YC Startup School 2026 开场的第一个问题，是关于"亲手写"还有没有价值：20 多年前主持人第一次见 Patrick Collison 时，最佩服的成就是他写的那门 Lisp 方言 Chroma。今天一个高产量的 16 岁少年，大概直接让 Claude 帮他写一版自己的 Lisp 方言就行了吧？亲手写这件事，还值得吗？

显然，以前的程序员写汇编、写机器码真的很有意思，要去优化指令、内存布局，所有这些细节。而现在我们不用再干这些了——编译器替我们做了，我们也没有真的惋惜。所以也许同样地，我们也不该再为源代码惋惜，而应该干脆超越"指令"这个层面，直接去和 Claude 打交道。但是，从情感上，我会怀念它。

就像缓存一样。Jeff Dean 有那组每个程序员都该知道的数字——带宽、延迟、各种常量。构建分布式系统时，从 L1 缓存、从内存、从网络去取数据，速度是完全不同的量级。知识也是一样的。你可以让 agent 帮你查东西、算东西，但它永远比你直接记在"认知 L1 缓存"里要慢得多。你在大脑里能完成的往返次数，远比对着语音嘟囔或一个字一个字敲出来要多得多。所以就算把模型的能力开到最大，我仍然觉得，在很长一段时间里，神经元式的查找都会快得多。

另外，如果你用"显性偏好"去看各家公司在做什么——不管是 Stripe 还是那些 lab——它们对某种东西依然给出了巨大的溢价：认知能力。所以我不会——在还没有证据表明我们已经把这些益处榨干之前，就主动放弃认知能力，还为时过早。

我仍然坚持自己写。无论在理念上还是具体实质上，我都不喜欢模型写出来的文字。这很有意思，对吧？它们能证明雅可比猜想这样的难题。所以显然，它们能完成了不起的壮举，但我至今还没读到过一篇让我觉得特别有说服力的、由大模型写出来的文章。要在那个领域对它们做强化学习很难，因为效用函数很难定义。

写作是一种非常人际化的沟通方式，而写作本身又极其根本。在现实的多维空间里做出明智的推理——以某种难以言说的方式——模型在这方面仍然有所欠缺。

我有个稍微不寻常的经历——我为了创业辍学了两次。所以这并不完全是单行道：你可以辍学，实际上还可以再回去。我大一第一学期之后就辍学，和 Harj 一起创办了一家公司，那非常有意思。过了两三年，我又回到 MIT 读了一年，然后再次辍学去创办 Stripe。

上大学的时候——可能和在座很多人一样——我对自己的设想是成为一名学者。我非常喜欢物理，把费曼的书都读完了。不过在爱尔兰长大的时候，我并没有认真考虑过创业这件事。我辍学那会儿，大家都觉得这超级奇怪。

总的来说，如果你享受大学生活，我其实建议把它读完。我当时有一种真切的紧迫感，现在回头看，那其实有点没必要。但如果你不喜欢大学——它不适合你，你也不是真的想学那些物理之类的东西——那就别勉强。据我所知，从来没有人真正在意过。所以我既觉得你没必要辍学，辍学的代价也确实微乎其微。

想去干点什么。生命短暂，对吧？而且那是一种普遍的急切。我们中很多人会进入一种"速通高中"的模式，然后上了大学也想速通大学。Marc Andreessen 也讲过类似的一个版本：当时我觉得创业和硅谷里的一大堆机会都是转瞬即逝的，如果我们不去把它做出来，三四年后可能就没法做了。现在回头看，我觉得那是一个糟糕的直觉。几十年来，一个相当稳固的事实是：硅谷从不缺机会。

在座各位都应该担心自己被困在永久的底层阶级里吗？我想人类总是偏爱这种千禧年式的模型，觉得一切很快都要走到尽头，社会会发生某种永久性的转型。有一本很棒的书叫《The Winged Gospel》——当年人们以为航空发明之后，文明就要进入一个新时代。而显然，航空确实是一件了不起的大事，但我不觉得它达到了当年一些狂热鼓吹者所想象的那种社会学意义上的彻底改写。

说起来还挺好笑的（笑）。我们从 YC 学到的一件事，就是专注在非常具体、容易解释的客户问题上有多重要。你很容易臆想出一个客户问题，但它并不是某个愿意掏钱的人切身体会到的痛点。后来，因为一起做 Auctomatic 的过程，我们遇到了"在互联网上处理支付"特别让人头疼的问题。

一方面，这看起来显然是个好主意——没有人喜欢当时已有的那些做法：又老又旧，你要填一堆纸质表格、亲自跑银行，那些表格简直像天书，样样都很糟糕。但另一方面，两个小孩要去做金融服务生意，这事看起来又挺荒唐的——而且当时 fintech 作为一个行业根本不存在，这个词当时字面上就不存在。

所以我们感觉自己就像谚语里那只披着风衣的松鼠，想冒充一家真正的企业、冒充正经的成年人，但对这个领域其实一无所知。当然，我们见到的银行、合作伙伴，确实没有把我们笑出房间，但你也能看到他们在桌子底下找那个叫保安的按钮，想让人把我们架出去，因为这看起来实在太不靠谱了。

其实这不算正面回答你的问题，只是我坐在这里时突然想到——我们决定创办 Stripe 是这样的：当时 John 和我在同一所大学，他读大一，我们一起去了 2009 年的 Startup School，那届在伯克利举办。我们觉得它挺酷的。之后在 Potrero 吃了寿司，往回走的路上我们一直在琢磨支付这件事的想法——就在那个晚上，从 Startup School 出来走回去的路上，我们决定创办 Stripe。我甚至记得我们在路上的确切位置。

我跟彼此说：对，不如就干吧，反正应该也不会太难。（笑）

我们认真开始做 Stripe 是在那届 Startup School 之后那一周，但在学校里不是全职做的。全职投入是从 2010 年夏天开始的，然后 2011 年 9 月公开上线——距离写下第一行代码，差不多过了将近两年。在很多领域，那样做也许是错的。但在我们这个领域，因为安全、合作伙伴、资金流转、基础设施、可靠性等等要做的事情太多了——如果不同时把这些前提条件都准备好，我们不觉得自己能支撑起一个真正好的自助服务体验。

救了我们、让我们没有完全在荒野里跋涉的是：我们几乎从最开始就有生产环境用户了。第一行代码是 2009 年秋天，我们在 2010 年 1 月就迎来了第一个真实的生产用户——开工两个月左右。它当时能做的非常少：只支持银行卡扣款。

我们的第一个生产客户是 280 North 的 Ross Boucher。我唯一能做的就是给他扣款。然后他会问：我怎么查看所有扣款记录？合理的要求，我们就加了个小仪表盘。又过了几周，他说：那我想退一笔款呢？行，那我们就做退款支持。又过了几周，他说：到什么时候我才能拿到我的钱？那就把这个功能做出来吧。

所以这基本上是一种「及时开发」（just-in-time development）的方式。我们很早就有了生产客户，然后一直处在私测阶段，每个月都增加客户数量，每个星期都有真实的客户反馈、新的需求、新的用户进来。我们是从现实中学习，而不是从自己假设或外推出来的想象中学习。如果你有那样一条源源不断的现实校验，大概不急着一次性上线也没关系。

在 AI 时代，传统精益创业那一套——先从买 Google 广告开始，找到一条缝隙，然后从那里扩张出去——会变得竞争激烈得多，会被耕耘、被翻掘得极其彻底，那种小缝隙会很难找。相比之下，选择那些真正另辟蹊径的起点——没有别人试图去占据的领域——也许更可行。在 AI 时代，你必须更激进地去"去相关化"。

想想这点很有意思：过去 10 年最成功的那些公司，有非常多都是非常反精益创业的。不管是最前沿的那些 lab 本身，还是 Android，还是很多其他公司。所以更好的说法也许是：20 年前，精益创业那一整套几乎是唯一能做的事，因为当时可用的资本就那么多，而且你也没有 AI——那种让拉起一个充满各种潜在可能的组织变得容易得多的 AI。而现在，你可以去启动这些更有进攻性、更有野心的事情，并把它们放到最前面来做。

在任何一家公司里，都有大量算不上多有回报、就其本身也没那么有意思的事，比如搭设工资发放系统。没有人是为了做工资发放才去创业的。而在打造这种面向企业的服务时，还有各种各样更冷门、更庞杂的版本。

但在这一点上，我其实对 Stripe 感到极其幸运。也许在你融一大笔钱之前应该想一想——对，你自然总是担心失败的可能性。但你需要问一问它的反面：

Larry Ellison 还在继续——很快就要满半个世纪了吧。

拿 Stripe 来说，我真的很爱它，因为我们在和世界上最有趣、最具创新力的公司打交道。通过 Atlas 成立的公司，占了特拉华州所有新注册公司的 25%。我们得以成为它们的合作伙伴，伴随它们整个成长旅程，直到它们长成 Shopify、OpenAI——以及那些出类拔萃的成功者。

每一家企业都是一种"应用中的理论"——是关于世界的某个方面如何运作、某个市场如何运作的理论；或者，如果是一家带着新模式的新公司，它就像是针对某种反事实世界的逆向论点。我从来没有见过一个 Stripe 客户，会觉得"这个很无聊"。

也许要把两件事分开：是快速进步的 AI 能力本身，还是那些 lab 机构自身？

先说组织。总体来说，没有任何组织有这样的先例。我们回到 20 年前，当时对 Google 也有类似的感觉。我们做 Auctomatic 的时候，每家公司都要面对那个问题：万一 Google 来做这件事怎么办？Google 看起来几乎是万能的：惊人的天才员工、几乎无限的资金和服务器——总之要什么有什么。

但人类组织是复杂的，要同时激进地推进 100 个不同的优先事项、还要处理它们之间冒出来的各种摩擦，是非常非常难的。Google 确实在不少具体领域做得极其出色，但它并没有把所有事情都做了——即使在某种基本物质意义上，Google 也许具备那种能力。所以那种被大厂碾压的先例记录是喜忧参半的，总体来说，我觉得那种恐惧被夸大了。

但还有一个更具体的问题——就是模型本身。即使是 lab 们，对自己扩张业务范围也没有特别大的野心。LLM 本身就会消灭一大批具体的垂直领域或任务，或者说 agent 能力会消灭一大批。当然，这很难说，要看模型能力本身如何演进。但在某些情况下这一定会发生；在某些领域，它已经发生了。

主持人：还是利用你在 Stripe 手里的这些数据：在过去这 12 个月左右，你在这些数据里看到的任何东西，有没有改变你对 AI 的某个总体看法？

新创办的企业数量比一年前多得多；比五年前开始创办的企业数量就更多了。而实际上，去年到今年之间的相对变化，几乎是我们见过的任意单一年份中最大的相对变化。举个例子，2020 年 2 月到 4 月那段，新创办企业同比增速大概抬升到了 50% 上下——可以理解，那是在新冠期间。而就在我说话的此刻，在 Stripe 上新创办的企业数量同比上涨了差不多一倍。这再次是我们见过的最大相对跃升。

你可能会想：好吧，里面多了很多 vibe coding 出来的、轻飘飘的垃圾产品。但实际上，今年企业的营收中位数比一年前更好。任何一家企业达到某个营收门槛——100 万美元、500 万美元、1000 万美元——的概率，这些指标似乎全都在变好。通过 Atlas 注册的新公司达到营收所需的时间正在缩短。

各地的企业都更有"弹簧"式蓄势待发的状态，去适应、去尝试新东西。它们真真切切地恐惧：如果还用那些陈旧、过时的运作方式，自己会被甩在后面。在平常时期，你是一家新创业公司，向某家公司的 CIO 推销——他们其实不太想跟你谈，因为你明白那些显而易见的顾虑：你的东西还没被验证，也许两年后就不在了。但现在人们明白了：维持现状的风险其实极高。

因此现在真的是创业公司销售产品、让产品从一开始就被相当大规模采用的最好时机，从来没有比现在更好的时候。

在消费端也存在某种类似的版本：消费者对 AI 的看法很复杂，也许他们不想要那些数据中心，但人们对这些产品非常着迷，存在一种固有的倾向和对尝试新事物的开放心态。

存在一种恐惧：AI 会成为一种霸权式的、中心化的、吞并一切的力量——少数几家公司吞噬掉经济中非常大的份额。确实，很多处于 AI 前沿的公司都做得极其出色，我相信它们肯定还会继续做得极其出色。但根据我们在 Stripe 看到的——其他公司正以怎样的饥渴和强度在行动：要么是新公司利用这些新能力起步，要么是已有公司在重新武装自己——基于这些，我并不以同样的方式担心中心化。

我认为会有成千上万个赢家。我们尽量不给任何确定的预言，因为未来并不是预先注定的。但基于我们能看到的各种趋势线，我认为我们正走向一个更加去中心化的世界，一个繁荣基础更广泛的世界。

主持人：太好了。我们今天就到这里。非常感谢你，Patrick。

Patrick Collison：谢谢你邀请我。还有，如果我不说这句话就太失礼了——没有 YC，就不会有 Stripe。

— 本文整理自 Patrick Collison 在 YC Startup School 2026 的访谈记录（2026 年 9 月 8 日）。