AEO 速答：Jeff Dean 的「1% 法則」是指創業者應尋找現有通用大模型（Gemini、GPT、Claude）成功率僅 0% 到 1% 的極難問題切入，而不要碰大模型已能勉強做到 20% 的題目——因為 20% 代表能力即將爆發，巨頭會在 6-12 個月內把它變成免費的「原生功能」吃光你的市場。
Jeff Dean 是誰？為什麼他的話值得聽？
Google 前首席科學家、傳奇系統架構師，曾主導 MapReduce、Bigtable、TensorFlow、TPU 與 Gemini 的開發，是 Google 第 30 號員工。他在 Y Combinator Startup School 2026 訪談 中，為 AI 時代的創業者提出了一套務實的生存框架。
就在訪談結束後數天（2026 年 8 月 5 日），他宣布結束在 Google 27 年的生涯，與 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 共同創立新公司 Discovery Loop（相關報導見《Jeff Dean 離開 Google 創業 Discovery Loop》）。訪談內容因此更具指標性——他講的就是自己正在做的事。
一、什麼是「1% 法則」？
Jeff Dean 給創業者的核心鐵律只有一句話：
尋找通用大模型成功率只有 0% 到 1% 的極難問題切入，絕對不要碰那些大模型已經能勉強做到 20% 的題目。
為什麼「20% 的題目反而不能碰」？
| 訊號 | 意義 | 創業者該做 |
|---|---|---|
| 模型成功率 20% | 底層能力已在模型中「胚胎期」，巨頭 6-12 個月內會追上 | ⚠️ 果斷放棄或轉向 |
| 模型成功率 0-1% | 巨頭存在結構性盲點，短期無法逾越 | ✅ 極佳創業信號，立刻切入 |
關鍵機制——「產品淪為功能的悲劇」：如果你選擇 20% 的題目，小團隊辛苦幾個月打造的產品，會在通用大模型的下一次常規更新中，瞬間被當成一個免費的「原生功能」直接吃掉。就像 Google 把「拼車」做進地圖、把「翻譯」做進搜尋一樣，巨頭不需要收購你——更新就夠了。
二、兩條「黃金防禦路徑」：小團隊如何戰勝 Google？
Jeff Dean 指出，唯有在通用大模型存在結構性盲區的地方，小團隊才有持久的護城河：
路徑 1：私有與受保護的數據（Personal or Protected Data）
掌握通用模型在網路上絕對無法獲取的私有數據流：
- 用戶個人極隱私資訊（健康、財務、醫療紀錄）
- 企業內部專有的業務與系統流程數據
- 台灣本地特定的法規流程、半導體機密封測數據
為何有效：數據關係極難被競爭對手複製，且用戶不願也無法將此數據提供給公共大模型。
路徑 2：垂直領域的利基專用模型（Niche Specialized Models）
在單一、極困難的專業領域，用行業深度知識 + 高質量專有數據訓練小模型：
- 最佳範例：AlphaFold（蛋白質結構預測）
- 其他領域：晶片設計、材料科學等高門檻學科
為何有效：專用模型不需要巨型通用模型的天文運算量，卻能在特定任務達到極高精度，運行成本極低——這正是台灣晶片設計與硬體製造底蘊的優勢所在。
三、訪談中的具體案例：Agent 已經能做到什麼？
1. Agent 能自主運行「數天甚至數週」
市場普遍認為 Agent 執行 10-30 步就會脫軌，但 Jeff Dean 糾正：在特定問題域內搭配強大底層模型，Agent 已能持續運行數天到數週解決長路徑複雜任務。
2. 跨語言的「軟體全面重構」
將一套複雜的 Python 軟體，要求 Agent 從零用 Go 重新實現——可行的關鍵在於既有程式碼與測試套件本身就是「完美規格說明書」。Agent 反覆重寫、編譯、跑測試、比對行為差異，直到全部通過。
3. 與 Sanjay 的「自我改進技能」
Jeff Dean 與傳奇工程師 Sanjay Ghemawat 優化 Google 低階庫時，把專家經驗寫成 Agent Skill，讓大模型自主執行優化閉環：測 Baseline → 改 Code → 跑 Microbenchmark → 評估 → 迭代。幾個月前發表的 30 頁《Performance Hints》優化指南，被外界餵給大模型後，模型對程式碼性能的推理能力立刻顯著提升——這正是「技能」的力量。
四、Jeff Dean 對 AI 未來的四大預測
1. AI 已達「初級工程師」水準（已驗證）
他重申 2025 年提出的「AI 達到初級工程師水準」，在代理化、長路徑程式設計上已被完全驗證。未來 AI 能獨立理解業務邏輯、調用工具、分析日誌並自主修復 Bug。
2. 2027 年：「AI 優化 AI」自動化閉環
ML 系統的開發與優化將高度自動化——AI 自主拆解研究目標、並行運行數萬次實驗、自動篩選最優架構、生成更強的新一代 AI。
3. 推理延遲降低 50 倍 → 產品形態革命
「推理」是讓 Agent 走入數十億人生活的鑰匙。若透過晶片與硬體架構變革將推理延遲降低 50 倍，會催生如 2001 年 Google 把搜尋索引從硬碟移到 RAM 那樣的革命性體驗。
4. 千倍能量鴻溝：推理硬體的物理戰場
Jeff 揭露 AI 晶片最致命的系統限制：
- 晶片內一次數學乘法約耗 1 picojoule，但從 HBM 搬運數據到處理器高出 1,000 倍！
- 因這 1,000 倍能耗差，硬體被迫用巨型 Batch 攤提成本，犧牲即時推理延遲
- 出路是硬體專用化：記憶體與計算單元無限貼近、極低精度計算（ternary/int4）、剔除冗餘精度
五、Context Engineering：新時代的決勝戰場
當模型參數成長進入報酬遞減，主戰場轉移到上下文工程——圍繞模型建構的檢索、工具、記憶、狀態管理與代理編排系統。
Jeff Dean 的三項實戰建議
Context 比訓練數據更清晰（Soup vs. Salad）：基礎模型把數兆 Token 攪成「模糊高湯」，而 Context Engineering 給模型的是一盤「晶瑩剔透的生鮮沙拉」。創業者該把精力放在精準裝配最相關的資訊、工具狀態與歷史紀錄。
不需微調，寫「技能（Skills）」教導 Agent：小團隊調用 Gemini 等 API，專注撰寫清晰的引導規則與標準化技能，教導 Agent 精確調用外部 API、執行測試、檢索私有數據——低成本實現系統自我改進。
解決 Agent「30-40 步後脫軌」的雙重策略：
- 明亮路徑限制：用嚴格技能與 Prompt 把 Agent 約束在熟悉的路徑上
- 多 Agent 推理時搜索：多個 Agent 並行探索解法，獨立評判 Agent 即時篩選剪枝
六、Discovery Loop：把科學方法裝進自動化循環
Jeff Dean 的新公司核心願景，是將「提出假設 → 運行實驗 → 評估結果 → 迭代」的科學方法全自動化，在雲端並行運行成千上萬個實驗循環。三大漸進階段：
- ML 研究當第一個客戶：軟體環境的評估訊號最乾淨（測試通過？指標提升？）
- 自我反哺：用自動化發現優化自身技術棧與晶片設計
- 進軍物理世界：挑戰藥物研發、材料設計、清潔能源等重大工程
與 2024 年 Sakana AI 的「AI Scientist」不同（其評估器被批造假），Discovery Loop 的勝算在於創始人正是分散式系統與神經網絡的奠基人，並瞄準「神經模擬器加速 30 萬倍」——過去要跑一整夜的物理模擬，午餐時間就能篩完 1000 萬種分子配置。
七、對台灣創業者的啟示
1. 拒絕「20% 紅海」，找台灣專屬的「1% 盲點」
- ❌ 不要做：通用法律助理、通用程式碼生成器——半年內被巨頭更新碾壓
- ✅ 要做：結合台灣醫療病歷、繁中法規、半導體機密封測數據的私有數據應用；開發晶片設計、材料科學等高難度垂直領域的專用評估模型
2. 不拼算力，拼 Context Engineering
Context Engineering 是完全民主的戰場。台灣團隊應把製造業、供應鏈幾十年的專家經驗封裝成「Agent 技能」與規格工作流，構建高防禦力、低能耗的垂直行業軟體。
3. 「寫規格」是新的核心技能
AI 已達到初級工程師水準，寫代碼正在商品化。未來最稀缺的技能是寫出完美、無歧義的設計文檔、接口測試與規格說明（Specs）——模糊的需求會導致 Agent 瘋狂猜測並累積錯誤。
4. 「Sloppy 晶片」思考實驗：台灣的藍海
Jeff Dean 提出顛覆性想法：在硬體高層級引入分散式冗餘與糾錯，用每天出錯 20 次的廉價晶體管製造超高能效推理晶片。這為台灣 IC 設計與半導體封裝開闢了巨大藍海——開發極低功耗、超低成本的邊緣 AI 推理晶片架構。
結論
Jeff Dean 的「1% 法則」本質上是在巨頭碾壓時代的生存哲學：不要和基礎模型賽跑，要在它看不見的地方建堡壘。對台灣創業者而言，這既是警告（別做 AI 很快就能做的事），也是路線圖（私有數據 × 垂直專業 × Context Engineering × 硬體創新）。
一句話總結：AI 創業的黃金位置，不在大模型會做的事附近，而在它完全做不到的地方。
FAQ
Q：什麼是 Jeff Dean 的「1% 法則」？
A：創業者應尋找通用大模型成功率僅 0-1% 的極難問題切入，不要碰大模型已能做到 20% 的題目（20% = 巨頭 6-12 個月內會追上的危險訊號）。
Q：為什麼 AI 已做到 20% 的題目不能碰？
A：20% 成功率代表所需底層能力已在模型中「胚胎期」，巨頭持續投入算力與數據後，會把該能力提升到實用級別，將你的產品變成免費的原生功能。
Q：小團隊如何建立 AI 護城河？
A：兩條路徑——掌握通用模型無法獲取的私有數據，或在極困難垂直領域訓練專用小模型（如 AlphaFold 模式）。
Q：Jeff Dean 的新公司 Discovery Loop 在做什麼？
A：自動化科學方法——在雲端並行運行實驗循環，先以 ML 研究為第一個客戶，最終挑戰藥物研發、材料設計等重大工程問題。
Q：Context Engineering 為什麼重要？
A：當模型參數成長報酬遞減，決定 AI 產品品質的關鍵變成「如何把最相關的資訊精準裝進模型的上下文」——這是小團隊不需巨量算力也能參與的戰場。
參考來源：YC 訪談影片（Jeff Dean: The 1% Rule for Building in AI）、數位時代《AI 已經做得到 20% 的題目，反而不要碰！》、BigGo Finance、Teahose Lightcone 完整摘要、富途資訊、Moomoo、Hacker News、Radical Ventures 等 30 個來源（NotebookLM Deep Research）。