Google首席科学家Jeff Dean离职创业，他把“AI成功率1%”的选题法用在了自己身上吗？
在宣布离开Google创业之前，Jeff Dean其实已经把自己的创业逻辑讲了出来。
7月25日，在Y Combinator的Startup School现场，面对约6000名创业者，他被问到：当基础模型越来越强，创业公司还能选择什么方向？Jeff Dean的回答有些反直觉。他建议创业者不要优先寻找模型已经能够完成20%的任务，而应该寻找模型目前只能成功0%或1%的问题。因为如果模型已经能做20%，说明这种能力已经开始出现，随着训练数据和模型规模继续增长，它很可能很快变得更好。
十天之后，Jeff Dean宣布结束自己在Google近27年的职业生涯，与Sanjay Ghemawat、Oriol Vinyals和Quoc Le共同创办Discovery Loop。这家公司不是再做一个聊天机器人，而是尝试自动化科学与工程研究的完整循环：提出实验、运行实验、评价结果，再根据反馈进入下一轮。
这里要先澄清，“成功率1%”说的不是创业公司的成功概率，而是通用模型完成某类任务的成功率。Jeff Dean不是鼓励创业者去赌一个几乎不可能成功的项目，而是在提醒他们：基础模型进步越快，最容易做出来的AI产品，越可能最先被模型本身吞掉。
一、AI已经能做20%，为什么反而可能更危险？
传统软件创业，往往从一个已经被证明可行的需求开始。技术能解决20%，创业公司补齐剩下的80%，再通过产品、渠道和服务建立优势。这套逻辑能够成立，是因为底层技术一般不会在几个月内突然完成一次能力跃迁。
基础模型改变了这种节奏。模型能够完成20%，有时并不意味着创业窗口已经打开，反而意味着这个任务已经进入模型能力的覆盖范围。创业公司可能花一年时间优化提示词、补充工作流和产品界面，下一代模型更新以后，原来最核心的功能就变成了标准能力。
所以，“1%选题法”真正关心的不是难度，而是耐久性：创业公司究竟是在利用模型，还是把自己的命运完全交给模型供应商？如果产品价值主要来自模型暂时不稳定的能力，那么模型越强，产品的护城河反而越薄。
这不意味着所有模型已经能做20%的方向都不值得进入。消费产品仍可依靠品牌和分发建立价值，企业应用也可能掌握模型厂商拿不到的数据与流程。更准确的问题是：即使明天模型能力提升一倍，这家公司是否仍有独立存在的理由？
二、Discovery Loop几乎就是这套方法的标准答案
今天的AI已经能够读论文、生成假设、编写实验代码，也可以帮助分析数据。但让一个系统独立完成开放式科学研究，持续提出值得尝试的新方向，正确运行实验、识别失败原因，再将结果用于下一轮决策，仍然远未成为可靠能力。Discovery Loop选择的不是其中某个环节，而是试图把它们连成一个持续运行的闭环。
公司的路线是先把自己作为第一个客户，从机器学习研究开始，让系统自动提出、执行和评价大量实验，用这些实验改进自己的模型和算法，再扩展到芯片设计、生物、药物和材料等领域。Oriol Vinyals也承认，当前模型并不擅长提出真正新颖的想法，因此最初仍会由人与AI共同选题。
四位创始人的能力也与这条路线高度匹配：Jeff Dean与Sanjay Ghemawat长期负责Google的大规模计算和搜索基础设施，Oriol Vinyals曾是Gemini的重要技术负责人，Quoc Le参与创建Google Brain，并参与了自动发现机器学习算法的AutoML-Zero。后者早在2020年就尝试让系统从基本数学操作出发，自动发现完整的机器学习算法。
Discovery Loop采用公共利益公司结构，获得Khosla Ventures、Radical Ventures等机构支持，融资金额与估值尚未公开。Google虽然失去四位核心科学家，却没有与他们切割，而是成为创始投资者和云合作伙伴，并将在第一年提供计算资源。
Jeff Dean选择的不是“AI已经能做，只是体验还不够好”的产品，而是“AI目前还不能可靠完成，但一旦形成闭环就可能产生巨大价值”的问题。Discovery Loop即使不是按一条公式算出来的项目，也几乎是“1%选题法”的一次自我示范。
三、真正值钱的不是困难，而是能把失败变成反馈
仅仅选择一个AI不会做的问题，并不等于找到了创业机会。很多问题的成功率为0%，只是因为技术路径、数据条件和成本结构都不成立。
“1%问题”能够变成一家公司，关键是失败能否被快速验证，并转化为下一轮决策的反馈。结果需要能够评价，实验需要自动或半自动执行，单次尝试的成本要能够下降，实验结果还要重新进入系统。
这也是Discovery Loop先从机器学习研究开始，而不是直接进入新药研发的原因。机器学习实验天然数字化，模型结构、训练方法和性能指标都可以在计算环境中运行和评价；到了生物、药物和材料领域，许多实验仍需要真实实验室、漫长周期和监管验证，自动化难度会明显上升。
Google已有的AI Co-Scientist、ERA和AlphaEvolve也说明，这条路线并非空想。它们分别尝试生成可验证的科学假设、编写计算实验软件，以及把大模型生成代码、自动评价器和进化搜索结合起来。这些系统还不能独立完成完整科学发现，却证明了一个关键逻辑：只要评价标准清晰，模型偶尔产生的正确答案，就可以通过大规模实验被筛选和放大。
因此，Discovery Loop真正想建立的护城河，未必是某个单独模型更强，而是模型、实验环境、评价器、算力和领域知识组成的闭环。实验如何设计、结果如何评价、反馈如何进入下一轮，这些才可能成为长期资产。
四、Google自己已经在做，为什么还要离开？
这也是整件事最值得讨论的矛盾。Google并不缺少相关项目，也不缺模型、算力和人才。既然这些技术已经在Google内部出现，四位核心科学家为什么还要单独成立一家方向相近的公司？
现有信息不足以给出确定答案，但组织问题可能比技术问题更重要。Oriol Vinyals在采访中提到，大型组织总有很强的惯性，要推动激进变化需要克服很多阻力。Discovery Loop可以把“自动发现循环”设为唯一目标，让模型、基础设施、人才和产品围绕这一件事重新组织，而不必同时服务Google的多个业务。
Google成为投资者并提供算力，也让这次离开不像传统意义上的决裂，更像是把一项高风险、长期、难以按现有组织方式推进的研究放到外部公司。Discovery Loop获得创业公司的专注和速度，同时继续使用Google的资源；Google失去直接管理权，却保留投资关系和潜在回报。
这或许也是大公司越来越常见的一种创新方式。不是把所有前沿项目都留在内部，也不是等核心科学家彻底离开，而是允许一部分团队独立出去，用新的组织结构承担更高风险，同时通过投资、云服务和技术合作保留联系。对于Google而言，Discovery Loop既是一次人才流失，也可能是一次研究能力的外部延伸。
但现在还不能把它写成成功案例。Discovery Loop刚刚成立，没有公开产品、客户和研究成果，创始团队在公司公布时甚至尚未开始大规模招聘。顶级团队能够获得资金和算力，并不代表它一定能把AI变成真正的科学研究者。在提出原创问题、验证复杂因果关系，以及把计算实验转化为现实结果这些环节，当前模型仍有很长的路要走。
五、普通创业者不该照抄“1%”，但应该用它检查自己
Jeff Dean有资格选择一个模型成功率接近0%的问题，是因为他拥有可能最适合解决这类问题的团队，还有Google的计算资源和顶级投资机构支持。普通创业者如果只记住“越难越好”，得到的很可能不是护城河，而是一个永远无法交付的产品。
这套方法真正值得借鉴的，不是具体百分比，而是一次反向压力测试：如果下一代模型直接提供了你的核心功能，用户为什么还需要你的产品？你是否拥有模型厂商拿不到的数据、评价体系和真实工作流？用户使用后能否留下独有反馈？AI除了回答问题，能否进入业务中执行和验证结果？
大量AI产品争夺的是模型已经会做的事情，区别只是界面更漂亮、提示词更完整、某个流程暂时更顺畅。这些产品并非没有价值，但如果不能继续沉淀数据、工作流、评价标准和客户关系，模型升级越快，它们面临的替代压力也越大。
所以，Jeff Dean是否把“AI成功率1%”的选题法用在了自己身上？
目前没有公开证据证明，他依据这条规则决定创办Discovery Loop。但可以确认的是，他在YC现场描述“自动化科学方法”时，这家公司已经在秘密筹备；他提出的选题逻辑与Discovery Loop的方向，也来自同一种判断：不要只做AI今天已经能做一点、明天很可能会做得更好的事情，而要寻找AI仍然不会做，但你有办法让每一次失败都推动它向前一步的问题。
Discovery Loop最终能否成功，现在还无法判断。它甚至可能再次证明，自动化科学远比自动化写代码困难。但至少在选题上，Jeff Dean给出了一个清楚的答案：真正的“1%”，不是创业成功的概率，而是基础模型尚未占领的能力空间。