楔形切入點選擇的 1% 法則

資料來源#

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

摘要#

Jeff Dean 在 YC Startup School 2026 對每位以尖端模型為基礎創業的創辦人都必須回答的問題——模型會把這件事吃掉嗎？——給出一個今晚就能實測、而不是預測的答案（practitioner-opinion）：

「看看目前更通用的模型在那個問題領域能做到什麼。你可以測試它們是否能把這件事做得很好。如果它們完全做不到，這可能是個好跡象。如果它們能做一部分，但做得不太好，那或許不是好跡象，因為這可能代表這項能力已開始出現在那些模型中……所以要找模型成功率只有 0% 或 1%，而不是 20% 的事情。」

這條法則顛倒了人們對產品展示的直覺解讀。**部分成功是危險訊號，不是令人鼓舞的訊號。**成功率 20% 代表這項能力已以潛在形式存在，只需要更多資料、更大規模，或更多推論預算——而這些都已排進別人的路線圖。成功率 0% 則代表缺少某種結構性要素；只有結構性缺口才有機會撐過兩個發布週期。

Dean 連帶提出的問題不是二選一，而是看時間跨度：「你認為最前沿的模型在接下來六個月或十二個月內會更擅長這件事嗎？還是這是它們兩、三年內都做不到的事？」這條法則是估算時間跨度的低成本工具，因為目前的成功率可以用來推測這項能力距離前沿領先者還有多遠。

通過測試後仍站得住腳的事物#

Dean 提出兩種可能通過測試的類型，兩者的共同點都是：通用模型缺少的是輸入，而非能力：

• **通用模型在結構上無法看見的資料。**他舉例說，一種產品可以整理使用者自己的個人資訊：「模型不一定能存取這些資訊。」優勢不在於聰明，而在於看得見。這正是 Compounding Data Moat 的論點從模型角度呈現出來——護城河是一個前沿實驗室的訓練集不包含、也不會包含的語料庫。
• **以別人沒有的資料訓練出的利基模型。**AlphaFold 是他的典型例子：「一個非常專精於蛋白質折疊的模型……不是通用模型」，而且能長期維持優勢。他將這種類型延伸到材料科學和晶片設計。他提出的經濟效益才是有趣之處——「訓練一個專門解決這個問題的利基模型，可能不需要那麼多運算資源，但你可以得到一個準確度很高的模型。」請留意，這是來自具有 Google 規模運算直覺人士的 practitioner-opinion 主張；語料庫沒有衡量 2026 年新創打造真正有防禦力的利基模型需要多少成本。

他以坦誠的提醒作結：「通用模型在愈來愈廣泛的事情上確實持續進步。」他也提出一項優先於測試的準則——挑選自己有熱情、而且能派上用場的方向——並明確將它列為「第一重要的選擇標準」，能力測試則排在第二。

與為下一代模型打造產品的衝突#

本文與 Build for the Next Model 讀取的是同一個訊號——模型幾乎做得到——卻得出相反的結論。

	訊號	結論
Build for the Next Model（Carey、Cherny、Cat Wu、Ambrosino）	模型約有 20% 的機率答對	**好。**先做原型；下一次發布就會免費補上差距
本文（Dean）	模型約有 20% 的機率答對	**不好。**這項能力正在到來；別以此為基礎創立公司

這個矛盾確實存在，兩個來源都沒有回應對方。兩者都說得通的調和方式在於：誰擁有發布所提升的產品介面：

• 為下一代模型打造產品，談的是你已經擁有的產品內部存在的能力缺口。Claude Design 尚未解決的問題，隨著 Opus 4.7 在 Anthropic 掌控的產品底下推出而獲得解決——潮水抬起的是他們的船，他們也拿下了收益。
• 1% 法則談的是公司存在的目的。如果通用模型補上你的缺口，而產品介面又是通用的，潮水抬起的就是前沿實驗室的船，並將它送進你的市場。在第一種情況下，這次發布是補助；第二種情況下，它是競爭者。

用一句話表述這條法則：*功能要等模型，切入點絕不能等模型。*兩個來源都同意發布節奏可以預測；它們唯一的分歧，是你站在浪潮上，還是擋在浪潮前面。Harness Shrinkage as Models Improve 描述了同樣的不對稱，只是發生在腳手架層：能力往內遷移時，如果你擁有它遷入的事物，這就是免費收益。

與 Problem-Solution Fit Discipline 之間還有另一項較溫和的張力。該文的原則是在打造之前先驗證問題；1% 法則驗證的是耐久性，並未說明是否有人想要這項產品。沒人有需求、成功率為 0% 的問題，仍然不是好生意。這兩種測試彼此獨立，而且都不可或缺——先做市場測試，因為 Dean 本人也把熱情和實用性排在能力篩選之前。

這條法則的弱點#

• **它只拍下曲線某一刻的快照。**今天成功率為 0%，如果缺口其實來自引導方式而非能力，一次發布後就可能升到 40%——這正是 Latent Capability Overhang 指出已發布模型經常出現的情況。更誠實的測試應衡量兩、三代模型之間的趨勢，而非某一刻的數值。Dean 自己提出的框架（六個月／十二個月／三年）暗示應看趨勢，但他給出的工具衡量的卻只是單一時間點。
• **0% 可能表示「不可能」，而不是「有防禦力」。**這條法則無法區分前沿模型三年內都達不到的任務，和任何人都做不到的任務。它也沒有考慮創辦人自己是否能解決這個問題。
• **沒有經過衡量。**這是單一從業者只陳述過一次的經驗法則，並附上兩個事後挑選的例子（AlphaFold 成功了；失敗案例則未列舉）。語料庫中沒有任何資料檢驗成功率 20% 的市場是否真的比成功率 0% 的市場更快被吸收。

延伸閱讀#

• Jeff Dean — 來源；這條法則是他更廣泛的第一原理瓶頸估算方法之一環
• Build for the Next Model — 直接矛盾之處；上文已從你是否擁有發布所提升的產品介面來調和
• Narrow Wedge into a Legacy Market — 互補的面向：該文選擇的切入點，是既有產品尚未使用的介面；本文則以前沿模型的能力曲線為考量。切入點必須同時通過兩者
• Compounding Data Moat — 「通用模型看不到的資料」的耐久版本；1% 法則是篩選它的工具，護城河文章則說明通過篩選後該怎麼做
• Problem-Solution Fit Discipline — 相互獨立的測試：相較模型的耐久性無法說明需求
• Latent Capability Overhang — 這條法則的主要失效模式：0% 的結果可能代表尚未引出能力，而非能力不存在
• Harness Shrinkage as Models Improve — 下一層也有同樣的內移動態；在那裡，因為你擁有 harness，這是好處而非威脅

待解決的問題#

• 這條法則在實證上成立嗎？本文沒有檢驗 2025 年模型得分約 20% 的市場，是否比得分約 0% 的市場更快被吸收。原則上可以用來檢驗的資料存在：基準測試時代的能力快照與新創成果。
• 2026 年打造有防禦力的利基模型要花多少錢？Dean 說「可能不需要那麼多運算資源」；創辦人需要知道確切數字，而語料庫沒有這項資料。

資料來源#

• Jeff Dean: The 1% Rule for Building in AI — YC Startup School 2026，Jeff Dean 與 Diana Hu（2026-07-30，practitioner-opinion）：§「Where Startups Can Still Beat Google」——成功率為 0% 或 1%、而非 20% 的測試；六個月／十二個月／三年的耐久性時間跨度；以及個人資料和 AlphaFold 類型的例外。**利益衝突：**Google 首席科學家向創辦人建議 Google 不會進入哪些市場