邱懿武
工作台

谷歌传奇 Jeff Dean 万字访谈:AI 时代,小团队凭什么赢

找“模型成功率 0-1%”的问题去做——因为 20% 的问题,下一次模型升级就把你护城河冲平了。

整理日期
讲者
Jeff Dean(谷歌首席科学家,MapReduce/BigTable/TensorFlow/TPU/Gemini 核心人物);原访谈:YC《Jeff Dean: The 1% Rule for Building in AI》(57 min)

渠道:微信公众号 · 体裁:访谈 · 信源层级:二手(原始出处:YC 视频《Jeff Dean: The 1% Rule for Building in AI》;数字待核)

⚠️ 本文为二手编译(公众号整理 YC 英文视频)。具体数字与“1%法则”的完整语境,引用前建议回一手核对。原始视频可回溯。


一、AI 已是“初级工程师”,进步比预想还快


二、历史会押韵:2001“装进内存”时刻,今天轮到推理硬件


三、餐巾纸估算与 TPU 的诞生


四、agent 为什么会“跑飞”,怎么救

  1. 写 skill 和提示,把它“拽回”熟悉的明亮路径;
  2. 多智能体系统:多个 agent 试不同解法,再用另一个模型/agent 评估谁更靠谱,留好的、丢跑飞的;
  3. 推理时计算(inference-time compute):在多种可能解法上做搜索——提升长链条 agent 可靠性的通用利器。

五、上下文工程:人人都能上手的新战场

“模型只是整个系统的一块拼图。 真正要建的,是一个能调用工具、能检索信息、能把相关内容放进上下文的整体系统。”


六、创业者该做什么:锋利的「1% 法则」

“找那种模型成功率是 0% 或 1% 的问题,而不是 20% 的。”

冷酷逻辑:

两条“1% 型”路径:

  1. 模型拿不到的数据——如帮用户整理他自己的个人信息(谷歌在“组织全世界的信息”,但“组织你的个人信息”是敞开的)。通用模型没这份数据的访问权,你的产品有,这就是天然优势。
  2. 专精模型——如 AlphaFold(蛋白质折叠),不是通用模型而是极窄极准的专用模型,一举拿下整个领域。他认为材料科学、芯片设计也有 AlphaFold 式机会。

坦诚提醒:谷歌把 Gemini 做成“几乎什么都能干”的通用模型,但正因如此,对很多具体垂直领域反而没那么关注——这就是两三个人的小团队能赢的地方:为一个你真正热爱的领域,做出体验极佳、精度极高的东西。


七、当 agent 写完所有代码,稀缺的是「品味」


八、AI 造 AI:把科学方法本身自动化


九、被拒的论文 & 给年轻人的建议

结尾——他希望你去解决的问题:更高效的推理硬件;数据效率极高的新算法(“今天的大模型见过的数据约是一个 18 岁人类的 1000 倍,可这个 18 岁的人在很多事上还更强。能不能做出从自身行动中持续学习的系统?”);持续学习、多智能体协作;甚至帮全世界的人更文明地对话。


读后判断(范德)

这篇是今晚所有 AI 文章里“密度最高、最可操作”的一篇。 三条对造物云/我们最直接的:

  1. “1% 法则”是一把可直接拿来筛项目的刀。 造物云做 AI+教育——我们手上的方向,模型现在是 0-1% 还是 20%? 如果是 20%(通用能力已萌芽),我们是在给“下一次模型升级”做嫁衣。能撑住的护城河只有两条:模型拿不到的数据(用户个人信息/教育场景专有数据)+ 极窄极准的专精能力。 这跟 a16z 的“窄赛道”、红杉的“垂直 NeoLab”是同一判断。
  1. “上下文工程”就是我们的主战场,而且 Jeff 给的方法论和我们完全同构。 “模型只是拼图的一块”,“把人类会用的方法用模型能理解的形式交给它”——这不就是 Skill 的本质吗? Jeff 和 Sanjay 写个性能优化 skill 教模型自迭代,跟我们的 skill-forge、Agent 团队是同一件事。 我们的方向被谷歌首席科学家背书了。
  1. “品味”是 agent 时代的稀缺品——这条对懿武本人最重要。 当写代码/执行都被 agent 接管,胜负手变成“你把时间花在哪个问题上”。你反复说的“判断力是壁垒”,在这里被 Jeff Dean 用“taste”印证了。而且他给了练品味的具体方法:写预测再复盘——这正好可以嫁接到我们的记忆/判断系统(每年写一版“未来 12 个月重要的事”,年底回看)。

待反驳/边界:Jeff 的位置是“手握 TPU/最强模型/无限算力”的谷歌首席科学家,他的“1% 法则”对有大资源、长周期的团队最友好;小团队若真选 0% 问题,可能等不到它变可行就饿死了——需要配上“现金流业务养命”的组合。另:文中数字(3080 倍、30 万倍、1000 倍)为编译转述,引用前回一手。