W czwartek odbył się kolejny Demo Day Y Combinator i ta partia wyglądała nieco inaczej. Choć każdy rocznik przynosi świeżą falę założycieli, startupy prezentowane w tym tygodniu były znacznie bardziej ukierunkowane na deep tech niż w poprzednich latach – technologię, którą jeden z inwestorów opisał jako „jak z science fiction”. Ale poza szalonymi pomysłami konsensus był taki, że wyceny były znacznie bardziej osadzone w rzeczywistości niż w ostatnich rocznikach, co jest najbardziej science-fictionowym wydarzeniem ze wszystkich.

Jak co kwartał, TechCrunch zapytał inwestorów venture capital na wczesnym etapie o najgorętsze startupy z tej partii – zarówno ich typy, jak i transakcje, o których wszyscy mówili. I jak zwykle, publikacja sporządziła listę startupów wskazanych przez co najmniej dwóch inwestorów jako najgłośniejsze w partii. Oto najlepsze typy, wymienione alfabetycznie:

Atomarine

Co buduje: Pływające na morzu centra danych zasilane energią jądrową.

Dlaczego jest faworytem: Energii brakuje, a lokalne społeczności coraz częściej sprzeciwiają się budowie nowych centrów danych. Atomarine – współzałożone przez informatyka i inżyniera morskiego z MIT oraz doktora inżynierii jądrowej z MIT – chce rozwiązać problem niedoboru mocy obliczeniowej, umieszczając centra danych na barkach na morzu, gdzie woda morska zapewniałaby niemal darmowe chłodzenie. Startup planuje uruchomienie pilotażu zasilanego gazem do 2028 roku i przejście na pływające statki z energią jądrową w 2032 roku. Atomarine twierdzi, że pozyskało już ponad 4 miliardy dolarów zainteresowania klientów w formie listów intencyjnych. Ten potencjał przychodów pomógł uczynić go jednym z najwyżej wycenianych startupów w partii, powiedział TechCrunchowi jeden z VC.

Dipole Labs

Co buduje: Skuteczny i energooszczędny sprzęt do szybkiej sieci optycznej dla centrów danych AI.

Dlaczego jest faworytem: Chodzi o to, że klastry GPU marnują dużo czasu obliczeniowego, czekając na przesył danych między chipami. W warstwie sieciowej dane są konwertowane ze światła na prąd i z powrotem, co zużywa dużo energii i generuje dużo ciepła. Ale Dipole Labs twierdzi, że zbudowało przełącznik optyczny, który pomija konwersję, dzięki czemu dane mogą pozostać światłem i trafić bezpośrednio tam, gdzie trzeba. To problem na czasie, ponieważ GPU są szalenie drogie, a centra danych chcą wycisnąć maksimum ze swojego sprzętu obliczeniowego, nie tracąc ani chwili.

Isengard

Co buduje: Lokalnie produkowalne, odrzutowe drony uderzeniowe i przeciw-drony.

Dlaczego jest faworytem: Isengard chce masowo produkować odrzutowe drony bojowe i przeciw-drony bezpośrednio w krajach sojuszniczych, za ułamek tego, co główni wykonawcy pobierają za ich budowę w USA. Współzałożony przez byłego oficera armii australijskiej i przedsiębiorcę z branży obronnej, który wcześniej rozwinął inny startup dronów skupiony na Ukrainie do 60 milionów dolarów przychodu, Isengard sam już generuje 10 milionów dolarów przychodu. Startup wzbudził silny szum wśród VC, zdobywając jedną z najwyższych wycen w tej partii YC, według dwóch inwestorów.

Lamb Labs

Co buduje: Niestandardowe chipy inferencyjne z twardo zapisanymi wagami modeli AI.

Dlaczego jest faworytem: Tradycyjne chipy AI zużywają ogromne ilości energii podczas inferencji, pobierając wagi modeli z pamięci. Współzałożone przez doktora AI z Imperial College London i fizyka teoretycznego z Oksfordu, Lamb Labs chce budować ultraefektywne chipy, twardo zapisując wagi modeli AI bezpośrednio w krzemie. Nazwane „Model Processing Units” (MPU), te niestandardowe chipy eliminują wąskie gardła przepustowości pamięci.

(Nazwy zredagowane przez gospodarkę szumu)

Co buduje: Zbieranie danych z rzeczywistego świata do trenowania robotów.

Dlaczego jest faworytem: Ta firma współpracuje z przedsiębiorstwami, aby zbierać filmy i dane o ludziach wykonujących pracę, które następnie przekształca w materiał treningowy dla firm budujących roboty. Twierdzi, że już współpracuje ze spółkami publicznymi i zebrała dane wideo w ponad 150 różnych środowiskach. Ta firma może stać się ważna, gdy firmy zaczną eksperymentować, które zadania są najlepsze dla ludzi – i, gdy AI będzie się dalej doskonalić, które zadania