主播
节目简介
来源：小宇宙
📝 本期播客简介
本期我们克隆了：知名播客 Y Combinator Jeff Dean: The 1% Rule for Building in AI
原内容更新时间：2026-07-30
本期节目是 Y Combinator 在 Startup School 2026 上的特别对话，主持人是 YC 合伙人 Diana Hu，嘉宾是谷歌首席科学家 Jeff Dean。Jeff Dean 是 MapReduce、BigTable、TensorFlow、TPU 等多项关键技术的缔造者，也是谷歌 AI 领域的核心人物。这期节目围绕他过往的"餐巾纸估算"故事展开，聊到了 AI 推理硬件、智能体系统、以及小团队如何在 AI 时代找到自己的机会。
从 2001 年"整个搜索索引装进内存"的颠覆性认识，到 2013 年"语音识别三分钟"催生 TPU 的传奇故事，Jeff Dean 用一个个具体案例，展示了第一性原理思考如何带来数量级的性能提升。他还给出了 2026 年 AI 版的"延迟数字清单"，并深入探讨了上下文工程、多智能体系统、以及创始人该如何培养"品味"。
这期节目特别适合正在思考 AI 创业方向的人。Jeff Dean 给出了非常实用的判断标准：去找那些通用模型成功率是 0% 或 1% 的问题，而不是 20% 的。他还分享了如何通过写"skills"让 Agent 像他一样做性能优化，以及为什么"说清楚你想要什么"在 AI 时代变得比以往更重要。
👨⚕️ 本期嘉宾
Jeff Dean，谷歌首席科学家，谷歌 AI 领域的核心人物。他参与缔造了 MapReduce、BigTable、TensorFlow、TPU、Gemini 等多项关键技术，是分布式系统和机器学习领域的传奇工程师。他的"餐巾纸估算"能力闻名业界，曾多次通过粗略计算做出影响深远的硬件和系统决策。他也是著名的《The Latency Numbers Every Engineer Should Know》清单的作者。
⏱️ 时间戳
开场 & 播客简介
00:00 节目开场与嘉宾介绍
01:13 Jeff Dean 对 2025 年"AI 相当于初级工程师"预测的回顾
02:24 对 2027 年的新预测：ML 系统自动化程度将大幅提高
从餐巾纸估算到 TPU 的诞生
03:03 2001 年"搜索索引装进内存"的颠覆性时刻
04:21 人们还没意识到的：Agent 可以跑上几天甚至几周
05:18 2013 年语音识别估算与 TPU 的起源故事
07:48 给未来创始人的建议：如何做有分量的估算
2026 年 AI 版延迟数字清单
09:01 2026 年 AI 系统最重要的数字：带宽、能耗、互联
09:39 搬数据的能耗比计算贵一千倍
11:06 批处理本质上是数据输入输出问题
11:45 推理硬件专门化的巨大空间
上下文工程与 Agent 系统
12:56 从模型规模到上下文工程的转变
14:48 如何做好上下文工程：写 skills、给指导
15:40 实例：为性能优化写的 skill 和《Performance Hints》
17:35 Agent 跑偏的瓶颈与多智能体系统
创业公司在哪里赢
19:46 谷歌持续构建的 vs 两三人团队能胜出的
21:06 如何判断该挑什么事情来做：找 0% 成功率的问题
23:23 垂直模型的例子：AlphaFold 与材料科学
24:14 成为 AI 原生创始人：清晰规格说明的重要性
品味、思想实验与自我改进系统
26:01 什么技能会变得稀缺：品味与高层智慧
26:51 如何培养品味：经验、预测、思想实验
27:53 疯狂思想实验：用每天出错 20 次的晶体管构建系统
30:24 从思想实验到现实：TPU 与 MapReduce 的起源
AI 构建 AI 与超级加速的科学方法
32:19 AlphaChip 与 AlphaEvolve：让 AI 构建 AI
32:44 自动化实验循环：从科学方法到机器学习
33:48 用学出来的验证模型加速科学发现
35:23 超级加速科学方法能解决的领域
给未来创始人的建议
36:30 被拒绝的故事：蒸馏论文被会议拒稿
38:24 如果 25 岁的 Jeff Dean 来到今天会做什么
40:45 如何与聪明人共事、找到聪明人
42:10 希望未来创始人去解决的问题
🌟 精彩内容
💡 "餐巾纸是好东西"
Jeff Dean 的传奇之处在于，他能在信封背面做粗略估算，然后造出改变行业的东西。从"搜索索引装进内存"到"语音识别三分钟"催生 TPU，核心都是先看到瓶颈，再从第一性原理出发想完全不同的解法。
"去想想你看到的问题，不管你在琢磨什么，看看瓶颈在哪里。然后有没有完全不同的思路去解决其中某些问题，能让你拿到一个数量级、甚至两个数量级的性能提升。"
💡 搬数据比算数据贵一千倍
这个能耗差距塑造了机器学习里几乎所有的设计决策。没有这一千倍的差距，你根本不需要做批处理。理解这类底层物理约束，才能真正理解为什么系统被设计成今天这样。
"把数据从加速器上的 HBM 搬进处理器，它才能真正在上面算。这个差距非常显著，它塑造了我们在机器学习里做的很多事。"
💡 模型只是你要做的事里的一块
Jeff Dean 强调，真正重要的是搭一个能解决有趣问题的完整系统：会用工具的模型、能检索信息、有历史记录、能拆解任务。上下文工程让信息对模型来说非常清晰，远胜于训练数据那锅"几万亿 token 的汤"。
"模型其实只是你要做的事里的一块，你要做的是搭一个能解决真正有趣问题的完整系统。"
💡 找 0% 成功率的问题，而不是 20% 的
给创始人的核心判断标准：如果通用模型已经能做 20%，那随着更多数据和更大规模，它很快就会做得更好。你要找的是模型完全做不了、成功率是 0% 或 1% 的事情——那才是你的机会。
"你要找的是模型成功率是百分之零或百分之一的事情，而不是百分之二十的。"
💡 说清楚你想要什么，比以往更重要
以前你把任务交给一个聪明人，他可以追问；现在 Agent 也会猜，但猜出来的往往跟你脑子想的不一样。清晰的规格说明是让 Agent 成功的关键，这也是为什么"把 Python 翻译成 Go"这类任务模型特别擅长——因为规格太清晰了。
"你越清楚自己想要什么，Agent 就越有指导原则、规则，也就是一个它要完成什么的大纲。"
💡 品味是 AI 时代最稀缺的技能
当所有代码都能由 Agent 写好，真正的较量在于你要把时间花在哪个问题上。选对问题并成功解决它，远比把一个无聊问题研究得漂漂亮亮要好得多。培养品味的方法之一，是写下你预测未来十二个月可能重要的事情，然后回头评估。
"如果你选对了问题并且成功解决了它，那远比你把一个相当无聊的问题研究得漂漂亮亮要好得多。"
💡 被拒绝也没关系，继续往前走
那篇关于蒸馏的论文被欧洲会议拒了，理由是"不太可能产生重大影响"。但 Jeff Dean 和团队知道这是个极其重要的问题，他们把它放到 arXiv 上，大家读它、用它，今天它已经成了业界人人都在用的招数。
"时不时被拒一次，也没关系。我们把它放到 arXiv 上，大家读它，用它，一切都好。"
🌐 播客信息补充
本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的
使用 AI 进行翻译，因此可能会有一些地方不通顺；
如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight
本期我们克隆了：知名播客 Y Combinator Jeff Dean: The 1% Rule for Building in AI
原内容更新时间：2026-07-30
本期节目是 Y Combinator 在 Startup School 2026 上的特别对话，主持人是 YC 合伙人 Diana Hu，嘉宾是谷歌首席科学家 Jeff Dean。Jeff Dean 是 MapReduce、BigTable、TensorFlow、TPU 等多项关键技术的缔造者，也是谷歌 AI 领域的核心人物。这期节目围绕他过往的"餐巾纸估算"故事展开，聊到了 AI 推理硬件、智能体系统、以及小团队如何在 AI 时代找到自己的机会。
从 2001 年"整个搜索索引装进内存"的颠覆性认识，到 2013 年"语音识别三分钟"催生 TPU 的传奇故事，Jeff Dean 用一个个具体案例，展示了第一性原理思考如何带来数量级的性能提升。他还给出了 2026 年 AI 版的"延迟数字清单"，并深入探讨了上下文工程、多智能体系统、以及创始人该如何培养"品味"。
这期节目特别适合正在思考 AI 创业方向的人。Jeff Dean 给出了非常实用的判断标准：去找那些通用模型成功率是 0% 或 1% 的问题，而不是 20% 的。他还分享了如何通过写"skills"让 Agent 像他一样做性能优化，以及为什么"说清楚你想要什么"在 AI 时代变得比以往更重要。
👨⚕️ 本期嘉宾
Jeff Dean，谷歌首席科学家，谷歌 AI 领域的核心人物。他参与缔造了 MapReduce、BigTable、TensorFlow、TPU、Gemini 等多项关键技术，是分布式系统和机器学习领域的传奇工程师。他的"餐巾纸估算"能力闻名业界，曾多次通过粗略计算做出影响深远的硬件和系统决策。他也是著名的《The Latency Numbers Every Engineer Should Know》清单的作者。
⏱️ 时间戳
开场 & 播客简介
00:00 节目开场与嘉宾介绍
01:13 Jeff Dean 对 2025 年"AI 相当于初级工程师"预测的回顾
02:24 对 2027 年的新预测：ML 系统自动化程度将大幅提高
从餐巾纸估算到 TPU 的诞生
03:03 2001 年"搜索索引装进内存"的颠覆性时刻
04:21 人们还没意识到的：Agent 可以跑上几天甚至几周
05:18 2013 年语音识别估算与 TPU 的起源故事
07:48 给未来创始人的建议：如何做有分量的估算
2026 年 AI 版延迟数字清单
09:01 2026 年 AI 系统最重要的数字：带宽、能耗、互联
09:39 搬数据的能耗比计算贵一千倍
11:06 批处理本质上是数据输入输出问题
11:45 推理硬件专门化的巨大空间
上下文工程与 Agent 系统
12:56 从模型规模到上下文工程的转变
14:48 如何做好上下文工程：写 skills、给指导
15:40 实例：为性能优化写的 skill 和《Performance Hints》
17:35 Agent 跑偏的瓶颈与多智能体系统
创业公司在哪里赢
19:46 谷歌持续构建的 vs 两三人团队能胜出的
21:06 如何判断该挑什么事情来做：找 0% 成功率的问题
23:23 垂直模型的例子：AlphaFold 与材料科学
24:14 成为 AI 原生创始人：清晰规格说明的重要性
品味、思想实验与自我改进系统
26:01 什么技能会变得稀缺：品味与高层智慧
26:51 如何培养品味：经验、预测、思想实验
27:53 疯狂思想实验：用每天出错 20 次的晶体管构建系统
30:24 从思想实验到现实：TPU 与 MapReduce 的起源
AI 构建 AI 与超级加速的科学方法
32:19 AlphaChip 与 AlphaEvolve：让 AI 构建 AI
32:44 自动化实验循环：从科学方法到机器学习
33:48 用学出来的验证模型加速科学发现
35:23 超级加速科学方法能解决的领域
给未来创始人的建议
36:30 被拒绝的故事：蒸馏论文被会议拒稿
38:24 如果 25 岁的 Jeff Dean 来到今天会做什么
40:45 如何与聪明人共事、找到聪明人
42:10 希望未来创始人去解决的问题
🌟 精彩内容
💡 "餐巾纸是好东西"
Jeff Dean 的传奇之处在于，他能在信封背面做粗略估算，然后造出改变行业的东西。从"搜索索引装进内存"到"语音识别三分钟"催生 TPU，核心都是先看到瓶颈，再从第一性原理出发想完全不同的解法。
"去想想你看到的问题，不管你在琢磨什么，看看瓶颈在哪里。然后有没有完全不同的思路去解决其中某些问题，能让你拿到一个数量级、甚至两个数量级的性能提升。"
💡 搬数据比算数据贵一千倍
这个能耗差距塑造了机器学习里几乎所有的设计决策。没有这一千倍的差距，你根本不需要做批处理。理解这类底层物理约束，才能真正理解为什么系统被设计成今天这样。
"把数据从加速器上的 HBM 搬进处理器，它才能真正在上面算。这个差距非常显著，它塑造了我们在机器学习里做的很多事。"
💡 模型只是你要做的事里的一块
Jeff Dean 强调，真正重要的是搭一个能解决有趣问题的完整系统：会用工具的模型、能检索信息、有历史记录、能拆解任务。上下文工程让信息对模型来说非常清晰，远胜于训练数据那锅"几万亿 token 的汤"。
"模型其实只是你要做的事里的一块，你要做的是搭一个能解决真正有趣问题的完整系统。"
💡 找 0% 成功率的问题，而不是 20% 的
给创始人的核心判断标准：如果通用模型已经能做 20%，那随着更多数据和更大规模，它很快就会做得更好。你要找的是模型完全做不了、成功率是 0% 或 1% 的事情——那才是你的机会。
"你要找的是模型成功率是百分之零或百分之一的事情，而不是百分之二十的。"
💡 说清楚你想要什么，比以往更重要
以前你把任务交给一个聪明人，他可以追问；现在 Agent 也会猜，但猜出来的往往跟你脑子想的不一样。清晰的规格说明是让 Agent 成功的关键，这也是为什么"把 Python 翻译成 Go"这类任务模型特别擅长——因为规格太清晰了。
"你越清楚自己想要什么，Agent 就越有指导原则、规则，也就是一个它要完成什么的大纲。"
💡 品味是 AI 时代最稀缺的技能
当所有代码都能由 Agent 写好，真正的较量在于你要把时间花在哪个问题上。选对问题并成功解决它，远比把一个无聊问题研究得漂漂亮亮要好得多。培养品味的方法之一，是写下你预测未来十二个月可能重要的事情，然后回头评估。
"如果你选对了问题并且成功解决了它，那远比你把一个相当无聊的问题研究得漂漂亮亮要好得多。"
💡 被拒绝也没关系，继续往前走
那篇关于蒸馏的论文被欧洲会议拒了，理由是"不太可能产生重大影响"。但 Jeff Dean 和团队知道这是个极其重要的问题，他们把它放到 arXiv 上，大家读它、用它，今天它已经成了业界人人都在用的招数。
"时不时被拒一次，也没关系。我们把它放到 arXiv 上，大家读它，用它，一切都好。"
🌐 播客信息补充
本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的
使用 AI 进行翻译，因此可能会有一些地方不通顺；
如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight
外观
