AI 創業選題的 1% 法則：Jeff Dean 說，通用模型做到 20% 的題目最危險

如果你正在找一個 AI 題目來創業、或是在公司內部要決定下一個產品做什麼，你的做法大概是這樣：

先拿 ChatGPT、Gemini、Claude 測一輪。完全做不到的，刪掉，因為太硬。已經做到八九成的，也刪掉，因為沒你的位置。最後留下那些「模型做得出兩三成、但做得很爛」的題目。

那裡看起來就是甜蜜點。有需求、有痛點、模型還不夠好、你有空間補完。

這個做法看起來最合理。

它也最危險。

Google 首席科學家 Jeff Dean 在 2026 年 7 月 30 日的 Y Combinator Startup School 訪談裡，被主持人 Diana Hu 問到「創業者到底該挑什麼題」的時候，講的跟這個直覺完全相反。

這場訪談 YC 直接下標叫「The 1% Rule」。裡面 TPU 的誕生故事、能源瓶頸、代理人（agent）可以連跑幾週，每一段都精彩。但如果你是要決定做什麼題的人，最該抄下來的是這一條。

我把原話挖出來了。

一、20% 是死亡區間

Jeff Dean 的原話：

"And if they're completely failing, that's probably a good sign. If they're kind of able to do some of it but not very well, that's maybe not a great sign, because that's probably a sign that the capability is starting to be present in those models, and with more training data or larger scale models or whatever, it's likely to get better. So look for something where the model succeeds 0% or 1% of the time, not 20%."

翻成白話：

如果模型徹底做不到，那大概是個好兆頭。如果它有點做得到、但做得不太好，那可能反而不是好兆頭，因為這代表這個能力已經開始出現在模型裡了，等到更多訓練資料、更大的模型出來，它很可能就會變好。所以，去找那些模型成功率只有 0% 或 1% 的題，不要找 20% 的。

看懂關鍵了嗎？

0% 和 1% 是同一類，它們都是好兆頭。真正的敵人是 20%。

分界從來就不在「難不難」，而在「模型有沒有已經開始開竅」。

模型做到 20%，代表它已經摸到門把了，只是手還在抖。這種狀態下你不用做任何事，光是別人餵它更多資料、把模型放大，它自己就會從 20% 爬到 60%、80%。

而你正在那個區間裡蓋產品。

用生意人的話講：你在 20% 區做的所有事情，本質上是替下一代模型做免費的市場驗證。你花兩年證明了「這個需求存在、使用者願意付錢、介面應該長這樣」，然後模型能力補上來，你的產品變成人家的一個功能選單。

這就像你在別人家門口擺攤。攤位生意越好，人家越有理由把騎樓收回去自己做。

但不是所有的 0% 都值得做

這裡有個陷阱，我覺得比原則本身更重要，Jeff Dean 在訪談裡沒有講得很細，但你一定會踩到。

0% 有兩種，你必須分清楚。

一種是暫時性的 0%：你 prompt 下得爛、資料沒接進去、工具權限沒開、評測題目設計太窄。這種 0% 是假的，下一個產品更新、或是你自己把脈絡補好，它就消失了。

另一種是結構性的 0%：模型缺的東西根本不在模型本體裡，而在你的場域裡。私有資料、實體流程、要有人扛的責任、跨部門的權力關係、累積多年的客戶脈絡。

所以真正的問題不是「它現在做不到嗎」。

真正的問題是：它做不到的原因，是不是你能長期掌握的東西？

如果它做不到只是因為沒人幫它接資料，那接資料的人不會是你，會是下一個版本的它。

配套的耐久性三檔

同一段訪談裡，他給了另一個檢查方式。他說你必須想清楚，你在做的這件事「是不是 durable（耐久）的，還是你覺得前沿模型在未來 6 個月或 12 個月內就會做得更好，或者這是它兩三年內都做不到的事」。

問題是，你怎麼知道自己在哪一格？這部分他沒展開，我自己整理了一組問題，你可以拿去對每個題目問一遍：

1. 只要脈絡視窗變長，它會不會變好？
2. 只要接上工具或 API，它會不會變好？
3. 只要網路上多一些公開範例，它會不會變好？
4. 只要模型推理能力升級一代，它會不會變好？

這四題多數答「會」的，先放進 6 到 12 個月格。

只有當答案是「不會，因為它缺的是私有資料、現場流程、信任關係、責任承擔」，才有資格放進 2-3 年格。

我自己在雨傘產業那七年，最有感的一課也是這個。當年做百貨專櫃，我們花很多力氣磨一件事：怎麼在櫃上把傘的骨架結構講清楚，讓客人願意買貴三倍的那一支。話術、陳列、體驗流程都調過。

後來電商起來，那整套「櫃上說服」的能力，價值掉了一大半。你知道為什麼嗎？因為它從來不是不能被取代，它是已經被做到六七成、只差臨門一腳的那種能力。線上評論、規格表、開箱影片一補上來，剩下那三成很快就沒了。

真正留下來的，是我在工廠端知道哪個供應商的骨架良率是多少、哪個結構在台灣的雨天會出什麼問題。

那個東西，是別人的資料庫裡沒有的。

二、兩條逃生路

那結構性的 0% 要去哪裡找？Jeff Dean 給了兩個方向，兩個都不需要你去跟 Google 拼算力。

逃生路一：模型看不到的資料

他舉的例子很直白：你做一個幫使用者整理「他自己的個人資訊」的工具，通用模型本來就存取不到那些資料。這時候你的優勢是你的產品突然看得到重要的資料，而它看不到。

這跟黃仁勳講的是同一件事。我之前寫過模型是租來的、know-how 才是你的，講的就是模型能力會被拉平，但你手上那份別人沒有的東西不會。

換到台灣的實際場景，這條路比你想的近。你手上的出貨異常紀錄、客服對話裡那些客人講不清楚但你聽得懂的抱怨、業務跟通路談判的來回、你這行「大家都知道但沒人寫下來」的規矩，這些都不在模型的訓練集裡。這也是為什麼第一方資料會變成 AI 時代的護城河。

重點是什麼？

你的優勢不在你比模型聰明，在你看得到它看不到的東西。

逃生路二：小而準的利基模型

第二條路他點名了 AlphaFold。那是一個非常專一的蛋白質摺疊模型，不是通用模型，但在那個領域裡準到不行。

他的判斷是，材料科學、晶片設計也可能出現類似的機會：不做萬能模型，只做一個窄到不能再窄、但準到可以改變產業流程的模型。而且他強調，訓練這種利基模型不見得需要多少運算資源，卻可以拿到極高的準度。

門檻真的降了。他說脈絡工程（context engineering）這件事「everyone in this room can do it」，因為你只需要一個像 Gemini 這樣的 API。

但別誤會，難的從來不是 API。難的是你能不能把任務拆清楚、把資料接進來、把每次做錯的結果回收成下一輪的改進。這也呼應我之前講的，程式碼變免費之後，競爭力從「誰做得出」換成「誰定義得清楚」。

三、這條判準，本身要靠「品味」

講到這裡有個現實問題：你怎麼知道自己判斷的 0%、20% 是準的？

Jeff Dean 自己承認這很難，他說品味（taste）這種東西「不像有一個可以量測的目標」。但他給了一個很土、很可執行的練習。

把你認為未來 12 個月會變重要的事情，現在就寫下來。

你可能只會去做其中一件，但一年後回頭看那張清單，去評估：哪些真的變重要了？哪些世界上已經有人做了？哪些看起來還是沒人碰？

品味不是靈感。品味是你看過夠多次「我以為會發生」跟「後來真的發生」之間的落差。

他還給了第二招：定期反問產業裡的老規矩，哪些限制以前是真的，現在只是大家懶得重想。

他自己的例子是矽晶片產業。六十年來大家一直在追求電晶體更小、錯誤率更低，因為預設「每顆晶片都必須一模一樣，一個位元都不能翻」。但在大型分散式系統裡，工程師的做法剛好相反：用不可靠的零件蓋出可靠的系統。單顆硬碟會壞，但資料放三份在三台機器上，壞了你也不會怎樣。那如果反過來設計一顆「每天出 20 個錯誤」的晶片呢？

他說這類思想實驗大部分不會成立，因為過去五十年那樣做通常有很好的理由。但偶爾重翻一次很有價值，他的 MapReduce 跟 TPU 都是這樣長出來的。（那顆什麼都不會、跑不了 Chrome 也跑不了 Word 的 TPU，幾年後比當時的 CPU 和 GPU 能效高 30 到 80 倍、延遲低 20 到 30 倍。）

但這招要用對地方。重點不是天馬行空，是去找出通用模型也繼承了同一個盲點的位置。

如果你的題目只是「難」，那不值錢。如果它難是因為整個產業長期沒被數位化、沒被建模、沒被資料化，那才可能是機會。

四、幾件必須誠實講的事

第一，Jeff Dean 是 Google 首席科學家。 他說「通用模型正在越做越廣」的時候，這句話對 Google 是有利的。這不代表他在講假話，但你要自己折價：一個賣通用模型的人告訴你「別跟通用模型正面對撞」，動機上是相容的。他給的判準我認為站得住腳，但你要用自己的產業去驗，不要照單全收。

第二，他對 2027 的那些話都是預測，不是事實。 他說機器學習系統會自己跑大量自動化實驗、拆解子問題再整合來自我改進，這是他的判斷。這種預測要打幾折，我在寫馬斯克五年預言那篇的態度一樣：方向可以聽，時程一律打折。（自動化實驗迴圈這件事我在 Cursor 自我改善飛輪那篇寫過，這裡不重複。）

第三，20% 區確實有人賺到錢，而且有些會變成真護城河。

我不打算假裝沒這回事。這幾年靠「模型做得不夠好、我來補完」而做起來的產品，市面上一大把。

多數情況下，那是賺時間財：窗口關上，故事就結束。

但有例外，而且例外很關鍵。如果你在 20% 區不只是補模型的短板，而是趁著窗口期把自己卡進客戶的流程、拿到長期的資料回流、扛下合規責任、綁住通路，那它就會從時間財長成結構財。

判斷方式只有一個問題：

就算模型明天變得很強，客戶還離不離得開你的系統？

離得開，你賺的是時間財。離不開，你已經換跑道了。

最怕的是那種以為自己在蓋護城河、其實只是在等別人的版本更新。

第四，0% 不是免死金牌。

這點必須講清楚，不然這篇會害到人。模型做不到，只證明「能力缺口存在」，不證明「市場存在」。

很多 0% 題目做不成，原因跟 AI 一點關係都沒有：客戶根本不願意付錢、資料你拿不到、責任沒人敢交給機器、導入成本高過省下來的效益。

1% 法則能幫你避開「能力即將被模型吃掉」的題。它不能幫你證明這是一門生意。這兩件事要分開驗，別混在一起。

五、你今晚可以做的四件事

► 第一，把你手上的題目丟給模型跑一次，誠實記成功率。 不要憑印象，實際出 20 題你的真實工作情境給它做。關鍵：每題先寫下「什麼叫做做對」，跑完不准改標準。 落在 20% 附近的，紅字標起來。

► 第二，對每個題目問那四題（脈絡變長 / 接上工具 / 多些公開範例 / 推理升級一代，它會不會變好）。多數答「會」的，放 6 到 12 個月格，並且重新想清楚它憑什麼是你的。

► 第三，盤點你手上「模型看不到」的資料。 出貨紀錄、客服對話、通路談判、產業潛規則，一條一條列出來。這份清單就是你的起跑線。要動手之前，可以搭配 30/60/90 天的驗證框架分段驗證，不要一次全押。

► 第四，今天就開一份「12 個月清單」。 寫下五件你認為明年會重要的事，設一個一年後的行事曆提醒。這件事現在做零成本，一年後開始付你利息。

常見問題

Q：為什麼模型做到 20% 的題目反而危險？ 因為 20% 代表這個能力已經開始出現在模型裡（Jeff Dean 的原話是 "starting to be present"）。它會靠更多訓練資料、更大的模型自己補上來，不需要你幫忙。你在那個區間投入的時間和市場教育，最後是替下一代模型鋪路。

Q：模型完全做不到的題，不就代表太難了嗎？ 要分清楚是暫時性的 0% 還是結構性的 0%。如果它做不到只是因為 prompt 不好、資料沒接、工具沒開，那是假的 0%，很快會消失。只有當它缺的東西在你的場域裡（私有資料、現場流程、責任承擔），才是值得做的 0%。

Q：小團隊沒有算力，還能贏在哪？ Jeff Dean 給了兩個方向。一是拿到通用模型看不到的資料，二是訓練一個窄而準的利基模型（AlphaFold 那種形狀），他說這種模型不見得需要多少運算資源。脈絡工程的門檻也已經降到「有 API 就能做」。

Q：怎麼判斷我的題目會不會半年後被吃掉？ 問四題：脈絡視窗變長會不會變好？接上工具會不會變好？多些公開範例會不會變好？模型推理升級一代會不會變好？多數答「會」，就是 6 到 12 個月的題。

Q：「品味」這種東西要怎麼練？ Jeff Dean 的方法是：寫下你認為未來 12 個月會重要的事，一年後回頭評估哪些真的重要、哪些已經有人做了、哪些還沒人碰。用這個方式累積樣本數。

最後留一個他講的數字。

現在的大模型看過的資料量，大約是一個人類到 18 歲為止所接觸資料量的 1000 倍。但那個 18 歲的人類，在很多事情上仍然比模型強，而且跟看過多上千倍資料的前沿模型不相上下。

這代表什麼？模型不會因為看更多資料，就自動吃掉所有問題。 那些資料少、脈絡重、錯一次代價很高的地方，仍然可能留著空間給你。

Jeff Dean 反覆強調「it's hard to say」，說要做什麼題終究是個人選擇。他沒有給任何人指令。但他確實給了一把尺。

如果你問我，這把尺最值錢的地方，是它把「AI 會不會取代我」這個大到沒辦法回答的問題，換成了一個你答得出來的版本：

AI 現在在我這一題上，成功率是幾 %？

這個問題有答案，而且今天晚上就測得出來。

（延伸閱讀：關於能力邊界怎麼移動，可以看黃仁勳說 AI 取代的是任務不是職業；關於小團隊怎麼放大專業，可以看一人公司請 9 個 AI 員工的真相。）

資料來源：Jeff Dean: The 1% Rule for Building in AI，Y Combinator，2026 年 7 月 30 日發布，訪談人 Diana Hu，錄於 YC Startup School 2026。文中引述的英文原話已比對影片原始英文字幕。文中「耐久性四問」為王董依其耐久性判準自行整理，非 Jeff Dean 原話。

協作聲明與免責

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 [來源名稱](URL) 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。