几个印象很深的点：
【怎么判断一个技术是不是"真正重要的"？】
Jeff 的很多工作有一个共同特点：真正大规模流行的时候，往往距离他最初开始做已经过去了很多年。分布式系统、MoE、TensorFlow、Gemini 背后的 idea，全都如此。
他的做法是在脑子里持续维护一张非常宽的"技术地图"。与其只深入看极少量论文，不如尽量扩大对整个 research community 的覆盖——哪怕只是快速扫过 100 篇 abstract。目的不是记住每一篇，而是在脑子里形成足够多的"点"：A 方向似乎开始可行，B 技术出现了早期结果，C 问有人在尝试，D 硬件能力正在出现，E 算法效率开始跨过临界点。当这些点足够密，你才能看见：哪些原本分散的 idea，其实已经可以被连接起来。
【5+2 问选择框架】
他最喜欢的问形态：一个长期问需要解决 7 个核心子问，其中大约 5 个隐约看到路径但尚不成熟，另外 2 个真正不知道怎么办。7 个全不会做，可能要等 20 年；7 个全会做，只是一个两年的工程项目。5+2 的状态最值得投入大约五年，不是显然不可能，也不是显然会发生，真正需要创造新技术，一旦成功又能彻底改变做事方式。
这大概是我听过的对 research risk 最清晰的一个量化直觉。
【Cloud Computing 改变了创业的边界条件】
有人问：AI 看起来天然属于大公司的游戏，巨量数据、大规模算力、极高资本开支。为什么现实中这么多 frontier innovation 反而从 startup 出现？
Jeff 认为是云计算的成熟。过去 startup 想要超大规模 compute，得自建数据中心、自建分布式基础设施、自己拥有大量硬件，只有大公司有条件。今天云平台替你完成了这些 heavy lifting，小团队只要有好 idea 和一笔资本，就可以直接获取 massive compute。"小团队做大事"的边界被大幅推开了。
【相比大厂，AI创业公司的优势是什么
