# Jeff Dean: The 1% Rule for Building in AI

- Channel: [Y Combinator](https://www.youtube.com/channel/UCcefcZRL2oaA_uBNeo5UOWg)
- Published: 2026-07-30
- Source video: [Watch on YouTube](https://youtube.com/watch?v=CxXgV54KzpQ)
- Read on ReadTube: https://www.read.tube/p/videos/CxXgV54KzpQ
- Language: Simplified Chinese

## Summary

**杰夫·迪恩谈人工智能 1% 规则**

杰夫·迪恩认为，人工智能已经接近“初级工程师”水平，下一阶段的突破将来自更强的自动化实验、低延迟推理硬件，以及围绕模型的上下文工程。对创业者来说，真正的机会往往不在通用模型，而在有清晰评估、独特数据或高度专门化的领域。

杰夫·迪恩回顾了自己在谷歌搜索、张量处理单元、蒸馏与分布式系统中的经验，强调一个核心观点：用“1% 规则”去找问题——如果你能把某个瓶颈的理解推进 1%，往往就能做出比别人高一个数量级的系统。他认为，AI 的下一个大飞跃不是单纯把模型做得更大，而是让模型、工具、检索、记忆与评估器组成的整体系统更会分解问题、更会做实验、更会自我改进。

他特别看好三类方向：低延迟、低能耗的推理硬件；能快速验证假设的评估模型；以及能长时间运行的代理系统。杰夫指出，很多人把性能、训练、推理中的瓶颈误认为是模型问题，但本质上常常是能量、数据搬运和系统设计问题， batching、低精度运算、芯片专用化都因此成为关键。对于代理，他认为真正限制其长期运行的，不只是上下文长度，而是偏离训练分布后可靠性下降，因此需要更好的技能、提示、多个代理互相搜索与评估的机制。

对创业者和新一代工程师，他给出的建议是：
- 优先选择你真正热爱、也能让世界变得更好的问题。
- 找通用模型当前几乎做不到、而不是已经“有点会做”的任务，最好是成功率接近 0% 到 1% 的领域。
- 利用专有数据、特殊工作流或高精度小模型建立护城河。
- 训练自己写清晰的规格、设计文档和工具提示，因为未来的稀缺技能不是“写代码”，而是“知道该让代理做什么”。
- 通过疯狂的思想实验挑战默认假设，例如把芯片设计想成“容错系统”，或者把复杂科学流程想成可自动化的实验回路。

他还谈到，真正有价值的研究与创业常常建立在高质量评估上：如果能把验证器或模拟器加速数万倍，科学、芯片设计、机器学习都会被重写。至于团队与职业选择，他认为小团队的优势在于激情、专注和互补技能，而大组织的优势在于平台、结构和资源；无论选哪条路，都应先问自己，如果成功，世界会不会明显更好。