我高中輟學(xué)，跟 AI 學(xué)習(xí)，逆襲成為 OpenAI 研究員

AI新浪潮觀察

8min read

我高中輟學(xué)，跟 AI 學(xué)習(xí)，逆襲成為 OpenAI 研究員

極客老友2025/12/16

摘要

學(xué)習(xí)，這個(gè)概念，在 AI 時(shí)代完全變了。

作者｜金光浩

編輯｜ 靖宇

前段時(shí)間，我在上海參加了一個(gè) AI 聚會(huì)。

活動(dòng)本身聊的 AI 落地內(nèi)容很多。

但最讓我印象最深的，是一位投資人前輩分享的學(xué)習(xí)方法。

他說(shuō)這個(gè)方法救了他，也改變了他投資時(shí)看人的標(biāo)準(zhǔn)。

具體是什么呢？就是學(xué)會(huì)「問(wèn)問(wèn)題」。

當(dāng)你對(duì)一個(gè)問(wèn)題感興趣，就去和 DeepSeek 聊，一直聊，聊到它答不出來(lái)為止。

這種「無(wú)限追問(wèn)」的技巧，當(dāng)時(shí)聽(tīng)完我覺(jué)得挺震撼的，但活動(dòng)結(jié)束后，這事就被我拋在腦后了。

沒(méi)有嘗試，也沒(méi)惦記。

直到最近，我刷到了 Gabriel Petersson 輟學(xué)，用 AI 學(xué)習(xí)進(jìn)入 OpenAI 的故事。

我才突然意識(shí)到，那位前輩說(shuō)的「問(wèn)到底」，在這個(gè) AI 時(shí)代到底意味著什么。

Gabriel 訪(fǎng)談播客｜圖片來(lái)源：youtube

01

「高中輟學(xué)」，逆襲成為 OpenAI 研究員

Gabriel 來(lái)自瑞典，高中沒(méi)念完就輟學(xué)了。

Gabriel 社媒主頁(yè)｜圖片來(lái)源：X

他曾經(jīng)覺(jué)得自己太笨了，根本不可能從事 AI 相關(guān)的工作。

轉(zhuǎn)折發(fā)生在幾年前。

他的表兄在斯德哥爾摩創(chuàng)辦了一家初創(chuàng)公司，做電商產(chǎn)品推薦系統(tǒng)，叫他過(guò)去幫忙。

Gabriel 就這么去了，沒(méi)什么技術(shù)背景，也沒(méi)什么存款，創(chuàng)業(yè)初期甚至在公司公共休息室的沙發(fā)上睡了整整一年。

但這一年里他學(xué)會(huì)了不少東西。不是在學(xué)校學(xué)的，而是在實(shí)際問(wèn)題的壓力下硬逼出來(lái)的：編程、銷(xiāo)售、系統(tǒng)集成。

后來(lái)為了優(yōu)化學(xué)習(xí)效率，他干脆轉(zhuǎn)成了合同工，這樣可以更靈活地選擇項(xiàng)目，專(zhuān)門(mén)找最優(yōu)秀的工程師合作，主動(dòng)尋求反饋。

申請(qǐng)美國(guó)簽證時(shí)，他面臨一個(gè)尷尬的問(wèn)題：這類(lèi)簽證要求證明申請(qǐng)人在領(lǐng)域內(nèi)有「非凡能力」，通常需要學(xué)術(shù)出版物、論文引用之類(lèi)的材料。

一個(gè)高中輟學(xué)生怎么可能有這些？

Gabriel 想了個(gè)辦法：他把自己在程序員社區(qū)上發(fā)布的高質(zhì)量技術(shù)帖子整理出來(lái)，作為「學(xué)術(shù)貢獻(xiàn)」的替代證明。這個(gè)方案居然被移民局接受了。

到了舊金山之后，他繼續(xù)用 ChatGPT 自學(xué)數(shù)學(xué)和機(jī)器學(xué)習(xí)。

現(xiàn)在他是 OpenAI 的研究科學(xué)家，正在參與 Sora 視頻模型的構(gòu)建。

說(shuō)到這，你一定很好奇，他是怎么做到的呢？

Gabriel 觀點(diǎn)｜圖片來(lái)源：X

02

遞歸式知識(shí)填補(bǔ)：反常識(shí)的學(xué)習(xí)方法

答案就是「無(wú)限追問(wèn)」，找一個(gè)具體問(wèn)題，然后通過(guò) AI 徹底解決這個(gè)問(wèn)題。

Gabriel 的學(xué)習(xí)方法和大多數(shù)人的直覺(jué)相反。

傳統(tǒng)的學(xué)習(xí)路徑是「自下而上」：先打基礎(chǔ)，再學(xué)應(yīng)用。比如想學(xué)機(jī)器學(xué)習(xí)，得先學(xué)線(xiàn)性代數(shù)、概率論、微積分，然后學(xué)統(tǒng)計(jì)學(xué)習(xí)，然后學(xué)深度學(xué)習(xí)，最后才能碰實(shí)際項(xiàng)目。這個(gè)過(guò)程可能需要好幾年。

而他的方法是「自上而下」：直接從一個(gè)具體項(xiàng)目開(kāi)始，遇到問(wèn)題就解決問(wèn)題，發(fā)現(xiàn)知識(shí)盲區(qū)就補(bǔ)齊知識(shí)。

他在播客里說(shuō)，以前這種方法很難推廣，因?yàn)槟阈枰粋€(gè)全知全能的老師，隨時(shí)告訴你「接下來(lái)該補(bǔ)什么」。

但現(xiàn)在，ChatGPT 就是這個(gè)老師。

Gabriel 觀點(diǎn)｜圖片來(lái)源：X

具體怎么操作？他舉了個(gè)例子：如何學(xué)擴(kuò)散模型。

第一步，從宏觀概念開(kāi)始。他會(huì)問(wèn) ChatGPT：「我想學(xué)視頻模型，最核心的概念是什么？」，AI 告訴他：自動(dòng)編碼器。

第二步，代碼先行。他讓 ChatGPT 直接寫(xiě)一段擴(kuò)散模型的代碼。一開(kāi)始很多地方看不懂，但沒(méi)關(guān)系，先把代碼跑起來(lái)再說(shuō)。能跑通，就有了調(diào)試的基礎(chǔ)。

第三步，最核心的，進(jìn)行遞歸追問(wèn)，他會(huì)盯著代碼里的每一個(gè)模塊問(wèn)問(wèn)題。

就這樣一層層往下鉆，直到徹底理解底層邏輯。然后再返回上一層，繼續(xù)問(wèn)下一個(gè)模塊。

他把這個(gè)過(guò)程叫做「遞歸式知識(shí)填補(bǔ)」。

遞歸式知識(shí)填補(bǔ)｜圖片來(lái)源：nanobaba2

這比按部就班學(xué)六年快得多，可能三天就能建立起基本的直覺(jué)。

如果你熟悉蘇格拉底式提問(wèn)法，會(huì)發(fā)現(xiàn)這本質(zhì)上是同一個(gè)思路：通過(guò)層層追問(wèn)來(lái)逼近事物的本質(zhì)，每一個(gè)回答都是下一個(gè)問(wèn)題的起點(diǎn)。

只不過(guò)現(xiàn)在他把 AI 當(dāng)成了被追問(wèn)的人，而由于 AI 近乎全知全能，不斷的將事物的本質(zhì)以一種通俗易懂的方式向提問(wèn)者表達(dá)。

實(shí)際上，Gabriel 采用這樣一種方式，對(duì) AI 進(jìn)行了「知識(shí)萃取」，學(xué)到了事物的本質(zhì)。

03

我們大多數(shù)人用 AI，其實(shí)在變笨

聽(tīng)完博客，Gabriel 的故事讓我產(chǎn)生了一個(gè)疑問(wèn)：

同樣是用 AI，為什么他能學(xué)得這么好，而很多人用 AI 之后，反而感覺(jué)自己在退步？

這不僅僅是我的主觀感受。

微軟研究院 2025 年的一篇論文顯示 [1]， 當(dāng)人們頻繁使用生成式 AI 時(shí)，自身批判性思維的使用會(huì)明顯下降。

換句話(huà)說(shuō)，我們把思考外包給了 AI，然后自己的思考能力也跟著萎縮了。

技能這東西符合「用進(jìn)廢退」的規(guī)律：當(dāng)我們用 AI 寫(xiě)代碼時(shí)，手和腦寫(xiě)代碼的能力就在悄悄退化。

用 AI「vibe coding」的工作方式看起來(lái)效率很高，但長(zhǎng)期下來(lái)，程序員自身的編程技能是在下降的。

你把需求扔給 AI，它吐出一堆代碼，你跑通了，覺(jué)得很爽。但如果讓你關(guān)掉 AI，手寫(xiě)核心邏輯，很多人會(huì)發(fā)現(xiàn)自己的大腦一片空白。

更極端的案例來(lái)自醫(yī)學(xué)領(lǐng)域，一篇醫(yī)學(xué)領(lǐng)域的論文指出 [2]， 醫(yī)生在引入 AI 輔助后三個(gè)月，結(jié)腸鏡檢測(cè)技能下降了 6%。

這個(gè)數(shù)字看起來(lái)不大，但想想看： 這是真實(shí)的臨床診斷能力，關(guān)乎患者的健康和生命。

所以問(wèn)題就來(lái)了：同樣的工具，為什么有人用它變強(qiáng)了，有人用它變?nèi)趿耍?/p>

區(qū)別在于你把 AI 當(dāng)成什么。

如果你把 AI 當(dāng)成一個(gè)幫你干活的工具，讓它替你寫(xiě)代碼、替你寫(xiě)文章、替你做決定，那你的能力確實(shí)會(huì)退化。因?yàn)槟闾^(guò)了思考的過(guò)程，只拿到了結(jié)果。結(jié)果可以復(fù)制粘貼，但思考能力不會(huì)憑空生長(zhǎng)。

但如果你把 AI 當(dāng)成一個(gè)教練或者導(dǎo)師，用它來(lái)檢驗(yàn)自己的理解、追問(wèn)自己的盲區(qū)、逼迫自己把模糊的概念說(shuō)清楚：那你實(shí)際上是在用 AI 加速自己的學(xué)習(xí)循環(huán)。

Gabriel 的方法，核心不是「讓 AI 替我學(xué)」，而是「讓 AI 陪我學(xué)」。他始終是那個(gè)主動(dòng)追問(wèn)的人，AI 只是提供反饋和素材。每一個(gè)「為什么」都是他自己?jiǎn)柍鰜?lái)的，每一層理解都是他自己挖下去的。

這讓我想起一個(gè)老話(huà)：授人以魚(yú)不如授人以漁。

遞歸式知識(shí)填補(bǔ)｜圖片來(lái)源：nanobaba2

04

一些實(shí)際的啟發(fā)

聊到這里，可能有人會(huì)問(wèn)：我不是搞 AI 研究的，也不是程序員，這個(gè)方法對(duì)我有什么用？

我覺(jué)得 Gabriel 的方法論可以抽象成一個(gè)更通用的五步框架，每個(gè)人都可以通過(guò) AI 學(xué)習(xí)任何不懂的領(lǐng)域。

1、從實(shí)際問(wèn)題出發(fā)，而不是從教科書(shū)的第一章開(kāi)始。

你想學(xué)什么，就直接開(kāi)始做，遇到卡殼的地方再去補(bǔ)。

這樣學(xué)到的知識(shí)有上下文、有目的，比孤立地背概念有效得多。

Gabriel 觀點(diǎn)｜圖片來(lái)源：X

2、把 AI 當(dāng)成一個(gè)永遠(yuǎn)有耐心的導(dǎo)師 。

你可以問(wèn)它任何蠢問(wèn)題，可以讓它用不同方式解釋同一個(gè)概念，可以讓它「像教五歲小孩一樣解釋」。

它不會(huì)嘲笑你，也不會(huì)不耐煩。

3、主動(dòng)追問(wèn)，直到建立直覺(jué)。不要滿(mǎn)足于表面的理解。

一個(gè)概念，你能用自己的話(huà)復(fù)述出來(lái)嗎？能舉一個(gè)原文沒(méi)提到的例子嗎？

能解釋給一個(gè)外行聽(tīng)嗎？如果不能，就繼續(xù)問(wèn)。

4、這里有個(gè)陷阱需要警惕：AI 也會(huì)產(chǎn)生幻覺(jué) 。

在進(jìn)行遞歸追問(wèn)時(shí)，如果底層概念 AI 解釋錯(cuò)了，你可能就在錯(cuò)誤的道路上越跑越遠(yuǎn)。

所以建議在關(guān)鍵節(jié)點(diǎn)，通過(guò)多個(gè) AI 進(jìn)行交叉驗(yàn)證，確保提問(wèn)的地基是穩(wěn)的。

5、記錄你的追問(wèn)過(guò)程 。

這樣可以形成可復(fù)用的知識(shí)資產(chǎn)：下次遇到類(lèi)似問(wèn)題，你有一份完整的思考路徑可以回顧。

傳統(tǒng)觀念里，工具的價(jià)值在于減少阻力、提高效率。

但學(xué)習(xí)這件事恰恰相反：適度的阻力、必要的摩擦，反而是學(xué)習(xí)發(fā)生的前提。如果一切都太順滑，大腦就進(jìn)入了省力模式，什么都記不住。

Gabriel 的遞歸追問(wèn)，本質(zhì)上就是在制造摩擦。

他不斷問(wèn)為什么，不斷把自己逼到不懂的邊緣，然后再一點(diǎn)點(diǎn)把洞填上。

這個(gè)過(guò)程很不舒服，但正是這種不舒服，讓知識(shí)真正進(jìn)入了長(zhǎng)期記憶。

05

未來(lái)的職業(yè)趨勢(shì)

在這個(gè)時(shí)代， 學(xué)歷的壟斷正在被打破，但認(rèn)知的門(mén)檻卻在隱形提高。

大多數(shù)人只把 AI 當(dāng)作「答案生成器」，而極少數(shù)像 Gabriel 這樣的人，把 AI 當(dāng)作「思維練習(xí)器」。

其實(shí)類(lèi)似的用法，已經(jīng)在不同領(lǐng)域出現(xiàn)了。

比如在即刻上，我看到不少家長(zhǎng)在用 nanobanana 給孩子輔導(dǎo)功課。但他們不是讓 AI 直接給出答案，而是讓 AI 生成解題步驟，一步一步地展示思考過(guò)程，然后和孩子一起分析每一步的邏輯。

這樣孩子學(xué)到的不是答案，而是解題的方法。

提示詞「解給定的積分，并把完整的解寫(xiě)在白板上」｜圖片來(lái)源：nanobaba2

還有人用 Listenhub 或者 NotebookLM 的功能，把長(zhǎng)篇文章或論文轉(zhuǎn)成播客形式，讓兩個(gè) AI 聲音對(duì)談、解釋、提問(wèn)。有人覺(jué)得這是偷懶，但也有人發(fā)現(xiàn)，聽(tīng)完對(duì)談再回去看原文，理解效率反而更高。

因?yàn)閷?duì)談過(guò)程中會(huì)自然地拋出問(wèn)題，逼迫你思考：這個(gè)點(diǎn)我真的懂了嗎。

Gabriel 訪(fǎng)談播客轉(zhuǎn)播客｜圖片來(lái)源：notebooklm

這指向了一個(gè)未來(lái)的職業(yè)趨勢(shì)： 一專(zhuān)多能。

以前，你想做一款產(chǎn)品，需要懂前端、后端、設(shè)計(jì)、運(yùn)維、營(yíng)銷(xiāo)?，F(xiàn)在，你可以像 Gabriel 一樣，用「遞歸補(bǔ)洞」法，快速掌握你短板領(lǐng)域的 80% 知識(shí)。

你原本是個(gè)程序員，通過(guò) AI 補(bǔ)齊設(shè)計(jì)和商業(yè)邏輯，你可以變成一個(gè)產(chǎn)品經(jīng)理。

你原本是個(gè)好的內(nèi)容創(chuàng)作者，通過(guò) AI，你可以快速補(bǔ)齊代碼能力的短板，變成一個(gè)獨(dú)立開(kāi)發(fā)者。

基于這個(gè)趨勢(shì)可以推斷：「也許，未來(lái)，會(huì)有更多的「一人公司」形態(tài)出現(xiàn)」。

06

奪回你的主動(dòng)權(quán)

現(xiàn)在再想那位投資人前輩的話(huà)，我才明白他真正想說(shuō)的是什么。

「一直問(wèn)到答不出來(lái)為止?！?/p>

這句話(huà)在 AI 時(shí)代是一個(gè)很棒的心法。

如果我們只滿(mǎn)足于 AI 給出的第一個(gè)答案，我們就在悄無(wú)聲息地退化。

但如果我們能通過(guò)追問(wèn)，逼 AI 把邏輯講透，再內(nèi)化成自己的直覺(jué)：那 AI 就真的成了我們的外掛，而不是我們成了 AI 的附庸。

不要讓 ChatGPT 替你思考，要讓它陪你思考。

Gabriel 從睡沙發(fā)的輟學(xué)生，走到 OpenAI 研究員。

中間沒(méi)有什么秘訣，就是成千上萬(wàn)次追問(wèn)。

在這個(gè)充滿(mǎn)著被 AI 替代焦慮的時(shí)代，最實(shí)在的武器可能就是：

別停在第一個(gè)答案，繼續(xù)問(wèn)下去。

[1].The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers.

[2].Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study.

ChatGPTOpenAIAI 時(shí)代