Requests for Startups ของ YC - ฤดูร้อน 2026

xguru · 2026-04-29T12:40:12+09:00

Y Combinator ได้รวบรวมไอเดียที่อยากเห็นผู้ก่อตั้งลองทำมากขึ้น และเผยแพร่ภายใต้ชื่อ Request for Startups(RFS) มาโดยตลอด เมื่อ AI กำลังก้าวจากฟังก์ชันเสริมไปสู่การเป็น เทคโนโลยีฐานราก จึงได้เผยแพร่ไอเดียสตาร์ตอัป 15 ข้อที่จะ สร้างซอฟต์แวร์·บริการ·เซมิคอนดักเตอร์ขึ้นใหม่ และขยาย AI ไปสู่โลกกายภาพ รายการนี้ไม่ใช่ทั้งหมดของการลงทุนของ YC แต่หากคุณสนใจไอเดียด้านล่างอยู่แล้ว ก็อาจใช้เป็นแรงยืนยันเพิ่มเติมได้ว่า YC ก็คิดเหมือนกัน เกษตรกรรม AI ที่ใช้สารเคมีต่ำ เกษตรกรรมสมัยใหม่พึ่งพาสารเคมี แต่ สารตกค้างจากยาฆ่าแมลง กำลังกระจายสู่แหล่งอาหาร น้ำ และดิน พร้อมกับความกังวลที่เพิ่มขึ้นต่อความเสี่ยงด้านสุขภาพระยะยาวของ glyphosate เมื่อวัชพืชและศัตรูพืชปรับตัวเข้ากับสารเคมีเดิมได้ ประสิทธิภาพก็ลดลง เกษตรกรจึงต้องใช้สารมากขึ้น ขณะที่ต้นทุนสูงขึ้นและกำไรลดลง กลายเป็นวงจรลบ ตอนนี้ AI สามารถ ระบุวัชพืชและศัตรูพืชรายตัวได้แบบเรียลไทม์ แล้ว ขณะเดียวกันต้นทุนของเซนเซอร์และกล้องก็ลดลง ทำให้หุ่นยนต์สามารถจัดการอย่างแม่นยำในระดับต้นพืชแต่ละต้น แทนที่จะจัดการทั้งแปลง โซลูชันแบบจุลชีพ เปปไทด์ และ RNA-based solution มาถึงระดับที่สามารถทดแทนหมวดหมู่ของสารเคมีสังเคราะห์ทั้งหมดได้ และยังสามารถออกแบบให้พืชป้องกันตัวเองและแข่งขันกับวัชพืชได้ บริษัทที่สามารถ ลดการใช้สารเคมีทางการเกษตรลง 90% พร้อมปลูกอาหารได้มากขึ้น อาจกลายเป็นบริษัทที่กำหนดนิยามของคนทั้งยุค บริษัทบริการ AI-native โมเดล AI พัฒนาเร็วพอที่จะทำงานซับซ้อนได้เกินกว่างานวิศวกรรม กระแสจึงวิวัฒน์จากบริการไปสู่ SaaS และต่อมาเป็น AI copilot ช่วงปี 2023~2025 สตาร์ตอัปส่วนใหญ่สร้างเครื่องมือที่ช่วยงานของมนุษย์ แต่ขั้นถัดไปคือบริษัท AI-native ที่ไม่ได้ขายซอฟต์แวร์ แต่ขาย ตัวบริการนั้นเอง มูลค่าการใช้จ่ายด้านบริการรวมสูงกว่าการใช้จ่ายด้านซอฟต์แวร์หลายเท่า และมีบริการจำนวนมากที่ถูกเอาต์ซอร์สอยู่แล้ว จึงแทนที่ด้วยผลิตภัณฑ์ AI-native ได้ง่าย ด้านที่สนใจเป็นพิเศษ: นายหน้าประกัน, งานบัญชี·ภาษี·ตรวจสอบบัญชี, คอมพลายแอนซ์, งานธุรการทางการแพทย์ การแพทย์เฉพาะบุคคลด้วย AI ใช้ agent harness อย่าง Claude Code เพื่อวิเคราะห์การตรวจวินิจฉัย การสแกนจีโนม ข้อมูล EHR และข้อมูลจากอุปกรณ์สวมใส่ แล้วให้คำแนะนำด้านสุขภาพที่เหมาะกับผู้ใช้แต่ละคนได้ ต้นทุนการถอดรหัสจีโนมลดลง เร็วกว่ากฎของมัวร์ และเครื่องมือวินิจฉัยใหม่หลากหลายชนิดก็ทำให้ตรวจพบสัญญาณสุขภาพได้ตั้งแต่ระยะเริ่มต้น ต้นทุนในการสร้าง n-of-1 gene therapy ลดลงอย่างมาก และสามารถออกแบบรวมถึงส่งมอบยาที่ปรับเฉพาะบุคคลผ่านเวกเตอร์ส่งยาอย่าง mRNA ได้ โดย FDA ก็เปิดกว้างต่อกระบวนการลักษณะนี้มากขึ้น ข้อมูลและความฉลาดที่อุดมสมบูรณ์จะช่วย เพิ่มความแม่นยำในการประเมินความเสี่ยงโรคของผู้ป่วย และทำให้การเข้าถึงการรักษาโรคร้ายแรงเป็นประชาธิปไตยมากขึ้น Company Brain (สมองขององค์กร) อุปสรรคใหญ่ที่สุดของระบบอัตโนมัติด้วย AI ไม่ใช่ประสิทธิภาพของโมเดลอีกต่อไป แต่คือ ความรู้เฉพาะโดเมน เนื่องจากองค์ความรู้หลักของทุกบริษัทกระจายอยู่ในอีเมล, Slack, ตั๋วซัพพอร์ต, ฐานข้อมูล ฯลฯ สิ่งที่ต้องการไม่ใช่แค่การค้นหาหรือแชตบอตเอกสาร แต่เป็น แผนที่มีชีวิตของวิธีการทำงานของบริษัท เช่น วิธีคืนเงิน วิธีตัดสินใจกรณียกเว้นด้านราคา หรือวิธีตอบสนองต่ออินซิเดนต์ ต้องมีองค์ประกอบพื้นฐานใหม่ที่ดึงความรู้จากแหล่งกระจาย จัดโครงสร้าง รักษาให้ทันสมัย และแปลงเป็น skill file ที่ AI นำไปปฏิบัติได้ Company Brain จะทำหน้าที่เป็น เลเยอร์ที่ขาดหายไป ระหว่างข้อมูลดิบขององค์กรกับระบบอัตโนมัติ AI ที่เชื่อถือได้ และเป็นโครงสร้างพื้นฐานที่ทุกบริษัทต้องการ การป้องกันฝูงโดรน (Counter-Swarm Defense) มีการกล่าวถึงกรณีฝูงโดรนราคาถูกจากอิหร่าน โจมตี AWS data center ซึ่งสะท้อนว่ายังไม่มีความพร้อมในการรับมือฝูงโดรนที่ประสานงานกันเป็นพันลำ ขีปนาวุธ Patriot ลูกละ 3 ล้านดอลลาร์ ขณะที่โดรน FPV หนึ่งลำราคา 500 ดอลลาร์ ทำให้ ความได้เปรียบด้านต้นทุนอยู่ฝั่งผู้โจมตีอย่างสิ้นเชิง ปัจจุบันระบบป้องกันโดรนเป็นโครงสร้างที่แออัด โดยเรดาร์ กล้อง jammer เครื่องสกัดกั้น และเจ้าหน้าที่ส่องกล้องสองตา ทำงานแยกกันโดยไม่เชื่อมโยง เทคโนโลยีที่ต้องการคือ interceptor ความจุสูง ที่หยุดได้มากกว่า 50 ลำด้วยแพลตฟอร์มเดียว ซอฟต์แวร์ที่บูรณาการเซนเซอร์และระบบป้องกันทั้งหมดแบบเรียลไทม์ และ วิธีป้องกันแบบไม่ใช้การปะทะโดยตรง เช่น ละอองที่ทำให้โรเตอร์ปนเปื้อน หรือสายริบบอนที่ทำให้ฝูงพันกัน การป้องกันโดรนกำลังใกล้เคียงกับ การปฏิบัติการระบบกระจายแบบเรียลไทม์ มากกว่าการใช้งานอาวุธ และบริษัทที่จะชนะอาจมีลักษณะคล้าย Cloudflare มากกว่า Raytheon อินเทอร์เฟซซอฟต์แวร์แบบไดนามิก ซอฟต์แวร์เดิมมอบอินเทอร์เฟซแบบเดียวกันให้ผู้ใช้ทุกคน แม้แต่การปรับแต่งของ Netflix ก็ยังเป็นเพียงเลย์เอาต์เดิมแต่เปลี่ยนรูปภาพ แนวทางที่เดิมมีเฉพาะในซอฟต์แวร์องค์กร ซึ่ง forward deployed engineer ปรับแต่งให้ลูกค้าแต่ละราย กำลังเข้าสู่จุดที่ coding agent สามารถทำให้ผู้ใช้แต่ละคนได้ ผู้ใช้จะปรับแต่งอินเทอร์เฟซได้อย่างสุดขั้ว เช่น อีเมลไคลเอนต์ที่สำหรับผู้ใช้คนหนึ่งอาจดูเป็น task list แต่สำหรับนักศึกษาอาจดูเป็น event calendar อนาคตที่บริษัทซอฟต์แวร์ปล่อย shared primitive แล้วผู้ใช้เปลี่ยนอินเทอร์เฟซขั้นสุดท้ายเอง จำเป็นต้อง ทบทวนสแตกการส่งมอบซอฟต์แวร์ทั้งชุด มีคำถามอย่างเช่น จะเผยแพร่ซอร์สโค้ดให้ coding agent ของผู้ใช้เข้าถึงหรือไม่ จะแก้ได้เฉพาะ frontend หรือแก้ถึง middleware ได้ด้วยหรือไม่ ชิ้นส่วนอิเล็กทรอนิกส์สำหรับอวกาศ ด้วย จรวดใช้ซ้ำได้ ของ SpaceX และ Stoke Space ความสามารถในการส่งสิ่งของขึ้นสู่อวกาศจะเพิ่มขึ้นอย่างมาก โดยเฉพาะอย่างยิ่งจะมีตลาดขนาดใหญ่มากสำหรับ ชิป inference ในอวกาศ ซึ่งต้องเป็นชิปที่ปรับให้เหมาะกับมวล ความร้อน และรังสีในระดับหนึ่ง มองหาผู้มีประสบการณ์ด้านการออกแบบชิปจาก SpaceX หรือ NVIDIA ซัพพลายเชนฮาร์ดแวร์ ที่เซินเจิ้น (Shenzhen) ใช้เวลาเพียง 1 วัน ตั้งแต่การออกแบบจนถึงการสร้างชิ้นส่วนกายภาพใหม่ แต่ในสหรัฐฯ กระบวนการเดียวกันใช้เวลาหลายสัปดาห์ เหตุผลที่จีนชนะคือเครือข่ายซัพพลายเออร์ที่หนาแน่น การหมุนงานที่รวดเร็ว และ การประสานงานอย่างใกล้ชิด ระหว่างการออกแบบกับการผลิต แม้สตาร์ตอัปบางรายกำลังสร้างบางส่วนอยู่ เช่น Hlabs(W26) สำหรับการผลิต actuator และ Prototyping.io(P26) สำหรับเปลี่ยนชิ้นส่วนเครื่องจักรภายในไม่กี่วัน แต่สแตกครบวงจรยังไม่มี สนใจสตาร์ตอัปที่ผลิตชิ้นส่วนได้เร็วขึ้นอย่างก้าวกระโดด ทำให้การวนรอบฮาร์ดแวร์เร็วขึ้น และ บูรณาการการออกแบบ·การผลิต·โลจิสติกส์อย่างแน่นแฟ้น ขีดความสามารถทางอุตสาหกรรมอวกาศ สนใจการ พัฒนาขีดความสามารถทางอุตสาหกรรม บนดวงจันทร์และในอวกาศ โดยเฉพาะการสกัดวัตถุดิบอย่างซิลิคอน อะลูมิเนียม เหล็ก และไทเทเนียมผ่านกระบวนการอิเล็กโทรลิซิส รวมถึงเทคโนโลยี 3D printing โครงสร้างซับซ้อนจาก regolith หลอมเหลว ซึ่งบนดวงจันทร์มีประสิทธิภาพยิ่งกว่าบนโลกเพราะไม่จำเป็นต้องมีโครงสร้างค้ำยัน ชิป inference สำหรับ agent workflow ชิป AI ส่วนใหญ่ถูกออกแบบมาสำหรับการอนุมานแบบ “ป้อนพรอมป์ → ส่งคำตอบ” แต่ agent ทำงานเป็นลูปที่มี การรักษาคอนเท็กซ์ ตลอดหลายสิบขั้นตอน พร้อมการเรียกใช้เครื่องมือ การแตกแขนง และการย้อนกลับ ปัจจุบัน GPU มี อัตราการใช้ประโยชน์สูงสุดเพียง 30~40% กับเวิร์กโหลดลักษณะนี้ โดยมีรูปแบบการกระชากสลับไปมาระหว่าง model call แบบ memory-bound การใช้เครื่องมือแบบ I/O-bound และ orchestration แบบ CPU-bound แม้ NVIDIA จะเข้าซื้อ Groq ด้วยมูลค่า 2 หมื่นล้านดอลลาร์ และ Google สร้าง TPU v7 สำหรับ inference โดยเฉพาะ แต่การออกแบบเพื่อรองรับ agent loop โดยตรง เช่น การสลับคอนเท็กซ์อย่างรวดเร็ว speculative decoding แบบเนทีฟ และหน่วยความจำที่คง KV cache ไว้ตลอด execution graph ยังไม่มี อินไซต์สำคัญของ Groq ไม่ใช่ตัวชิป แต่เป็น compiler ที่ทำให้ชิปทำงานได้ และตอนนี้เป็นช่วงเวลาหายากที่ต้องการคนซึ่งเข้าใจทั้งสถาปัตยกรรมชิปและวิธีรัน agent SaaS challenger แม้การเขียนโค้ดด้วย AI จะทำให้กระแส “จุดจบของ SaaS” แพร่หลาย และนักลงทุนตัดมูลค่าตลาดซอฟต์แวร์ไปรวมกัน หลายล้านล้านดอลลาร์ แต่นี่คือโอกาสใหญ่ที่สุดของสตาร์ตอัปในรอบ 10 ปี AI ลดต้นทุนการผลิตซอฟต์แวร์ลง 10~100 เท่า ทำให้คูเมืองของ legacy SaaS ที่สะสมจากโค้ดนับล้านบรรทัดตลอดหลายทศวรรษเริ่มหายไป สเปกตรัมการโจมตีมีตั้งแต่การโคลนผลิตภัณฑ์เดิมแล้วขายในราคา 1/10, การออกแบบ workflow ใหม่แบบ AI-native, การรวม SaaS point solution 10 ตัวเป็น suite เดียว, ไปจนถึงการแทนที่ ผลิตภัณฑ์ราคา 50,000 ดอลลาร์ต่อ seat ด้วยโอเพนซอร์ส แล้วทำรายได้จากบริการและโฮสติ้ง แทนที่จะเล็งเป้าหมายง่ายอย่างเครื่องมือจัดการโปรเจกต์ ควรบุกตลาดอย่างซอฟต์แวร์ออกแบบชิป ERP ระบบควบคุมอุตสาหกรรม หรือการจัดการซัพพลายเชน ซึ่งเป็น codebase ระดับ 10 ล้านบรรทัดที่แทบไม่มีใครเจาะได้มาหลายสิบปี บริษัทซอฟต์แวร์ที่ยิ่งใหญ่ของคนรุ่นก่อนเกิดจากการแทนที่ on-premise ด้วยคลาวด์ ส่วนคนรุ่นถัดไปจะเกิดจาก การแทนที่ legacy SaaS ด้วยซอฟต์แวร์ AI-native ซอฟต์แวร์สำหรับ agent ผู้ใช้ 1 ล้านล้านรายถัดไปของอินเทอร์เน็ตจะไม่ใช่มนุษย์ แต่เป็น AI agent และปัจจุบัน agent ยังทำงานบนซอฟต์แวร์ที่ออกแบบให้มนุษย์กดปุ่ม จึงทั้งช้าและไม่เสถียร สำหรับ agent จำเป็นต้องมีอินเทอร์เฟซที่เครื่องอ่านได้ เช่น API, MCP, CLI แทนอินเทอร์เฟซแบบมองเห็นอย่างฟอร์ม ปุ่ม หรือแดชบอร์ด หากจะให้ agent ค้นพบ สมัครใช้งาน และเริ่มใช้เครื่องมือใหม่แบบโปรแกรมได้ทันที ก็ต้องมี เอกสารที่ครบถ้วนอย่างเข้มงวด และต้องทำงานได้โดยไม่ต้องมีมนุษย์แทรกแซง ซอฟต์แวร์ทุกหมวดหลักที่มีอยู่จำเป็นต้องถูกสร้างใหม่เพื่อ agent และโอกาสนี้จะมาจากสตาร์ตอัปที่ ออกแบบโดยถือว่า agent เป็นพลเมืองชั้นหนึ่งตั้งแต่ต้น ไม่ใช่จากบริษัทเดิมที่แค่เพิ่มการรองรับ agent สตาร์ตอัปที่อยากขายให้บริษัทยักษ์ใหญ่ เดิมทีสูตรมาตรฐานคือสตาร์ตอัปขายให้สตาร์ตอัปด้วยกัน แต่หลังการมาของ AI ตอนนี้สามารถเข้าถึง บริษัทยักษ์ระดับ Fortune 100 ได้แล้ว AI เปลี่ยนกำแพงอยู่ 3 ด้าน: ผู้มีอำนาจตัดสินใจในองค์กรใหญ่ กำลังมองหาทีมที่แก้ปัญหาหลักด้วย AI อย่างจริงจัง, ทีมเล็กสามารถสร้างผลิตภัณฑ์ซับซ้อนสำหรับองค์กรใหญ่ได้ภายในไม่กี่เดือน, และผู้นำองค์กรใหญ่ ตระหนักเองว่าต้องปรับตัว ในช่วง 3 ปีที่ผ่านมา บริษัทใน YC หลายแห่งเซ็น สัญญามูลค่าหลายล้านดอลลาร์ ตั้งแต่ระหว่างแบตช์หรือในปีแรก และกรณีที่ลูกค้ารายแรกเป็นบริษัทที่ใหญ่ที่สุดในโลกก็พบได้บ่อย ยุคของการอยู่ใน stealth mode 3 ปีเพื่อไล่ฟีเจอร์ให้เทียบเท่าผลิตภัณฑ์เดิมได้จบแล้ว ตอนนี้ ทีม 2~3 คนสามารถเปิดตัวผลิตภัณฑ์ที่บริษัทระดับ Fortune 10 ใช้งานได้ก่อนจดทะเบียนบริษัทเสียอีก ซัพพลายเชนเซมิคอนดักเตอร์ 2.0 ชิป AI ล้ำสมัยหนึ่งตัวต้องผ่านกระบวนการประมาณ 1,400 ขั้นตอน เดินทางผ่านมากกว่า 12 ประเทศ และใช้เวลาผลิตราว 5 เดือน แต่ซัพพลายเชนนี้ยังถูกจัดการด้วยสเปรดชีต SAP และโทรศัพท์ ในปี 2021 ชิปมูลค่า 300 ดอลลาร์ทำให้รถยนต์มูลค่า 50,000 ดอลลาร์ ผลิตไม่ได้รวมมูลค่า 2.1 แสนล้านดอลลาร์ และบริษัทต่าง ๆ มองเห็นได้เพียงซัพพลายเออร์ตรงของตัวเอง โดยแทบไม่เห็น tier 2 และ tier 3 เลย advanced packaging ของ TSMC คือคอขวดใหญ่ที่สุดของ AI compute ในปัจจุบัน โดย NVIDIA จองไปมากกว่า 60% หน่วยความจำ HBM ถูกจองเต็มไปจนถึงปี 2026 และกฎควบคุมการส่งออกก็เปลี่ยนทุกไตรมาส จาก CHIPS Act ทำให้กำลังก่อสร้าง fab ใหม่ใน Arizona, Texas, Ohio และ New York แต่แต่ละ fab ก็ต้อง สร้างซัพพลายเชนแทบตั้งแต่ศูนย์ เครื่องมือที่ควรมี เช่น การติดตามการจัดสรรแบบเรียลไทม์ การเฝ้าระวังความเสี่ยงหลายชั้น และ export compliance แทบยังไม่มีอยู่ และเพราะต้องเข้าใจอย่างลึกถึงการจัดสรรเวเฟอร์กับข้อจำกัดด้าน packaging จึงเป็นโอกาสของสตาร์ตอัป ไม่ใช่ฟังก์ชันใน SAP ระบบปฏิบัติการ AI สำหรับองค์กร บริษัท AI-native ที่ดีที่สุดจะบันทึกทุกการประชุม ติดตามทุกตั๋ว และเก็บทุกปฏิสัมพันธ์กับลูกค้า เพื่อทำให้ ทั้งองค์กรสามารถถูก query ได้ สิ่งนี้ทำให้องค์กรเปลี่ยนจาก open loop (ตัดสินใจแล้วรอหลายสัปดาห์ค่อยตรวจผล) ไปเป็น closed loop (ระบบคอยเฝ้าดู เปรียบเทียบ และปรับตามสถานการณ์ปัจจุบัน) ทีมที่นำแนวทางนี้ไปใช้สามารถลดเวลาสปรินต์ลงครึ่งหนึ่ง และ เพิ่มปริมาณการปล่อยงานเป็นสองเท่า แต่การสร้างสิ่งนี้ในตอนนี้ยังต้องทำ งานเชื่อมต่ออันเหน็ดเหนื่อย ด้วย custom glue code ระหว่าง Slack, Linear, GitHub, Notion และบันทึกการโทร ยังไม่มีผลิตภัณฑ์ที่เชื่อมทุกคอนเท็กซ์เข้าสู่เลเยอร์อัจฉริยะเดียว เพื่อ แจ้งเตือน เมื่อทีมวิศวกรรมกำลังสร้างสิ่งผิด หรือสร้างสเปกให้ agent นำไปปฏิบัติได้ จึงเป็นโอกาสในการสร้างเลเยอร์เชื่อมต่อที่เปลี่ยนผลผลิตขององค์กรให้กลายเป็น วงจรพัฒนาตัวเอง

(ycombinator.com)

33 คะแนน โดย xguru 21 일 전 | 2 ความคิดเห็น | แชร์ทาง WhatsApp

Y Combinator ได้รวบรวมไอเดียที่อยากเห็นผู้ก่อตั้งลองทำมากขึ้น และเผยแพร่ภายใต้ชื่อ Request for Startups(RFS) มาโดยตลอด
เมื่อ AI กำลังก้าวจากฟังก์ชันเสริมไปสู่การเป็น เทคโนโลยีฐานราก จึงได้เผยแพร่ไอเดียสตาร์ตอัป 15 ข้อที่จะ สร้างซอฟต์แวร์·บริการ·เซมิคอนดักเตอร์ขึ้นใหม่ และขยาย AI ไปสู่โลกกายภาพ
รายการนี้ไม่ใช่ทั้งหมดของการลงทุนของ YC แต่หากคุณสนใจไอเดียด้านล่างอยู่แล้ว ก็อาจใช้เป็นแรงยืนยันเพิ่มเติมได้ว่า YC ก็คิดเหมือนกัน

เกษตรกรรม AI ที่ใช้สารเคมีต่ำ

เกษตรกรรมสมัยใหม่พึ่งพาสารเคมี แต่ สารตกค้างจากยาฆ่าแมลง กำลังกระจายสู่แหล่งอาหาร น้ำ และดิน พร้อมกับความกังวลที่เพิ่มขึ้นต่อความเสี่ยงด้านสุขภาพระยะยาวของ glyphosate
เมื่อวัชพืชและศัตรูพืชปรับตัวเข้ากับสารเคมีเดิมได้ ประสิทธิภาพก็ลดลง เกษตรกรจึงต้องใช้สารมากขึ้น ขณะที่ต้นทุนสูงขึ้นและกำไรลดลง กลายเป็นวงจรลบ
ตอนนี้ AI สามารถ ระบุวัชพืชและศัตรูพืชรายตัวได้แบบเรียลไทม์ แล้ว ขณะเดียวกันต้นทุนของเซนเซอร์และกล้องก็ลดลง ทำให้หุ่นยนต์สามารถจัดการอย่างแม่นยำในระดับต้นพืชแต่ละต้น แทนที่จะจัดการทั้งแปลง
โซลูชันแบบจุลชีพ เปปไทด์ และ RNA-based solution มาถึงระดับที่สามารถทดแทนหมวดหมู่ของสารเคมีสังเคราะห์ทั้งหมดได้ และยังสามารถออกแบบให้พืชป้องกันตัวเองและแข่งขันกับวัชพืชได้
บริษัทที่สามารถ ลดการใช้สารเคมีทางการเกษตรลง 90% พร้อมปลูกอาหารได้มากขึ้น อาจกลายเป็นบริษัทที่กำหนดนิยามของคนทั้งยุค

บริษัทบริการ AI-native

โมเดล AI พัฒนาเร็วพอที่จะทำงานซับซ้อนได้เกินกว่างานวิศวกรรม กระแสจึงวิวัฒน์จากบริการไปสู่ SaaS และต่อมาเป็น AI copilot
ช่วงปี 2023~2025 สตาร์ตอัปส่วนใหญ่สร้างเครื่องมือที่ช่วยงานของมนุษย์ แต่ขั้นถัดไปคือบริษัท AI-native ที่ไม่ได้ขายซอฟต์แวร์ แต่ขาย ตัวบริการนั้นเอง
มูลค่าการใช้จ่ายด้านบริการรวมสูงกว่าการใช้จ่ายด้านซอฟต์แวร์หลายเท่า และมีบริการจำนวนมากที่ถูกเอาต์ซอร์สอยู่แล้ว จึงแทนที่ด้วยผลิตภัณฑ์ AI-native ได้ง่าย
ด้านที่สนใจเป็นพิเศษ: นายหน้าประกัน, งานบัญชี·ภาษี·ตรวจสอบบัญชี, คอมพลายแอนซ์, งานธุรการทางการแพทย์

การแพทย์เฉพาะบุคคลด้วย AI

ใช้ agent harness อย่าง Claude Code เพื่อวิเคราะห์การตรวจวินิจฉัย การสแกนจีโนม ข้อมูล EHR และข้อมูลจากอุปกรณ์สวมใส่ แล้วให้คำแนะนำด้านสุขภาพที่เหมาะกับผู้ใช้แต่ละคนได้
ต้นทุนการถอดรหัสจีโนมลดลง เร็วกว่ากฎของมัวร์ และเครื่องมือวินิจฉัยใหม่หลากหลายชนิดก็ทำให้ตรวจพบสัญญาณสุขภาพได้ตั้งแต่ระยะเริ่มต้น
ต้นทุนในการสร้าง n-of-1 gene therapy ลดลงอย่างมาก และสามารถออกแบบรวมถึงส่งมอบยาที่ปรับเฉพาะบุคคลผ่านเวกเตอร์ส่งยาอย่าง mRNA ได้ โดย FDA ก็เปิดกว้างต่อกระบวนการลักษณะนี้มากขึ้น
ข้อมูลและความฉลาดที่อุดมสมบูรณ์จะช่วย เพิ่มความแม่นยำในการประเมินความเสี่ยงโรคของผู้ป่วย และทำให้การเข้าถึงการรักษาโรคร้ายแรงเป็นประชาธิปไตยมากขึ้น

Company Brain (สมองขององค์กร)

อุปสรรคใหญ่ที่สุดของระบบอัตโนมัติด้วย AI ไม่ใช่ประสิทธิภาพของโมเดลอีกต่อไป แต่คือ ความรู้เฉพาะโดเมน เนื่องจากองค์ความรู้หลักของทุกบริษัทกระจายอยู่ในอีเมล, Slack, ตั๋วซัพพอร์ต, ฐานข้อมูล ฯลฯ
สิ่งที่ต้องการไม่ใช่แค่การค้นหาหรือแชตบอตเอกสาร แต่เป็น แผนที่มีชีวิตของวิธีการทำงานของบริษัท เช่น วิธีคืนเงิน วิธีตัดสินใจกรณียกเว้นด้านราคา หรือวิธีตอบสนองต่ออินซิเดนต์
ต้องมีองค์ประกอบพื้นฐานใหม่ที่ดึงความรู้จากแหล่งกระจาย จัดโครงสร้าง รักษาให้ทันสมัย และแปลงเป็น skill file ที่ AI นำไปปฏิบัติได้
Company Brain จะทำหน้าที่เป็น เลเยอร์ที่ขาดหายไป ระหว่างข้อมูลดิบขององค์กรกับระบบอัตโนมัติ AI ที่เชื่อถือได้ และเป็นโครงสร้างพื้นฐานที่ทุกบริษัทต้องการ

การป้องกันฝูงโดรน (Counter-Swarm Defense)

มีการกล่าวถึงกรณีฝูงโดรนราคาถูกจากอิหร่าน โจมตี AWS data center ซึ่งสะท้อนว่ายังไม่มีความพร้อมในการรับมือฝูงโดรนที่ประสานงานกันเป็นพันลำ
ขีปนาวุธ Patriot ลูกละ 3 ล้านดอลลาร์ ขณะที่โดรน FPV หนึ่งลำราคา 500 ดอลลาร์ ทำให้ ความได้เปรียบด้านต้นทุนอยู่ฝั่งผู้โจมตีอย่างสิ้นเชิง
ปัจจุบันระบบป้องกันโดรนเป็นโครงสร้างที่แออัด โดยเรดาร์ กล้อง jammer เครื่องสกัดกั้น และเจ้าหน้าที่ส่องกล้องสองตา ทำงานแยกกันโดยไม่เชื่อมโยง
เทคโนโลยีที่ต้องการคือ interceptor ความจุสูง ที่หยุดได้มากกว่า 50 ลำด้วยแพลตฟอร์มเดียว ซอฟต์แวร์ที่บูรณาการเซนเซอร์และระบบป้องกันทั้งหมดแบบเรียลไทม์ และ วิธีป้องกันแบบไม่ใช้การปะทะโดยตรง เช่น ละอองที่ทำให้โรเตอร์ปนเปื้อน หรือสายริบบอนที่ทำให้ฝูงพันกัน
การป้องกันโดรนกำลังใกล้เคียงกับ การปฏิบัติการระบบกระจายแบบเรียลไทม์ มากกว่าการใช้งานอาวุธ และบริษัทที่จะชนะอาจมีลักษณะคล้าย Cloudflare มากกว่า Raytheon

อินเทอร์เฟซซอฟต์แวร์แบบไดนามิก

ซอฟต์แวร์เดิมมอบอินเทอร์เฟซแบบเดียวกันให้ผู้ใช้ทุกคน แม้แต่การปรับแต่งของ Netflix ก็ยังเป็นเพียงเลย์เอาต์เดิมแต่เปลี่ยนรูปภาพ
แนวทางที่เดิมมีเฉพาะในซอฟต์แวร์องค์กร ซึ่ง forward deployed engineer ปรับแต่งให้ลูกค้าแต่ละราย กำลังเข้าสู่จุดที่ coding agent สามารถทำให้ผู้ใช้แต่ละคนได้
ผู้ใช้จะปรับแต่งอินเทอร์เฟซได้อย่างสุดขั้ว เช่น อีเมลไคลเอนต์ที่สำหรับผู้ใช้คนหนึ่งอาจดูเป็น task list แต่สำหรับนักศึกษาอาจดูเป็น event calendar
อนาคตที่บริษัทซอฟต์แวร์ปล่อย shared primitive แล้วผู้ใช้เปลี่ยนอินเทอร์เฟซขั้นสุดท้ายเอง จำเป็นต้อง ทบทวนสแตกการส่งมอบซอฟต์แวร์ทั้งชุด
- มีคำถามอย่างเช่น จะเผยแพร่ซอร์สโค้ดให้ coding agent ของผู้ใช้เข้าถึงหรือไม่ จะแก้ได้เฉพาะ frontend หรือแก้ถึง middleware ได้ด้วยหรือไม่

ชิ้นส่วนอิเล็กทรอนิกส์สำหรับอวกาศ

ด้วย จรวดใช้ซ้ำได้ ของ SpaceX และ Stoke Space ความสามารถในการส่งสิ่งของขึ้นสู่อวกาศจะเพิ่มขึ้นอย่างมาก
โดยเฉพาะอย่างยิ่งจะมีตลาดขนาดใหญ่มากสำหรับ ชิป inference ในอวกาศ ซึ่งต้องเป็นชิปที่ปรับให้เหมาะกับมวล ความร้อน และรังสีในระดับหนึ่ง
มองหาผู้มีประสบการณ์ด้านการออกแบบชิปจาก SpaceX หรือ NVIDIA

ซัพพลายเชนฮาร์ดแวร์

ที่เซินเจิ้น (Shenzhen) ใช้เวลาเพียง 1 วัน ตั้งแต่การออกแบบจนถึงการสร้างชิ้นส่วนกายภาพใหม่ แต่ในสหรัฐฯ กระบวนการเดียวกันใช้เวลาหลายสัปดาห์
เหตุผลที่จีนชนะคือเครือข่ายซัพพลายเออร์ที่หนาแน่น การหมุนงานที่รวดเร็ว และ การประสานงานอย่างใกล้ชิด ระหว่างการออกแบบกับการผลิต
แม้สตาร์ตอัปบางรายกำลังสร้างบางส่วนอยู่ เช่น Hlabs(W26) สำหรับการผลิต actuator และ Prototyping.io(P26) สำหรับเปลี่ยนชิ้นส่วนเครื่องจักรภายในไม่กี่วัน แต่สแตกครบวงจรยังไม่มี
สนใจสตาร์ตอัปที่ผลิตชิ้นส่วนได้เร็วขึ้นอย่างก้าวกระโดด ทำให้การวนรอบฮาร์ดแวร์เร็วขึ้น และ บูรณาการการออกแบบ·การผลิต·โลจิสติกส์อย่างแน่นแฟ้น

ขีดความสามารถทางอุตสาหกรรมอวกาศ

สนใจการ พัฒนาขีดความสามารถทางอุตสาหกรรม บนดวงจันทร์และในอวกาศ โดยเฉพาะการสกัดวัตถุดิบอย่างซิลิคอน อะลูมิเนียม เหล็ก และไทเทเนียมผ่านกระบวนการอิเล็กโทรลิซิส
รวมถึงเทคโนโลยี 3D printing โครงสร้างซับซ้อนจาก regolith หลอมเหลว ซึ่งบนดวงจันทร์มีประสิทธิภาพยิ่งกว่าบนโลกเพราะไม่จำเป็นต้องมีโครงสร้างค้ำยัน

ชิป inference สำหรับ agent workflow

ชิป AI ส่วนใหญ่ถูกออกแบบมาสำหรับการอนุมานแบบ “ป้อนพรอมป์ → ส่งคำตอบ” แต่ agent ทำงานเป็นลูปที่มี การรักษาคอนเท็กซ์ ตลอดหลายสิบขั้นตอน พร้อมการเรียกใช้เครื่องมือ การแตกแขนง และการย้อนกลับ
ปัจจุบัน GPU มี อัตราการใช้ประโยชน์สูงสุดเพียง 30~40% กับเวิร์กโหลดลักษณะนี้ โดยมีรูปแบบการกระชากสลับไปมาระหว่าง model call แบบ memory-bound การใช้เครื่องมือแบบ I/O-bound และ orchestration แบบ CPU-bound
แม้ NVIDIA จะเข้าซื้อ Groq ด้วยมูลค่า 2 หมื่นล้านดอลลาร์ และ Google สร้าง TPU v7 สำหรับ inference โดยเฉพาะ แต่การออกแบบเพื่อรองรับ agent loop โดยตรง เช่น การสลับคอนเท็กซ์อย่างรวดเร็ว speculative decoding แบบเนทีฟ และหน่วยความจำที่คง KV cache ไว้ตลอด execution graph ยังไม่มี
อินไซต์สำคัญของ Groq ไม่ใช่ตัวชิป แต่เป็น compiler ที่ทำให้ชิปทำงานได้ และตอนนี้เป็นช่วงเวลาหายากที่ต้องการคนซึ่งเข้าใจทั้งสถาปัตยกรรมชิปและวิธีรัน agent

SaaS challenger

แม้การเขียนโค้ดด้วย AI จะทำให้กระแส “จุดจบของ SaaS” แพร่หลาย และนักลงทุนตัดมูลค่าตลาดซอฟต์แวร์ไปรวมกัน หลายล้านล้านดอลลาร์ แต่นี่คือโอกาสใหญ่ที่สุดของสตาร์ตอัปในรอบ 10 ปี
AI ลดต้นทุนการผลิตซอฟต์แวร์ลง 10~100 เท่า ทำให้คูเมืองของ legacy SaaS ที่สะสมจากโค้ดนับล้านบรรทัดตลอดหลายทศวรรษเริ่มหายไป
สเปกตรัมการโจมตีมีตั้งแต่การโคลนผลิตภัณฑ์เดิมแล้วขายในราคา 1/10, การออกแบบ workflow ใหม่แบบ AI-native, การรวม SaaS point solution 10 ตัวเป็น suite เดียว, ไปจนถึงการแทนที่ ผลิตภัณฑ์ราคา 50,000 ดอลลาร์ต่อ seat ด้วยโอเพนซอร์ส แล้วทำรายได้จากบริการและโฮสติ้ง
แทนที่จะเล็งเป้าหมายง่ายอย่างเครื่องมือจัดการโปรเจกต์ ควรบุกตลาดอย่างซอฟต์แวร์ออกแบบชิป ERP ระบบควบคุมอุตสาหกรรม หรือการจัดการซัพพลายเชน ซึ่งเป็น codebase ระดับ 10 ล้านบรรทัดที่แทบไม่มีใครเจาะได้มาหลายสิบปี
บริษัทซอฟต์แวร์ที่ยิ่งใหญ่ของคนรุ่นก่อนเกิดจากการแทนที่ on-premise ด้วยคลาวด์ ส่วนคนรุ่นถัดไปจะเกิดจาก การแทนที่ legacy SaaS ด้วยซอฟต์แวร์ AI-native

ซอฟต์แวร์สำหรับ agent

ผู้ใช้ 1 ล้านล้านรายถัดไปของอินเทอร์เน็ตจะไม่ใช่มนุษย์ แต่เป็น AI agent และปัจจุบัน agent ยังทำงานบนซอฟต์แวร์ที่ออกแบบให้มนุษย์กดปุ่ม จึงทั้งช้าและไม่เสถียร
สำหรับ agent จำเป็นต้องมีอินเทอร์เฟซที่เครื่องอ่านได้ เช่น API, MCP, CLI แทนอินเทอร์เฟซแบบมองเห็นอย่างฟอร์ม ปุ่ม หรือแดชบอร์ด
หากจะให้ agent ค้นพบ สมัครใช้งาน และเริ่มใช้เครื่องมือใหม่แบบโปรแกรมได้ทันที ก็ต้องมี เอกสารที่ครบถ้วนอย่างเข้มงวด และต้องทำงานได้โดยไม่ต้องมีมนุษย์แทรกแซง
ซอฟต์แวร์ทุกหมวดหลักที่มีอยู่จำเป็นต้องถูกสร้างใหม่เพื่อ agent และโอกาสนี้จะมาจากสตาร์ตอัปที่ ออกแบบโดยถือว่า agent เป็นพลเมืองชั้นหนึ่งตั้งแต่ต้น ไม่ใช่จากบริษัทเดิมที่แค่เพิ่มการรองรับ agent

สตาร์ตอัปที่อยากขายให้บริษัทยักษ์ใหญ่

เดิมทีสูตรมาตรฐานคือสตาร์ตอัปขายให้สตาร์ตอัปด้วยกัน แต่หลังการมาของ AI ตอนนี้สามารถเข้าถึง บริษัทยักษ์ระดับ Fortune 100 ได้แล้ว
AI เปลี่ยนกำแพงอยู่ 3 ด้าน: ผู้มีอำนาจตัดสินใจในองค์กรใหญ่ กำลังมองหาทีมที่แก้ปัญหาหลักด้วย AI อย่างจริงจัง, ทีมเล็กสามารถสร้างผลิตภัณฑ์ซับซ้อนสำหรับองค์กรใหญ่ได้ภายในไม่กี่เดือน, และผู้นำองค์กรใหญ่ ตระหนักเองว่าต้องปรับตัว
ในช่วง 3 ปีที่ผ่านมา บริษัทใน YC หลายแห่งเซ็น สัญญามูลค่าหลายล้านดอลลาร์ ตั้งแต่ระหว่างแบตช์หรือในปีแรก และกรณีที่ลูกค้ารายแรกเป็นบริษัทที่ใหญ่ที่สุดในโลกก็พบได้บ่อย
ยุคของการอยู่ใน stealth mode 3 ปีเพื่อไล่ฟีเจอร์ให้เทียบเท่าผลิตภัณฑ์เดิมได้จบแล้ว ตอนนี้ ทีม 2~3 คนสามารถเปิดตัวผลิตภัณฑ์ที่บริษัทระดับ Fortune 10 ใช้งานได้ก่อนจดทะเบียนบริษัทเสียอีก

ซัพพลายเชนเซมิคอนดักเตอร์ 2.0

ชิป AI ล้ำสมัยหนึ่งตัวต้องผ่านกระบวนการประมาณ 1,400 ขั้นตอน เดินทางผ่านมากกว่า 12 ประเทศ และใช้เวลาผลิตราว 5 เดือน แต่ซัพพลายเชนนี้ยังถูกจัดการด้วยสเปรดชีต SAP และโทรศัพท์
ในปี 2021 ชิปมูลค่า 300 ดอลลาร์ทำให้รถยนต์มูลค่า 50,000 ดอลลาร์ ผลิตไม่ได้รวมมูลค่า 2.1 แสนล้านดอลลาร์ และบริษัทต่าง ๆ มองเห็นได้เพียงซัพพลายเออร์ตรงของตัวเอง โดยแทบไม่เห็น tier 2 และ tier 3 เลย
advanced packaging ของ TSMC คือคอขวดใหญ่ที่สุดของ AI compute ในปัจจุบัน โดย NVIDIA จองไปมากกว่า 60% หน่วยความจำ HBM ถูกจองเต็มไปจนถึงปี 2026 และกฎควบคุมการส่งออกก็เปลี่ยนทุกไตรมาส
จาก CHIPS Act ทำให้กำลังก่อสร้าง fab ใหม่ใน Arizona, Texas, Ohio และ New York แต่แต่ละ fab ก็ต้อง สร้างซัพพลายเชนแทบตั้งแต่ศูนย์
เครื่องมือที่ควรมี เช่น การติดตามการจัดสรรแบบเรียลไทม์ การเฝ้าระวังความเสี่ยงหลายชั้น และ export compliance แทบยังไม่มีอยู่ และเพราะต้องเข้าใจอย่างลึกถึงการจัดสรรเวเฟอร์กับข้อจำกัดด้าน packaging จึงเป็นโอกาสของสตาร์ตอัป ไม่ใช่ฟังก์ชันใน SAP

ระบบปฏิบัติการ AI สำหรับองค์กร

บริษัท AI-native ที่ดีที่สุดจะบันทึกทุกการประชุม ติดตามทุกตั๋ว และเก็บทุกปฏิสัมพันธ์กับลูกค้า เพื่อทำให้ ทั้งองค์กรสามารถถูก query ได้
สิ่งนี้ทำให้องค์กรเปลี่ยนจาก open loop (ตัดสินใจแล้วรอหลายสัปดาห์ค่อยตรวจผล) ไปเป็น closed loop (ระบบคอยเฝ้าดู เปรียบเทียบ และปรับตามสถานการณ์ปัจจุบัน)
ทีมที่นำแนวทางนี้ไปใช้สามารถลดเวลาสปรินต์ลงครึ่งหนึ่ง และ เพิ่มปริมาณการปล่อยงานเป็นสองเท่า
แต่การสร้างสิ่งนี้ในตอนนี้ยังต้องทำ งานเชื่อมต่ออันเหน็ดเหนื่อย ด้วย custom glue code ระหว่าง Slack, Linear, GitHub, Notion และบันทึกการโทร
ยังไม่มีผลิตภัณฑ์ที่เชื่อมทุกคอนเท็กซ์เข้าสู่เลเยอร์อัจฉริยะเดียว เพื่อ แจ้งเตือน เมื่อทีมวิศวกรรมกำลังสร้างสิ่งผิด หรือสร้างสเปกให้ agent นำไปปฏิบัติได้ จึงเป็นโอกาสในการสร้างเลเยอร์เชื่อมต่อที่เปลี่ยนผลผลิตขององค์กรให้กลายเป็น วงจรพัฒนาตัวเอง

2 ความคิดเห็น

choam2426 20 일 전

คงจะได้เห็นการป้องกันแบบฝูงที่เคยเห็นแค่ในหนังหรือเกมเกิดขึ้นจริงกันแล้วสินะ

xguru 21 일 전

ออกมาทุกไตรมาสอยู่แล้วครับ
เห็นได้ชัดว่าตอน YC's Requests for Startups - Summer 2025 ก็มีเรื่อง AI เยอะเหมือนกัน
แต่พอเข้าปีนี้มา ดูเหมือนการประยุกต์ใช้ AI จะขยับเข้าใกล้ฝั่ง vertical หรือ enterprise มากขึ้นนะครับ