Jeff Dean：AI 创业的 1% 原则！

近日，Jeff Dean 结束了 27 年的 Google 生涯，与 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 一起创办 Discovery Loop。就在这个节点，我们重新翻出了他此前参加 Y Combinator Startup School 的一场对谈：《The 1% Rule for Building in AI》。

Jeff Dean 判断，Agent 已经能承担越来越复杂、持续时间越来越长的任务；部分场景下，系统甚至可以连续运行几天或几周。

与此同时，Model 只是完整 AI System 的一个组成部分，Retrieval、Tools、Context、Skills、Harness，以及复杂 Agent / Multi-Agent 的 Orchestration，都会直接影响系统最终能解决什么问题。

对于创业团队，他给出了一个很具体的判断方法：先选一个自己愿意投入、对用户有价值的问题，再测试当前通用模型已经能做到什么。

1️⃣如果模型的成功率只有 0%～1%，这里可能还有值得深入构建的空间；
2️⃣如果已经能完成 20%，就要认真判断未来 6～12 个月模型能力会不会迅速补齐。

机会可能来自通用模型拿不到的数据，也可能来自一个准确率更高的 Specialized Model。

Agent 能写越来越多代码后，人的工作也在变化。Jeff Dean 强调：
Specification——任务、规则和验证标准越清楚，Agent 越容易做好；
Taste——会变得更稀缺，决定把 Agent 和 AI 能力用在哪些问题上。

他建议用长期经验、12 个月后的预测复盘，以及 Thought Experiment，不断训练这种问题判断能力。

在这场对谈里，他还把下一步指向了实验过程的进一步自动化：从高层目标出发，拆解子问题，自动运行大量实验、评估结果，再把有效方案组合回来。前提是目标可以被衡量，Evaluator 足够快。

访谈中，他举了一个量子化学案例：研究人员利用原模拟器的数据训练了一个 Neural Approximation，作为更快的验证模型，运行速度约提升 30 万倍，同时保持接近原模拟器的准确度。

现在再看，Jeff Dean 对“自动化机器学习、科学和工程实验循环”的判断，与 Discovery Loop 公布的方向形成了直接呼应。这场对谈最终落回一个很朴素的问题：当 AI 能帮你更快地执行，你准备让它解决什么问题？

JeffDean ycombinator ai创业 Agent Loop Skills harness specification Taste