每年春天，硅谷的加速器名單都是一張行業(yè)晴雨表。今年Vercel的AI加速器收了39支團隊，這個數(shù)字比2024年的25支漲了56%——但真正的信號藏在名單里：做基礎(chǔ)設(shè)施的變少了，扎進垂直場景的變多了。

這有點像智能手機早期的劇本。2008年App Store剛開時，所有人都在做手電筒和計算器；等到2012年，外賣、打車、辦公開始瓜分用戶時間。AI應(yīng)用正在經(jīng)歷同樣的分化——從"我能用大模型做什么"轉(zhuǎn)向"這個行業(yè)缺什么"。

一份名單里的行業(yè)地圖

39支團隊覆蓋了機器人、建筑、制造、安全、媒體、銷售——幾乎找不到兩個撞車的。Alloy Robotics給工業(yè)機器人做數(shù)據(jù)調(diào)試，Carbyn AI給機械師配AI眼鏡，Blueprints AI直接生成建筑藍圖。這些不是概念驗證，是已經(jīng)有人在付錢的場景。

最直觀的對比是去年的 cohort。2024年的名單里，通用型開發(fā)工具占了大頭：代碼助手、AI基礎(chǔ)設(shè)施、模型托管。今年只有Grid58和CodeYam還在做"讓軟件開發(fā)更快"的事，其他37支全部扎進具體行當(dāng)。

這種轉(zhuǎn)向背后有個樸素的算術(shù)。通用大模型的API成本在過去18個月降了90%以上，但企業(yè)客戶的付費意愿并沒有同比例上漲——因為"更快寫郵件"撐不起預(yù)算審批。反過來，一個能幫機械師減少30%調(diào)試時間的系統(tǒng)，制造業(yè)客戶按小時算ROI，簽字速度快得多。

Carbyn AI的切入點很典型。創(chuàng)始人Jungkeun Hong和Tim Phuan發(fā)現(xiàn)，美國制造業(yè)平均工人年齡57歲，老師傅退休帶走的是幾十年手感經(jīng)驗，不是SOP文檔。他們的方案是一副AI眼鏡：實時捕捉操作畫面，識別異常，調(diào)用知識庫給出建議。這本質(zhì)上是用多模態(tài)模型做"經(jīng)驗數(shù)字化"，但包裝成硬件+軟件的服務(wù)，客戶為結(jié)果付費，不為技術(shù)概念買單。

Blueprints AI更激進。建筑行業(yè)的設(shè)計-審批周期動輒數(shù)月，Al Dram和Coco Cao做的 autonomous agent 直接輸出符合當(dāng)?shù)匾?guī)范的施工圖紙。這不是輔助設(shè)計，是替代初級建筑師的工作流。風(fēng)險顯而易見——規(guī)范變更、責(zé)任歸屬、客戶信任——但回報也明確：一個項目節(jié)省幾周，按人力成本折算就是數(shù)萬美元。

基礎(chǔ)設(shè)施的隱性遷移

Vercel給每支團隊的資源包里，最值錢的可能不是那800萬美元積分，是"self-driving infrastructure"這個承諾。翻譯一下：你的AI應(yīng)用部署、擴展、監(jiān)控，平臺自動處理，創(chuàng)始人只管用Cursor寫業(yè)務(wù)邏輯。

這個定位很聰明。2023年AI創(chuàng)業(yè)的第一波，很多人卡在"調(diào)完模型發(fā)現(xiàn)不會部署"；2024年第二波，卡在"流量漲了服務(wù)器崩了"；2025年的第三波，Vercel賭的是"沒人想再自建基礎(chǔ)設(shè)施"。

名單里有一類團隊特別依賴這個承諾：視頻和多媒體處理。Cloudglue做"視頻上下文層"，Coreviz做"AI原生媒體工作空間"，都需要處理海量非結(jié)構(gòu)化數(shù)據(jù)，對存儲、轉(zhuǎn)碼、推理延遲的要求極高。如果創(chuàng)始人要自己搭這套東西，六個月加速器時間可能連基礎(chǔ)架構(gòu)都跑不通。

Hotfix是另一個極端。Sam Forrester、Evan Eissler和Jack Neil做的"AI生產(chǎn)運維"，直接連代碼庫和云基礎(chǔ)設(shè)施，實時修復(fù)故障。這個產(chǎn)品本身就是基礎(chǔ)設(shè)施的延伸，但團隊選擇建在Vercel上——相當(dāng)于在別人的地基上蓋房子，再賣給需要修房子的人。

這種"基礎(chǔ)設(shè)施寄生"策略在名單里反復(fù)出現(xiàn)。HiveBase自稱"AI Chief of Staff"，集成各種SaaS工具做自動化；Ares做"收入指揮中心"，打通CRM、郵件、日歷。它們都不試圖替換現(xiàn)有系統(tǒng)，而是在縫隙里做編排層——這正是Vercel擅長的領(lǐng)域。

安全與治理的遲到入場

39支團隊里，Hacktron AI是唯一明確標(biāo)出"安全"標(biāo)簽的。Zayne Zhang、Mohan Pedhapati和Harsh Jaiswal的切入點很具體：AI加速代碼產(chǎn)出，漏洞也跟著規(guī)模膨脹，他們的agent嵌入開發(fā)流程，找的是"真實可利用的問題"，不是靜態(tài)掃描的誤報。

這個單一案例暴露了一個行業(yè)盲點。過去兩年，AI安全討論集中在模型對齊、幻覺、深度偽造，但企業(yè)客戶的實際痛點是：我的代碼庫現(xiàn)在有一半是Copilot寫的，我怎么知道里面沒埋雷？

Archival的 founders Pablo Diaz-Granados、Jay Katyan、Griffin Ogura 切的是另一個 governance 角度：團隊到底怎么用AI的？他們的產(chǎn)品提供"工作流級別的可見性"，讓管理者看到AI工具的實際采用率和ROI。這不是技術(shù)問題，是組織問題——而組織問題的付費方是CFO，不是CTO。

兩個案例加起來，勾勒出2026年AI創(chuàng)業(yè)的一個新戰(zhàn)場：不是讓AI更聰明，是讓AI更可管。這個領(lǐng)域目前還是藍海，因為大廠的產(chǎn)品經(jīng)理還在糾結(jié)怎么把安全功能賣給開發(fā)者，而不是賣給董事會。

地域分布的潛臺詞

Vercel官方強調(diào)"覆蓋美國、歐洲、亞洲、拉美"，但39支團隊的實際分布更有意思。公開信息里，至少15支有明確的美洲背景，9支來自歐洲，亞洲面孔集中在Carbyn AI（韓國背景）、Grid58（印度背景）等少數(shù)幾家。拉美團隊數(shù)量未公開，但從行業(yè)慣例推測，可能集中在fintech或物流等本地優(yōu)勢領(lǐng)域。

這種分布和資本流向高度相關(guān)。2024-2025年，美國AI投資占全球70%以上，歐洲靠GDPR合規(guī)敘事分了一杯羹，亞洲除中國外，新加坡和以色列是主要節(jié)點。Vercel的名單基本復(fù)刻了這個格局，沒有意外。

但有一個細節(jié)值得玩味：Cloudglue的Amy Xiao和Kevin Dela Rosa，背景是斯坦福和Meta；CodeYam的Nadia Eldeib和Jared Cosulich，一個來自Y Combinator校友網(wǎng)絡(luò)，一個做過以太坊開發(fā)工具。加速器選拔的與其說是地理多樣性，不如說是人脈網(wǎng)絡(luò)交叉點——這些創(chuàng)始人大概率在入選前就已經(jīng)在Vercel的生態(tài)里活動。

換句話說，"全球選拔"是個真實但有限的敘事。真正的篩選發(fā)生在申請之前：誰能接觸到Vercel的開發(fā)者關(guān)系團隊，誰能在Twitter上被Paul Graham轉(zhuǎn)發(fā)，誰的前同事現(xiàn)在在Anthropic做工程師。

六周之后呢

Vercel加速器的歷史不算長，但已有可追蹤的結(jié)果。2024年的25支團隊里，至少6支在六個月內(nèi)完成了種子輪或A輪，包括做AI語音合成的ElevenLabs（雖非直接出自該加速器，但創(chuàng)始人與Vercel生態(tài)深度綁定）。今年的資源包明顯加碼：Anthropic、OpenAI、Cartesia、ElevenLabs的積分組合，相當(dāng)于把大模型層的競爭關(guān)系打包送給創(chuàng)業(yè)者，讓他們自己選邊。

但更長期的賭注是"self-driving infrastructure"這個概念本身。Vercel CEO Guillermo Rauch的愿景是，未來的應(yīng)用開發(fā)應(yīng)該像用Uber一樣——你輸入目的地，系統(tǒng)處理路線、車輛、支付。AI加速器是這個愿景的測試場：如果39支團隊能在六周內(nèi)從零到demo，證明基礎(chǔ)設(shè)施確實"隱形"了，Vercel就能向更大客戶推銷同一套敘事。

對入選團隊來說，風(fēng)險在于過度依賴。Hotfix和HiveBase的產(chǎn)品邏輯都建立在"集成一切"之上，但如果Vercel的某個合作方（比如AWS）改變政策，或者Anthropic的模型定價突變，它們的value proposition需要重寫。這不是理論擔(dān)憂——2024年OpenAI的API價格變動，曾讓一批依賴GPT-4的初創(chuàng)公司緊急改架構(gòu)。

名單里有一支團隊的位置很特別：Integrated Reasoning，創(chuàng)始人David Cox，簡介只寫了一半就截斷，但這個名字指向一位前IBM Watson、前MIT-IBM Watson AI Lab的資深研究者。如果這是同一個人，他的加入意味著學(xué)術(shù)-產(chǎn)業(yè)旋轉(zhuǎn)門仍在運轉(zhuǎn)，也意味著Vercel愿意用名額換取某種研究背書——哪怕產(chǎn)品方向尚未公開。

這種"未完成"狀態(tài)恰恰是加速器的本質(zhì)。39支團隊里，至少三分之一在入選時還沒有公開產(chǎn)品，它們的估值建立在"人"和"方向"上，而不是數(shù)據(jù)。六周時間足夠跑通一個demo，但不足以驗證商業(yè)模式。真正的篩選發(fā)生在加速器結(jié)束之后：誰能把Vercel的積分換成付費客戶，誰能在Demo Day的掌聲散去后繼續(xù)迭代。

Cloudglue的Amy Xiao曾在采訪中提到，視頻理解的瓶頸不是模型能力，是"上下文窗口太貴"——處理一小時的視頻，當(dāng)前的多模態(tài)模型成本可能超過人工標(biāo)注。Vercel的積分能覆蓋這個成本，但積分會用完。她的團隊需要在六周內(nèi)證明：當(dāng)成本降到某個閾值以下，市場會自發(fā)涌現(xiàn)。

這是所有AI基礎(chǔ)設(shè)施創(chuàng)業(yè)的共同困境。技術(shù)曲線在下降，但商業(yè)曲線的起點在哪里？Vercel加速器提供了一個昂貴的實驗室，讓39支團隊同時測試假設(shè)。六周后，有些會發(fā)現(xiàn)閾值已經(jīng)觸及，有些會發(fā)現(xiàn)市場還不存在——這種分化本身，就是行業(yè)成熟的標(biāo)志。

名單末尾的Alloy Robotics，創(chuàng)始人Joe Harris的背景未公開，但"terabytes of robot data"這個描述暗示了硬件+軟件的復(fù)合難度。工業(yè)機器人數(shù)據(jù)的高頻采集、邊緣推理、實時反饋，每一步都是工程深淵。Vercel的"self-driving infrastructure"在這里遇到邊界：它能讓代碼部署變簡單，但沒法讓機械臂的延遲變低。

這種邊界感很重要。2023年的AI敘事是"大模型無所不能"，2024年修正為"agent能接管工作流"，2025年的名單則顯示：創(chuàng)業(yè)者正在學(xué)會區(qū)分"能演示"和能交付"。39支團隊里，沒有一家聲稱要"顛覆"或"重塑"某個行業(yè)——它們的說法是"debugging faster""improve ROI""fix issues as they happen"，都是增量改進，都是具體場景。

這種克制可能是生存策略。過去兩年，AI領(lǐng)域的死亡案例里，很大一部分死于"愿景太大，落地太慢"。Vercel的選拔標(biāo)準(zhǔn)顯然在過濾這種人：你要有技術(shù)深度，但更要能在六周內(nèi)show something working。

加速器本身的商業(yè)模式也在進化。傳統(tǒng)的Y Combinator模式是"批量生產(chǎn)創(chuàng)業(yè)公司，賭少數(shù)贏家"，Vercel的變體是"批量生產(chǎn)生態(tài)參與者，賭基礎(chǔ)設(shè)施粘性"。它不拿股權(quán)，或者說拿的是"積分+服務(wù)"形式的隱性股權(quán)——這些團隊未來幾年的云支出，大概率留在Vercel體系內(nèi)。

從這個角度看，39支團隊既是創(chuàng)業(yè)者，也是產(chǎn)品經(jīng)理。它們的需求反饋會直接塑造Vercel的AI基礎(chǔ)設(shè)施路線圖，它們的成功案例會成為銷售材料。這種雙向綁定，比任何股權(quán)投資都更緊密。

名單里最小的團隊可能是Integrated Reasoning——截斷的簡介，單名創(chuàng)始人，沒有聯(lián)合創(chuàng)始人。David Cox如果真的是那位MIT背景的研究者，他的 solo founder 狀態(tài)可能意味著某種學(xué)術(shù)-產(chǎn)業(yè)轉(zhuǎn)換的陣痛：有技術(shù)，有聲譽，但還沒有找到愿意全職投入的合伙人。Vercel的加速器對這種profile是雙刃劍：六周的密集支持可以補全團隊，但也可能暴露組織能力的短板。

相比之下，Hacktron AI的三人組（Zayne Zhang、Mohan Pedhapati、Harsh Jaiswal）和Hotfix的三人組（Sam Forrester、Evan Eissler、Jack Neil）都呈現(xiàn)了典型的"工程+產(chǎn)品+領(lǐng)域"組合。安全領(lǐng)域的創(chuàng)業(yè)尤其需要這種三角：懂漏洞的人、懂模型的人、懂銷售的人，缺一不可。

這種團隊構(gòu)成的差異，會直接影響六周后的走向。solo founder 需要花更多時間招聘，三人組可以并行推進產(chǎn)品和客戶。Vercel的"VC mentors"資源，對前者的價值可能是"介紹聯(lián)合創(chuàng)始人"，對后者的價值可能是"介紹第一個付費試點"。

回到那個56%的增長數(shù)字：從25到39。表面是規(guī)模擴張，實際是篩選標(biāo)準(zhǔn)的外延。2024年的 cohort 以"AI-native devtools"為核心，2025年變成了"AI in verticals"。這個轉(zhuǎn)變和Vercel自身的業(yè)務(wù)階段相關(guān)：當(dāng)基礎(chǔ)開發(fā)者工具的市場趨于飽和，它需要證明基礎(chǔ)設(shè)施能支撐更復(fù)雜的應(yīng)用場景。

機器人、建筑、制造、媒體——這些行業(yè)的共同點是"數(shù)據(jù)重、流程長、決策慢"。它們不是互聯(lián)網(wǎng)原生的，不是"move fast and break things"的樂土。如果Vercel的基礎(chǔ)設(shè)施能讓這些領(lǐng)域的AI應(yīng)用"move fast"，它的敘事就從"前端部署平臺"升級為"企業(yè)AI操作系統(tǒng)"。

這是比800萬美元積分更大的賭注。39支團隊是39個實驗，每個實驗都在測試同一個假設(shè)：當(dāng)AI模型的能力溢出技術(shù)圈，誰來承接這些能力，把它們變成可交付的產(chǎn)品？

六周后，Demo Day的評委們會看到的，可能不是39個 polished 的pitch，而是39個關(guān)于"AI到底能做什么"的不同答案。有些答案會被市場驗證，有些會被遺忘。但名單本身已經(jīng)是一個答案：AI創(chuàng)業(yè)正在從"套殼大模型"轉(zhuǎn)向"扎進泥地"，從"看我有多聰明"轉(zhuǎn)向"幫你省多少錢"。

這個轉(zhuǎn)向能不能持續(xù)，取決于一個未解的問題：當(dāng)Vercel的積分用完，這些團隊能不能用自己的收入續(xù)費AWS和Anthropic？