搭建自己的小型集群，用Apple Mini运行Llama。

Harj Taggar：我买好了所有硬件，准备自己组装机器，但因为家里刚添了一个宝宝，这件事还没实现。

Garry Tan：我对YC重新在旧金山线下运营感到非常兴奋。我们恢复了线下展示日，再也不用通过Zoom举办展示会了。我们甚至在楼下的办公室举办了校友展示日，还占用了Masonic中心，会场里聚集了100位投资人。我觉得这对创始人来说非常有利，因为今年秋季批次的创始人数量只有夏季的一半到三分之一，而投资人的数量却是之前投资者招待会的两到三倍。

Diana Hu：大概是每家公司对应约10位投资人的比例。

Garry Tan：我觉得大家都过得很愉快。

Jared Friedman：我几乎忘了线下展示日那种令人振奋的能量。这是在线上完全无法复制的。YC的展示日也一直是硅谷投资者的非正式聚会，每次展示日几乎所有投资人都会参加。当我们暂停线下活动时，并没有其他类似的活动可以替代。所以当我们把它带回来时，投资人们都非常兴奋。

Diana Hu：可以说它是硅谷的“返校日”。

Garry Tan：每年四次，这是世界上所有顶级早期阶段投资者都会回到旧金山的时刻，最终以我们的展示日为一周庆祝活动的高潮。这确实是一个庆典。

线下活动的回归和旧金山的复苏为AI初创企业带来更多利好

Harj Taggar：总体来说，线下活动的回归是2024年的一个重要主题之一。今年我们与一些晚期初创企业的会面中，发现他们的首要任务之一是如何让大家回到线下办公。我认为“永远远程办公”的时代已经结束了。

Garry Tan：对此我只想说：再见，远程办公。

Harj Taggar：是的，完全正确。而且，不仅线下活动回来了，旧金山也在复苏，这很大程度上也要感谢你，Garry。最近的选举似乎取得了好结果，我感到对旧金山的乐观情绪在增加。

Garry Tan：是的，我们有了一位新市长，希望他能做出正确的决策。我们的市议会中有一个非常微弱的中间派多数，但我们已经去除了造成旧金山“厄运循环”的一些最糟糕的议员。我对此保持乐观。虽然我们没有得到所有想要的东西，但一切都在朝正确的方向发展。和初创企业一样，在政治中也是如此——你总是高估一年内可以完成的事情，但也总是低估十年内会发生的变化。我认为这可能需要十年甚至二十年，但就像初创企业从每年只有15家公司可能实现1亿美元年收入，到现在每年有1500家公司有这种潜力一样。敲木头祈祷，我希望旧金山能继续成为吸引全世界最聪明人的灯塔。这也是我最乐观的地方——我们可以继续建设。从我们所有人到所有观众，节日快乐，新年见！