2024年12月，OpenAI的Sora團隊來了個新人。

22歲。瑞典人。高中輟學，沒有學位。

職位是Research Scientist（研究科學家）——這個職位傳統(tǒng)上只有博士才能做。

他叫Gabriel Petersson。

上周，他在Extraordinary播客上公開分享了自己的故事。

我覺得這是個太好的時代腳注了，在這個ChatGPT開啟的AI時代，教育這件事可能真的改不一樣了。

沒有認識知識是AI不能教你的，只要你懂得提出正確的問題。

所以，Gabriel是怎么做到的？我覺得他的故事應該能給想要轉行，想要獨立工作，或者想要做任何事的你帶去啟發(fā)。

一、傳統(tǒng)學習路徑：為什么需要10年？

先說傳統(tǒng)路徑。

如果你想成為OpenAI Sora團隊的研究科學家，正常路徑是什么？

標準路徑：

• 4年本科（計算機/數(shù)學/物理）

• 2年碩士（機器學習方向）

• 3-5年博士（視頻生成/擴散模型研究）

• 可能還需要1-2年博后

加起來至少10年。

這10年在干什么？

第一階段：打基礎（4-6年）

你要學高等數(shù)學、線性代數(shù)、概率論、數(shù)據(jù)結構、算法、計算機體系結構...

這些是基礎。

你不懂這些，就看不懂論文，寫不了代碼，跑不了模型。

所以你得先學。

第二階段：專業(yè)化（2-3年）

基礎打好了，開始學專業(yè)課。

機器學習、深度學習、計算機視覺、自然語言處理...

每門課都有一堆公式、算法、論文。

你得一個個啃下來。

第三階段：做研究（3-5年）

前面7-8年學的都是別人的成果。

現(xiàn)在你要做自己的研究了。

選方向、讀論文、跑實驗、寫論文...

運氣好的話，3年畢業(yè)。運氣不好，5年也正常。

為什么這么慢？

因為傳統(tǒng)教育是**自底向上（Bottom-Up）**的。

先學微積分，再學線性代數(shù)，再學概率論...

先打地基，再建框架，最后蓋樓。

邏輯很嚴密。但問題是：

你學了3年微積分，可能還不知道它能干嘛。

你學了5年編程，可能還沒做出一個真正能用的產品。

知識和應用，脫節(jié)太久了。

很多人學到一半，就放棄了。因為看不到意義。

二、Gabriel的路徑：自頂向下，5年夠了

Gabriel走的是完全相反的路。

他不是先學理論，而是先做東西。

2019年。17歲。輟學。

加入Depict.ai（YC孵化的創(chuàng)業(yè)公司），創(chuàng)始團隊成員。

第一個任務：做產品推薦系統(tǒng)。

他完全不懂機器學習，甚至不太會寫代碼。

但他必須做出來。因為這是工作。

怎么辦？

Step 1: 從問題開始

Gabriel沒有去翻《機器學習導論》。

他直接問ChatGPT："我該做什么項目？"

ChatGPT告訴他：你可以做個產品推薦系統(tǒng)。

然后他又問："怎么做？"

ChatGPT給了他一個初始代碼框架。

Step 2: 讓AI生成代碼

Gabriel沒有完全理解這些代碼。

但他先跑起來再說。

代碼有bug？沒關系，問ChatGPT怎么修。

缺少某個庫？問ChatGPT怎么裝。

不懂某個函數(shù)？問ChatGPT是什么意思。

他沒把自己當學生。他是在解決實際工作問題。

Step 3: 逐行研究代碼

項目跑通了，但Gabriel沒有停。

他開始逐行研究代碼。

這個函數(shù)是干嘛的？為什么要這么寫？背后的原理是什么？

不懂的地方，繼續(xù)問ChatGPT。

遇到數(shù)學公式，讓ChatGPT解釋。

遇到ML概念，讓ChatGPT講清楚。

Step 4: 遞歸地向下鉆取

Gabriel用了一個很形象的說法：

"你從問題開始，遞歸地向下鉆取。"

什么意思？

你不是從理論開始往上堆。而是從實際問題往下挖。

遇到不懂的，就往下挖一層。再遇到不懂的，再往下挖一層。

直到你真正理解了。

案例：如何學習擴散模型

Gabriel后來加入Midjourney，開始接觸圖像生成。

他想學擴散模型（Diffusion Model）——這是DALL-E、Stable Diffusion、Sora的核心技術。

傳統(tǒng)路徑是什么？

1. 先學概率論、統(tǒng)計學

2. 再學貝葉斯推斷

3. 再學生成模型理論

4. 再學擴散模型論文

5. 最后才動手寫代碼

可能需要1-2年。

Gabriel怎么做？

1. 找到擴散模型的開源代碼（比如Stable Diffusion）

2. 逐行閱讀代碼

3. 遇到不懂的數(shù)學符號，問****ChatGPT

4. 遇到不懂的算法，問****ChatGPT

5. 邊改代碼邊理解原理

6. 在實際項目中應用和改進

可能需要幾周到幾個月。

關鍵區(qū)別是什么？

傳統(tǒng)路徑：理論→理論→理論→實踐

Gabriel路徑：實踐→理論→實踐→理論

知識和應用，隨時在驗證。

三、為什么這種方法現(xiàn)在可行？

Gabriel不是第一個想這么學的人。

很多人都試過"邊做邊學"。

但為什么現(xiàn)在才有Gabriel這樣的案例？

因為有三個關鍵變化。

變化1：ChatGPT成為了真正的導師

2022年11月之前，你想自學AI，只能靠搜索引擎（找到答案要翻10頁）、Stack Overflow（問題太具體沒人回答）、論文（看不懂沒人解釋）。

2022年11月之后，情況變了。

ChatGPT出來了。它能解釋任何概念，從最基礎到最前沿。能生成代碼，并且解釋每一行在干嘛。能調試錯誤，告訴你哪里錯了為什么錯。你缺什么數(shù)學背景，它就教什么。

Gabriel的原話：

"Universities don't have, like, a monopoly on foundational knowledge anymore. You can just get any foundational knowledge from ChatGPT." 大學不再壟斷基礎知識。你可以從ChatGPT獲得任何基礎知識。

這句話聽起來很狂。但確實如此。

我自己用Claude Code做開發(fā)時，也有這種感受。很多時候，我甚至覺得Claude比大學老師講得還清楚。

不是說大學老師不行。而是AI有幾個獨特優(yōu)勢：

根據(jù)你的水平調整解釋深度。你是小白，它就講得簡單點。你是進階，它就講得深入點。

無限耐心地回答你的重復問題。同一個問題問10遍，它也不會煩。

24/7隨時可用。凌晨3點卡住了，也能問。

變化2：創(chuàng)業(yè)門檻降到史上最低

Sam Altman（OpenAI CEO，自己也是斯坦福輟學生）在2025年10月說：

"I'm envious of the current generation of 20-year-old dropouts. The amount of stuff you can build, the opportunity in this space is so incredibly wide." 我嫉妒現(xiàn)在這一代20歲的輟學生。你能構建的東西數(shù)量、這個領域的機會是如此之廣。

為什么？

AI降低了創(chuàng)新門檻。

以前做個推薦系統(tǒng)，你需要招一個ML工程師、買一堆服務器、訓練模型、部署上線。

現(xiàn)在呢？直接用現(xiàn)成的API就行。OpenAI、Anthropic、阿里云百煉...都有。

甚至可以讓ChatGPT幫你寫代碼、部署、測試。全程都能輔助。

小團隊，甚至個人，都能做出以前大公司才能做的東西。

這就是Gabriel的機會。

他17歲加入Depict.ai時，整個團隊都是17-18歲的輟學生。

但他們做出來了。因為工具夠強大。

變化3：公司更看重能力，而不是學歷

Gabriel說：

"公司現(xiàn)在更看重結果和生產能力，而不是正式資格。最重要的是解決問題和創(chuàng)造價值。"

這不是他一個人的觀點。

Y Combinator的數(shù)據(jù)：

• 兩年前，YC孵化的創(chuàng)業(yè)公司中，只有10%是學生或應屆畢業(yè)生

• 2025年，這個比例漲到了30%

Andreessen Horowitz（硅谷頂級VC）直接說：

"這是十年來大學輟學生創(chuàng)業(yè)的最佳時機。"

為什么？

因為AI讓"學位"和"能力"脫鉤了。

以前，學位是能力的證明。你沒學位，公司怎么知道你行不行？

現(xiàn)在，GitHub是能力的證明。你做過什么項目、貢獻過什么開源代碼，一看就知道。

Gabriel進OpenAI，不是因為他有學位。

而是因為他做出了東西。

在Midjourney做了世界上最高性能的Web圖像網格。在Dataland做了最高性能的Web表格。

代碼和產品，就是最好的簡歷。

四、這種方法適合誰、不適合誰？

看到這里，你可能會想：我也可以這樣學嗎？

答案是：不一定。

Gabriel的方法不是萬能的。它有適用場景。

? 適合的場景

1. 快速迭代的工程領域

軟件開發(fā)、AI工程、產品設計...

這些領域的特點是：

• 錯了可以立即調整（不會有生命危險）

• 有明確的反饋（代碼要么跑通，要么報錯）

• 開源資源豐富（GitHub上一堆代碼可以學）

2. 目標明確的技能學習

你知道自己要做什么（比如做個推薦系統(tǒng)、搞個視頻生成工具）。

不是為了學習而學習。是為了做出來。

3. 有極強執(zhí)行力的人

Gabriel17歲輟學，加入創(chuàng)業(yè)公司。

工作壓力巨大，必須快速出成果。

這種壓力，反而成了學習的驅動力。

如果你沒有外部壓力，很可能三天打魚兩天曬網。

? 不適合的場景

1. 需要系統(tǒng)性基礎的領域

理論物理、純數(shù)學、基礎科學研究...

這些領域的特點是：

• 錯誤理解會導致嚴重后果

• 需要長期積累和深度思考

• ChatGPT的知識可能不夠前沿

2. 需要嚴格認證的專業(yè)

醫(yī)學、法律、建筑...

這些領域不是你會做就行，還要有執(zhí)照、認證。

你不能用ChatGPT學了3個月，就去給人看病。

3. 缺乏自驅力的人

如果你需要老師監(jiān)督、同學陪伴、考試督促，傳統(tǒng)教育可能更適合你。

自學需要極強的自律和執(zhí)行力。

Gabriel成功的其他因素

說實話，Gabriel的成功不只是因為ChatGPT。

還有很多其他因素。

運氣和時機。2019年輟學，正好趕上AI創(chuàng)業(yè)浪潮。如果早10年，可能沒這個機會。

環(huán)境和資源。硅谷/舊金山的創(chuàng)業(yè)環(huán)境，YC生態(tài)系統(tǒng)的支持，接觸到頂尖團隊和項目。這些都是加分項。

個人特質。極強的執(zhí)行力（17歲就敢輟學），愿意承擔風險，能在高壓環(huán)境下快速成長。

這些都是ChatGPT教不了的。

五、給你的3個行動建議

如果你想借鑒Gabriel的方法，該怎么開始？

建議1：選一個"略高于當前能力"的項目

不要選太簡單的（學不到東西）。

也不要選太難的（做不出來會放棄）。

標準是什么？你大概知道怎么做，但需要學一些新東西才能做出來。

舉幾個例子：

會Python？試著做個Web爬蟲。

會前端？接入OpenAI API做個聊天界面。

會數(shù)據(jù)分析？用機器學習做個預測模型。

關鍵是有具體的產出目標。不是學習XX技術，而是做出XX東西。

建議2：用ChatGPT/Claude，但別完全依賴

ChatGPT能幫你生成初始代碼、解釋不懂的概念、調試錯誤、補充背景知識。

但你自己要做三件事：

第一，逐行理解代碼。別直接復制粘貼。

第二，驗證AI的回答。AI也會犯錯。

第三，深入底層原理。知道為什么，不只是怎么做。

我自己用Claude Code寫代碼時，有個習慣：

AI生成代碼后，我會逐行閱讀，理解每一行在干嘛。遇到不懂的，追問到底。

這個過程，就是學習。

建議3：做出來，放到GitHub，放到小紅書上

不要只是"學會了"。

要有實際產出。

做個小項目，放到GitHub上，放到小紅書上。

即使很簡陋，也是你的作品。

為什么？

一是強制你做完。不是學一半就放棄。

二是可以獲得反饋。別人的評論、Issues、PRs，都是學習機會。

三是成為你的簡歷。比學歷更有說服力。

Gabriel進OpenAI，不是因為他有學位。

而是因為他在Midjourney、Dataland做出了世界級的產品。

代碼和產品，就是最好的證明。

六、學位的價值正在改變

寫到這里，我想說清楚一件事：

Gabriel的故事不是在鼓勵你輟學。

輟學是極端選擇，風險巨大。

Gabriel成功了，但可能有一萬個輟學生失敗了。

這篇文章想說的是：

學習方式正在改變。

以前，學位是知識的唯一通道。

現(xiàn)在，AI讓自學成為可能。

以前，學位是能力的唯一證明。

現(xiàn)在，作品和代碼也能證明你的能力。

學位不是沒用，而是不再唯一。

如果你在讀大學，不用焦慮。

大學提供的不只是知識。還有系統(tǒng)化的訓練、人脈和資源、相對安全的試錯環(huán)境。這些都很valuable。

如果你已經工作，想轉型AI，也不用回去讀學位。

你可以用Gabriel的方法。選個項目，邊做邊學，用ChatGPT補充知識，做出作品證明自己。

關鍵不是學位，而是持續(xù)學習的能力。

AI時代，技術更新太快了。

你今天學的，可能明年就過時。

比學歷更重要的，是你能不能快速學會新東西。

Gabriel17歲學會了推薦系統(tǒng)。18歲學會了數(shù)據(jù)可視化。20歲學會了圖像生成。22歲學會了視頻生成。

他不是天才。

只是找到了高效學習的方法。

這個方法，你也可以用。

如果你想了解更多Gabriel的故事，可以聽他在Extraordinary播客上的分享：https://www.youtube.com/watch?v=vq5WhoPCWQ8

如果你對AI學習有自己的經驗，歡迎在評論區(qū)分享。