Google 前首席科学家 Jeff Dean 在没有离职之前，在 Y Combinator Startup School 2026 上做了一场对话，聊了很多关于 AI 创业和技术趋势的干货。这个人参与创造了 MapReduce、TPU、TensorFlow、Gemini，基本上是过去二十年计算基础设施最重要的缔造者之一。他分享了一个特别值得创业者记住的判断框架。

他说，如果你想找一个方向去做 AI 产品，先拿当前最强的通用模型去测试你想解决的问题。如果模型只能做对 0% 到 1%，那恭喜你，这是一个好机会。但如果模型已经能做对 20%，你就要小心了，因为这说明能力已经在涌现，再过半年到一年，通用模型大概率会把这个领域覆盖掉。这就是他的「1% 法则」。

他还提到一个很多人没意识到的事实：现在的 AI Agent 已经可以连续运行好几天甚至好几周来完成复杂任务了。比如让 Agent 把一整套软件从一种编程语言翻译成另一种，它真的能跑很久然后交付结果。大多数人还停留在「Agent 跑十步就开始出错」的印象里，但前沿的情况已经远超这个水平。

关于怎么让 Agent 跑得更稳，他的经验是：规格说明写得越清晰，Agent 表现越好。这跟以前写软件一样，你得先想清楚要什么，再让它去干。他和搭档 Sanjay 甚至写了一个 skill 来教模型怎么做代码性能优化，让模型自己跑基准测试、改代码、再测试，循环迭代，效果很好。他们还公开发布了一份叫「Performance Hints」的文档，任何人都可以拿去喂给模型用。

他特别强调了一个趋势：当 Agent 能帮你写所有代码的时候，真正稀缺的技能变成了「品味」。就是你选择让 Agent 去解决什么问题，这个判断力比执行力重要得多。一个研究者可以拥有所有工具和技术，但大部分胜负取决于他选了什么问题去攻克。

在硬件层面，他指出一个被很多人忽略的事实：做一次乘法运算只需要大约 1 皮焦的能量，但把数据从内存搬到计算单元要花 1000 倍的能量。很多人以为自己遇到的是模型问题，其实是数据搬运问题。未来需要更专用的推理芯片来解决延迟和能效。

他还讲了一个有趣的故事。2014 年他和 Jeff Hinton 写了关于模型蒸馏的论文，就是用大模型去训练小模型的技术。结果被顶会拒稿，审稿人评价是「不太可能有重大影响」。现在这个技术几乎所有公司都在用，Google 的 Gemini Flash 系列就是靠蒸馏做出来的。所以被拒绝了也别灰心，继续做你相信的事。

最后他说，他期待有人能做出更高效的学习算法，让 AI 不需要看比人类多一千倍的数据才能学会东西。还有持续学习、多智能体协作，以及帮助人们更好地交流和连接。这些都是值得花一辈子去做的问题。

#科技先锋官# #How I AI#