AI 研究往哪走，
創業者該看哪裡？
YC Paper Club 這場分享，從蛋白質模型、LLM self-play、語音 RAG、Lean 驗證到 agentic coding。五篇 paper 看似分散，放在創業視角下，都在指向下一批 AI 公司會遇到的產品、資料、信任與成長瓶頸。
來源：Y Combinator YouTube 頻道
SCROLL
YC Paper Club 這場分享，從蛋白質模型、LLM self-play、語音 RAG、Lean 驗證到 agentic coding。五篇 paper 看似分散，放在創業視角下，都在指向下一批 AI 公司會遇到的產品、資料、信任與成長瓶頸。
來源：Y Combinator YouTube 頻道
主持人一開始說，這場會比前一次更偏應用。接著列出五個方向：AI for biology、LLM self-play、stream RAG、Lean for science，以及一位把 AI 程式開發工作流推到極限的創辦人。
這種安排很 YC。它不是請研究者展示模型分數，而是把研究問題翻成創辦人該問的問題：哪種資料還沒被吃乾抹淨？哪種學習迴圈能讓模型自己產生新任務？哪個產品場景不能忍受半秒延遲？哪種工作需要可驗證的答案？哪種團隊流程能把 AI 變成公司速度？
創業者讀 AI paper，不是為了追最新名詞。要看的是：哪個限制正在變貴，哪個能力正在變便宜，哪種客戶痛點會因為這個變化第一次變得可交付。
這支影片的核心不是「五篇重要論文」。它更像一張路線圖，提醒早期公司別只盯著模型聰明程度，也要盯著資料、延遲、驗證、任務產生與組織吞吐量。
把五段放在一起，會看到 AI 新創的機會不只在「模型更大」。生物模型靠資料尺度打開藥物設計；self-play 想突破人工任務的上限；stream RAG 把低延遲變成語音產品的核心；Lean 把信任變成可驗證物件；agentic coding 則改變團隊產出速度。
創辦人該關心的不是哪篇 paper 名氣最大，而是哪篇 paper 揭露的限制最接近客戶願意付錢的問題。
第一段分享談蛋白質模型。蛋白質可以被看成由 20 種胺基酸組成的序列，序列會折疊成 3D 形狀，形狀決定它在細胞中的功能。Biohub 的 ESMC 做法，是把大量蛋白質序列拿來訓練 masked language model，不直接告訴模型結構，讓它從序列共現中學出生物語法。
重點是尺度。前一代 ESM2 約有 5,000 萬個訓練樣本，新的 ESM Cambrian 把資料推到 28 億個序列，包含大量 metagenomic data。分享者的解讀很直接：在蛋白質世界，data wall 還沒有像文字那樣逼近。演化替人類累積了數十億年的訓練資料，我們實際取樣到的仍只是很小一部分。
對早期公司來說，這不是「AI 也能做生物」的泛泛結論。更精準的判斷是：如果一個領域的資料仍在快速增加，且模型能把原本慢、貴、依賴人工特徵的流程變成高通量推論，那裡就可能長出真正的垂直 AI 公司。
第二段談 Scaling Self-play with Self-guidance。今天大型語言模型不只靠預訓練，後訓練也花大量運算在 RL 任務上。coding、數學、軟體操作都能變成環境，模型嘗試、拿到獎勵、更新參數。
問題是，RL 任務多半需要人工設計。self-play 的承諾，是讓模型自己產生新任務，自己嘗試解題，再用結果繼續學。聽起來像 AlphaZero，但語言模型遇到一個麻煩：如果只獎勵「讓 solver 解不出來」，conjecturer 最容易產生的是複雜、醜陋、沒有學習價值的垃圾題。
這對新創有兩層含義。第一，資料不一定只是「蒐集更多」。你能不能設計一個會產生好任務、好回饋、好評估的系統，會決定模型能否持續進步。第二，困難本身不是價值。困難但偏離客戶場景，只是在浪費運算。
AI 公司真正要建立的，往往不是一次性的資料集，而是持續把錯誤轉成訓練任務的迴圈。
第三段談 stream RAG。文字聊天可以先等使用者輸入完，再檢索資料、生成回答。語音不行。人類對話只要停頓太久就會不自然，尤其 voice AI 若花 10 秒才回覆，體驗直接崩掉。
這篇 paper 的核心做法，是不要等整句話說完才啟動 RAG，而是在使用者說話途中分析片段，判斷何時已經足以開始檢索。簡單方法是 fixed interval streaming RAG：把音訊切成區塊，每段都先跑部分檢索流程，再判斷中途結果是否接近完整查詢。另一種方法是訓練模型自己決定何時觸發新查詢。
創業翻譯很清楚。語音代理人不是把文字 chatbot 加上 TTS。客服、銷售、醫療預約、保險理賠這些場景，產品護城河可能藏在一連串小決策裡：何時聽懂意圖、何時檢索、何時先回應、何時等更多資訊。
第四段談 Lean。非正式數學很有彈性，教授可以省略步驟，讀者也能靠直覺補上。但 formal world 不允許手揮過去。Lean 這類 theorem prover 要求每一步都明確，證明若被 kernel 接受，就不能靠語氣騙過去。
這件事正在從數學走向程式碼與科學。影片提到 IMO 等級數學、開放問題、Mathlib、program verification、用 Lean 表達 tensor 與 neural network，甚至驗證 flash attention 和標準 attention 在規格層級的一致性。
這給 AI 公司一個重要訊號：信任不只靠品牌建立，也可以被產品化。當 AI 產出越來越多，客戶會開始問「我怎麼知道它是對的」。能把規格、證明、測試、審計軌跡做成產品的人，會站在下一輪企業 AI 採購的入口。
最後一段不是 paper talk，而是一位創辦人分享如何把 agentic programming 推到極限。他把過去寫程式比成西洋棋：線性、謹慎、預測未來。現在更像即時戰略遊戲：你要同時管理經濟、產能、單位移動與偵查資訊。
具體做法包含大量使用 git worktree，讓多個 agent 在不同工作區並行；用 orchestrator 啟動 worker；讓 worker 盡量一路做到 PR；把 dev server、測試、摘要與交接流程預先放進工作流；用聲音、顏色、狀態面板降低人類監控成本；把完成工作的脈絡回寫到 knowledge base，讓下一批 agent 更快進入狀況。
這段和前面四段其實相連。bio AI 看資料，self-play 看學習任務，stream RAG 看產品延遲，Lean 看可驗證信任，token maxing 看組織吞吐量。AI 新創的優勢，不只來自模型能力，也來自公司能不能把能力變成穩定產出。
把五段合在一起，創業者可以用一張表檢查自己的公司敘事。好的 AI 募資故事，不是「我們用了最新模型」，而是「我們看見一個限制正在變痛，並且有辦法把它變成客戶願意付錢的能力」。
早期公司的成長路徑，通常不是先做一個漂亮 demo，再等市場自己出現。更好的順序是先找瓶頸，設計能持續改善的系統，再讓客戶看到那個系統如何把成本、時間、風險或產出速度變成可量化的差異。
AI 研究不是只在問模型會不會更聰明，而是在問哪種學習、資料、延遲、驗證與組織流程會先變成公司。
YC Paper Club 的價值，是把研究訊號翻成創辦人能行動的市場問題。
選完之後，分享你的觀點
這頁整理自 Y Combinator YouTube 頻道影片。原始影片保留了五段 talk 的完整脈絡，包含 bio AI、LLM self-play、stream RAG、Lean 驗證與 agentic coding 工作流。
前往 YouTube →喜歡這種分析嗎？
從 AI 代理人、創投生態到平台策略，用台灣讀者看得懂的語言，把複雜的產業變局說清楚。目前已有超過 2 萬位讀者訂閱。
免費訂閱區塊勢 →也可以直接付費支持，解鎖每週完整文章