高中輟學(xué)無學(xué)歷，卻憑野路子闖進OpenAI，躋身Sora團隊深耕頂尖視頻模型研究？

Gabriel用實際經(jīng)歷打破行業(yè)固有認知，更解鎖了大模型時代的高效成長密碼。早年他從瑞典小鎮(zhèn)輟學(xué)投身創(chuàng)業(yè)，無技術(shù)基礎(chǔ)便硬闖市場，靠落地推薦系統(tǒng)項目倒逼自己成長，摸透實戰(zhàn)比空想更重要的核心邏輯。

面對數(shù)學(xué)、機器學(xué)習(xí)等知識壁壘，他拒絕傳統(tǒng)低效學(xué)習(xí)模式，以ChatGPT為核心工具，用“項目驅(qū)動+遞歸補洞”拆解難題，從完整代碼入手逐行鉆研，反向補齊底層知識，3天吃透擴散模型核心，遠超傳統(tǒng)路徑數(shù)年耗時。

他摒棄Vibe Coding浮躁心態(tài)，死磕細節(jié)、追著反饋成長，靠Stack Overflow貢獻、扎實項目Demo敲開頂級團隊大門。這場不靠文憑的逆襲，本質(zhì)是用AI重構(gòu)學(xué)習(xí)邏輯，證明主動突破與高效工具結(jié)合，能跨越學(xué)歷鴻溝，實現(xiàn)能力躍遷，為普通人提供全新成長參考。以下，Enjoy：

本文轉(zhuǎn)載自公眾號“Info”

編譯 | Tina

一行一行讀代碼、拒絕“Vibe Coding”，靠 ChatGPT 反向?qū)W數(shù)學(xué)、擴散模型等。這位參與 Sora 的 OpenAI 研究科學(xué)家，用最野路子的方式跑通了視頻生成架構(gòu)。

在 OpenAI 的 Sora 團隊里，有這樣一個很“不硅谷”的研究科學(xué)家：高中輟學(xué)，沒有學(xué)歷、沒有競賽背景，也不是那種靠 AI 糊代碼的 Vibe Coder。

他來自瑞典一個小鎮(zhèn)，高中沒畢業(yè)就離開學(xué)校。當年連吳恩達的機器學(xué)習(xí)課都看不懂、微積分也啃不下去，卻靠著一行行啃擴散模型代碼、用 ChatGPT 反向補數(shù)學(xué)和 ML，硬生生闖進舊金山，加入了 Sora 視頻模型團隊，做著通常需要博士才能做的研究工作。

他的方法很“野”，卻極其可復(fù)制：項目驅(qū)動 + AI 遞歸式補洞 + 一行行看代碼的硬功夫。

所以，這篇文章不是在講“輟學(xué)生逆襲”，而是在拆解普通人如何在大模型時代，用 AI 把自己升級到博士級能力。

PS：

我們并不鼓吹輟學(xué)。過去硅谷熱衷渲染“輟學(xué)神話”，但大學(xué)所能提供的社交、資源與眼界，其實替代成本極高。Gabriel 自己也坦言，沒有文憑在部分場合下仍是限制，他只是選擇用更極端的方式“硬闖”過去。但如果你正在大學(xué)階段，身處安全且資源豐富的環(huán)境，并開始運用 Gabriel 學(xué)習(xí)方法，你的成長速度，很可能會比傳統(tǒng)路徑快上 100 倍，甚至 1000 倍。

以下內(nèi)容為 Extraordinary.com 創(chuàng)始人 Cel Wen 播客采訪的中文整理，嘉賓為來自瑞典的高中輟學(xué)生、現(xiàn)任 OpenAI 研究科學(xué)家 Gabriel Petersson。

01

第一次創(chuàng)業(yè)：

拿著推薦系統(tǒng)和 A/B 測試腳本，一家家敲門賣方案

主持人：今天的嘉賓是 Gabriel Petersson，一位來自瑞典、曾經(jīng)的高中輟學(xué)生，現(xiàn)在是 OpenAI 的 AI 研究科學(xué)家，也是 ChatGPT 背后的公司成員。Gabriel 的故事非常吸引人。

我看到你發(fā)過一條推文：“五年前，我在幾乎沒有工程經(jīng)驗的情況下從瑞典高中輟學(xué)，加入一家創(chuàng)業(yè)公司。今天，我加入了 OpenAI，成為一名研究科學(xué)家，與 Sora 團隊一起構(gòu)建 AGI。”你是怎么做到的？

Gabriel：這故事說來挺長的。我其實一直在琢磨 AI，大概是從看《超級智能》和《生命 3.0》那會兒開始的。那兩本書我特別喜歡，而且作者剛好都是瑞典人，我就覺得：嗯，這里面肯定有點東西。

但當時我一直覺得自己不夠聰明。我稍微查了一點 AI 相關(guān)的內(nèi)容，又不會編程，就老覺得外面全是特別聰明的人，我根本不可能跟他們競爭。最后我干脆去做工程師，在一個創(chuàng)業(yè)公司里當了幾年“工程師打工人”。

主持人：你怎么會輟學(xué)？在你家鄉(xiāng)、你成長的環(huán)境里，大家不都是照常讀書嗎？你怎么有勇氣離開？

Gabriel：說實話，我也不算是“下定決心”，更像是事情自己把我推著走到了那一步。有一天我表哥給我打電話，說他剛認識了一個特別聰明的人，對方有個用 AI 做推薦系統(tǒng)的點子，讓我們馬上一起把這個東西做出來賣給客戶。那個人當時在新加坡做研究，我表哥就說：“我們要立刻開始干了，你趕緊來斯德哥爾摩。”

我還跟他說：“哥們，我今晚有個超級大的派對。”

他說：“不行，現(xiàn)在就來?！?/p>

于是我直接買了下一班去斯德哥爾摩的巴士票，去了之后，就再也沒有回學(xué)校上課。

主持人：你去了那家創(chuàng)業(yè)公司，后來怎么樣了？

Gabriel：我們當時的點子是，給電商做一個產(chǎn)品推薦系統(tǒng)。但問題是，我們幾個人對“創(chuàng)業(yè)”一無所知，不懂怎么獲客，也不懂怎么銷售。

一開始我發(fā)冷郵件，幾乎沒人理。后來我開始一個個打電話，有時能聊得不錯，但說到底，我只是個 18 歲、沒技術(shù)背景的小孩，很難讓人真信任。

再后來，我干脆上門推銷。

我會提前把對方的網(wǎng)站爬下來，訓(xùn)練一個新的推薦模型，然后把他們原來的推薦結(jié)果和我們生成的推薦結(jié)果排成一張 A3 大圖打印出來，左邊是他們現(xiàn)在用的，右邊是我們的。

我大概做了一百多份，裝在文件夾里，挨個公司去敲門：“能幫我叫一下電商負責(zé)人或者 CEO 嗎？”

他們一看到那張對比圖，第一反應(yīng)都是震驚：“這些都是你們做的嗎，你是怎么做到的？”接下來問的就是：“那要怎么上線？”

這時候我就說：“沒問題，我們今天就準備好了，可以直接上線?！蔽译S身帶著一段腳本，可以直接貼進他們網(wǎng)站的瀏覽器控制臺，把原來的推薦結(jié)果替換成我們的。腳本里還順帶集成了 A/B 測試，用來對比兩邊帶來的收益。很多時候，第一次見面我就能讓他們現(xiàn)場切到我們的方案——聽起來瘋，但確實很有用。

當然，后來也因此埋下了大坑：我們完全沒考慮可擴展性和可維護性，只想著先把客戶拿下。整個團隊一群 17、18 歲的輟學(xué)生，純靠一股蠻勁往前沖。

主持人：你們都在斯德哥爾摩線下做嗎？

Gabriel：對，我們?nèi)硕荚谀莾?。我住在我表哥的學(xué)生公寓里。房子特別小，說是“宿舍”，其實就是普通公寓里分出來的小房間，只是只有學(xué)生才有資格住。提交資料時我們還得假裝他還在上大學(xué)。我整整一年睡在公共區(qū)域撿來的沙發(fā)靠墊上。房間又小又臟，但那就是我們的聯(lián)合辦公空間。

主持人：大多數(shù)人經(jīng)歷這些會選擇回學(xué)校，但你沒有。是什么讓你堅持下來的？

Gabriel：我對現(xiàn)實的認知一直很扭曲。我當時 100% 確信自己會成為億萬富翁，真的，一點懷疑都沒有。我確信我們在做“下一個大項目”，其他事都不重要。于是我拼命干活，一次次熬通宵，滿斯德哥爾摩亂跑做銷售，想盡各種瘋狂的辦法去拿客戶。

02

最快的學(xué)習(xí)方式不是先把基礎(chǔ)學(xué)完，

而是被真實項目逼出來

主持人：你一開始不會編程，那你是怎么學(xué)的？

Gabriel：主要是被逼出來的，因為我們必須給客戶做各種集成。最早是表哥教我 Java，我們一起寫了一個很爛的回合制“寶可夢”小游戲。后來我上過一個 Udemy 的 Python 課，做了個同樣很糟糕的小游戲。我也試過上 Andrew Ng 的機器學(xué)習(xí)課，但完全看不懂，只覺得自己太笨了。

真正開始學(xué)，是在創(chuàng)業(yè)之后，因為你不得不去做那些事：寫爬蟲、做推薦系統(tǒng)、搭 A/B 測試、做各種集成。一旦面前有一個真實的問題，學(xué)習(xí)反而變得簡單很多。

你會去翻 Stack Overflow，卡住了就去問身邊的朋友。有真實的工作壓力，你就被迫把東西學(xué)會。對我來說，沒有壓力的時候幾乎完全學(xué)不進去。

主持人：如果你要給另一個高中輟學(xué)生提建議，你會說什么？

Gabriel：我算是非常幸運的。我在瑞典一個叫 Vaggeryd 的小鎮(zhèn)長大，身邊一個工程師都不認識。高中時第一次見到程序員，我激動得不行，問他是不是會做網(wǎng)頁。

在那樣一個沒有工程師、沒有創(chuàng)業(yè)文化的地方，你很自然會覺得這一切都離自己非常遙遠。而在舊金山，人們覺得創(chuàng)業(yè)是正常選項，很大程度上是因為他們身邊所有人都在談?wù)撨@些事。

我之所以能走出來，是因為遇到了那家創(chuàng)業(yè)公司，它給了我真正“下場實戰(zhàn)”的機會，這對我來說是最重要的一次學(xué)習(xí)經(jīng)歷。如果別人想走一條類似的路，我會建議他們盡快進入市場，盡快去解決真實的問題，并且真正為結(jié)果負責(zé)。

現(xiàn)在有了 ChatGPT，你甚至不需要一開始就懂很多技術(shù)。你只需要證明自己會提問題、會提需求、愿意親自去做，有很強的能動性。你完全可以說：技術(shù)細節(jié)我現(xiàn)在不會，但我會問 ChatGPT，我能從那里拿到我需要的任何知識。

知識本身，已經(jīng)不再是稀缺資源了。

主持人：以前你得先上課、看教材，把路鋪好，現(xiàn)在可以直接帶著問題去問 AI。

Gabriel：對。人類最快的學(xué)習(xí)方式，其實是自頂向下：先從一個真實任務(wù)開始，再一路往下鉆，遇到哪個環(huán)節(jié)不懂，就現(xiàn)學(xué)哪個環(huán)節(jié)。

但學(xué)校沒法大規(guī)模這樣教，因為這要求老師隨時判斷你“下一步該學(xué)什么”。所以教育體系普遍選擇自底向上：先從數(shù)學(xué)、線性代數(shù)、矩陣這些基礎(chǔ)開始，一層一層往上堆。這樣做很適合規(guī)?；虒W(xué)，但學(xué)習(xí)效率非常低。

現(xiàn)在有了 ChatGPT，這一點已經(jīng)被改寫了。大學(xué)不再壟斷“基礎(chǔ)知識”的入口。我甚至很難認真對待那些課程體系里還沒有把大模型相關(guān)內(nèi)容納入基礎(chǔ)部分的大學(xué)，這種東西理應(yīng)從很小的年紀就開始接觸。

很多人會說，用這種方式學(xué)習(xí)“永遠無法真正理解問題本質(zhì)”，但事實并非如此。你完全可以從任務(wù)出發(fā)，一路遞歸往下學(xué)，照樣能理解得很深。

比如我想學(xué)機器學(xué)習(xí)，我會先問 ChatGPT：我應(yīng)該做什么項目，讓它幫我設(shè)計一個項目計劃，從這里開始。接著，我會先讓它寫出一整段完整的機器學(xué)習(xí)代碼，肯定會有 bug，那就從修 bug 開始，一點一點把它跑通。等到程序能跑了，我就會盯住某一小塊細節(jié)繼續(xù)追問：“這一部分具體在做什么？能不能用更直觀的方式解釋一下，這個模塊為什么能讓模型學(xué)到東西？”

它會先給出一段解釋，然后提到這里用了矩陣乘法、線性代數(shù)。那我就繼續(xù)問：“這些東西本質(zhì)上是怎么工作的？背后的數(shù)學(xué)直覺是什么？能不能畫幾張示意圖，幫我把這塊機器學(xué)習(xí)模塊的直覺建立起來？”

這樣學(xué)，其實是從“上層任務(wù)”往下，把所有該補的基礎(chǔ)一點點補齊，而不是從最底層往上死磕多年。這個轉(zhuǎn)變，會從根本上改變教育的方式。

主持人：在學(xué)校里，關(guān)于 AI，有哪些東西是完全沒教，或者教偏了的？

Gabriel：首先，學(xué)校里對 AI 的整體認知就已經(jīng)錯位了。ChatGPT 一出來，學(xué)生的第一反應(yīng)是：“太好了，有個東西能幫我把作業(yè)全做了?！?他們只看到這一點。老實說，換成我當學(xué)生的時候，大概也會這么想。

老師的第一反應(yīng)則是：“完了，大家都要用 AI 抄作業(yè)，我們得立刻禁止，AI 是個壞東西。”于是就形成了一個互相強化的循環(huán)：在學(xué)生眼里，AI 等于作弊工具；在老師眼里，AI 等于作弊來源。在這種環(huán)境里，幾乎沒人有機會自然地去培養(yǎng)一種直覺：原來 AI 是可以用來“學(xué)習(xí)”的。這個習(xí)慣不會憑空長出來。

現(xiàn)在多少有點讓人開心的變化是，我偶爾跟在瑞典念大學(xué)的朋友聊天，他們會說：“我發(fā)現(xiàn)可以用 ChatGPT 幫我出小測。我把往年的真題都扔進去，讓它總結(jié)這些題目背后共同考察的核心概念，或者讓它再出 10 道類似的新題，這樣我能真正學(xué)懂他們到底想教什么?！?/p>

學(xué)生這邊，開始有少數(shù)人摸到門道了。但老師整體上依然非常排斥 AI，這就很說不通。如果老師愿意把敘事?lián)Q一下，從“AI 會讓你們作弊”變成“我來教你們怎么用 AI 高效學(xué)習(xí)”，情況會完全不同。

想作弊的學(xué)生，不管有沒有 AI，總能找到辦法。如果沒有人告訴他們“AI 其實可以用來學(xué)東西”，他們自然只會把它當成糊作業(yè)的工具。

老實說，我以前也會想辦法作弊（笑），只不過那時候根本沒人告訴我，這類工具其實可以拿來真正學(xué)習(xí)。

03

用 AI 自學(xué)數(shù)學(xué)和擴散模型，

他一路走進 OpenAI Sora 團隊

主持人：那你是怎么用 AI 來學(xué)習(xí)的？你是怎么靠 AI 自學(xué)數(shù)學(xué)和機器學(xué)習(xí)，最后做到現(xiàn)在在 OpenAI 做研究科學(xué)家的？

Gabriel：其實和我剛才講的思路差不多。我現(xiàn)在在 OpenAI 的 Sora 團隊，主要做視頻模型。當時我就想先搞懂圖像和視頻模型的基本概念，于是先問 ChatGPT：在這類模型里，最基礎(chǔ)、最核心的概念有哪些？

它會開始介紹，說有自編碼器（autoencoder）、擴散模型（diffusion model）之類的東西。我聽著覺得很眼熟，這些名字到處都能看到，感覺挺酷。下一步我就直接讓它把一個完整的擴散模型代碼寫出來。

它會一下子吐出一大段代碼，我第一反應(yīng)就是：“這都是什么東西？” 但沒關(guān)系，接下來就是一起 debug。我把報錯貼給它，我們一起對著改。隨著代碼慢慢能跑起來，我也開始一點點建立直覺：這里在發(fā)生什么，那里在做什么，每一行代碼的作用是什么。

比如在擴散模型里會用到 ResNet 塊（殘差網(wǎng)絡(luò)模塊），里面有一堆變換，還有一條殘差連接，讓一部分信息可以直接“穿過去”，從而讓模型更容易學(xué)習(xí)。一開始我完全不知道這一塊在干嘛，就不停地追問 ChatGPT。

它一開始會給出類似我剛才那種比較高層的解釋，但你腦子里還是有一大堆問號：到底什么意思，“更好學(xué)”具體指什么？那就繼續(xù)往下追問，問它為什么這樣的結(jié)構(gòu)會讓模型更好訓(xùn)練，如果不用這類結(jié)構(gòu)會發(fā)生什么。它就會開始說明梯度是怎么流動的，在什么情況下會被截斷，在什么結(jié)構(gòu)里會消失，等等。你就這樣一輪一輪往下問，把問題拆得越來越細，直到你真的覺得“哦，我懂了”。

當你覺得自己理解了，還可以反過來把自己的理解用一段話講給模型聽，讓它幫你檢查：“這是我對這個概念的理解，對不對？” 這樣既能校正，又能補上你忽略的細節(jié)。

同時，你還能用很多小技巧，比如讓它用“我只有 12 歲”的理解水平來解釋一個概念，或者讓它用一個非常具體的場景打比方，比如“想象你走進一家書店，每本書的擺放方式就是一個向量嵌入”。它會把抽象的概念和現(xiàn)實世界的東西綁在一起，對我這種人特別好理解。

04

“遞歸式補洞”：從一個項目一路補完數(shù)學(xué)和 ML 基礎(chǔ)

主持人：所以，現(xiàn)在幾乎任何主題，你都可以只靠 ChatGPT 來學(xué)。先問它：“如果我要學(xué)這個，需要先理解哪些前置知識？” 它會給出一長串清單。然后你從其中一個線頭開始往下拽，就像我學(xué)視頻模型時，是先抓住“擴散模型”這一塊，追著問它到底是怎么工作的。

接下來，就是一段一段往下追問：這部分我不懂，這個符號是什么，這個結(jié)構(gòu)為什么要這么設(shè)計，這里的數(shù)學(xué)是怎么推出來的。通過這種不斷追問、不斷校正的過程，把整套東西真正學(xué)明白。

我在 X 上看過你發(fā)的很多帖子，感覺你就是在不斷用 AI 做這種“再解釋”，直到你真正吃透為止。這有點像費曼學(xué)習(xí)法：最好的學(xué)習(xí)方式是把概念重新講給別人聽。而現(xiàn)在，“別人”可以是 AI。你在學(xué)擴散模型，前面其實連梯度是什么都不知道，它會順帶給你講微積分、講線性代數(shù)。等你自己覺得差不多了，你再把自己的理解講回給模型，它再幫你指出哪些地方還不清楚，如此循環(huán)，直到掌握得非常扎實。

Gabriel：我自己把這一整套過程叫作“遞歸式補洞”。如果要用一個詞來概括，我覺得最關(guān)鍵的能力是：知道自己哪里沒懂。你可以想象，有一個 AI 模型，或者一個你正在學(xué)的領(lǐng)域，你要能敏銳地察覺到：“等等，其實這一塊我并沒有真正理解。” 這不是天生就會的，而是需要刻意訓(xùn)練的。你得不停地問自己一句話：我是不是真的懂了？

這是第一個信號。第二個信號，是當你不斷提問、反復(fù)追問的時候，會在某個瞬間突然有種“啊，原來是這樣”的感覺，像心里有個開關(guān)被按下去一樣。一旦你抓住這種“卡嗒一聲”的時刻，你就知道自己真的理解了。接下來，你要做的，就是不斷調(diào)整問題、優(yōu)化提問的方式，讓這種“啊哈時刻”出現(xiàn)得越來越快、越來越頻繁。

第一步，其實是要把“AI 幫我干活”這個誤解，換成“AI 幫我學(xué)習(xí)”。不要只把它當成一個幫你完成任務(wù)的工具，而是要當成一個可以隨時提問、隨時互動的老師。只要完成這一點，你其實已經(jīng)走完了大半程。之后如果想變得真正厲害，就要回到剛才說的兩點：一是訓(xùn)練自己識別知識里的“空洞”，也就是到底是哪里沒弄明白；二是訓(xùn)練自己捕捉“真正理解”的感覺，知道什么時候是“從根上搞懂了”。

你還會不斷發(fā)明各種“黑科技式”的用法。因為模型默認的回答方式，是想照顧“大多數(shù)人”的體驗，但你自己的最佳學(xué)習(xí)方式，往往和它的默認回答風(fēng)格不一樣。所以我經(jīng)常給它加前置說明，比如：

• “請極度直接、極度具體?！?/p>

• “一定要給出所有中間步驟和中間狀態(tài)?！?/p>

• “務(wù)必幫我建立直覺，告訴我為什么會這樣?！?/p>

• “如果你不確定，就列出幾個不同方案，說明各自的優(yōu)缺點、誰試過、為什么有效或無效?！?/p>

你要學(xué)會通過這樣的提示，讓 AI 更快地把你送到那個“啊哈時刻”。你第一次真正搞懂線性代數(shù)，第一次搞懂反向傳播的時候，那種“終于通了”的感覺肯定記得。你要做的，就是讓這種感覺出現(xiàn)得越來越密集，把它當成你學(xué)習(xí)過程里的目標函數(shù)。

主持人：聽起來，在今天這個時代，想保持競爭力、做到某個領(lǐng)域的頂尖，一個關(guān)鍵能力就是快速、持續(xù)地向 AI 提問，從而快速獲取和吸收信息。

Gabriel：是的。而且還有一個非常重要的習(xí)慣：只要腦子里冒出一個問題，就要立刻把它丟給 ChatGPT。

這一點我自己也是花了很久才養(yǎng)成的。還記得最早那批 GPT-3 playground 出來的時候，我表哥就問我，為什么還不用它，我整天都在寫代碼。他反復(fù)勸我去試試，我每次都敷衍一句“好，我改天用用”，他幾乎每個月都會再提醒我一次。結(jié)果我整整花了一年時間，才真正形成條件反射：一旦遇到問題，第一反應(yīng)就是“我應(yīng)該問一下 ChatGPT”。

你會發(fā)現(xiàn)，很多人現(xiàn)在還沒做到這點。平時聊天、討論問題的時候，大家腦子里問號一堆，卻沒人打開 ChatGPT。在共享辦公空間，你能看到很多人苦思冥想，你只想跟他們說一句：為什么不先問一下它？

理想的狀態(tài)是，只要你在猜、在猶豫、在困惑，問題就應(yīng)該直接丟給 ChatGPT。它一直在那里，調(diào)用成本極低。關(guān)鍵在于，你要對“快速獲得那個啊哈時刻”這件事本身產(chǎn)生一種上癮感。

這背后還需要一項硬技能：你得學(xué)會用最適合自己的方式去“調(diào)教”它。比如，有的人需要大量比喻，有的人需要具體例子，有的人需要圖示和中間步驟，你要找到最貼合自己學(xué)習(xí)風(fēng)格的那一種，讓它按照這種方式來講解。

我其實覺得自己挺笨的。很多時候我問完，它解釋了一大段，我還是會說，我還是沒懂，這太難了。那就再問一次，再換一種表達方式。你可以問它，如果這個世界上沒有這些特性，這個概念還會被發(fā)明出來嗎，讓它講講在那種情況下人們會怎么做；或者讓它假設(shè)聽眾是十二歲的孩子，再解釋一遍；或者讓它畫幾張圖，把你需要理解的分布都畫出來。

你可以用很多非常有創(chuàng)意的方式，從 ChatGPT 里把你需要的信息一點一點“榨”出來。尤其是在早期模型還沒現(xiàn)在這么強的時候，有些東西如果我不會問、不會逼它不停換說法解釋，可能根本學(xué)不進去。我會讓它圍著同一個問題換著講、一遍又一遍地講，直到有一次突然“咔噠”一下，整件事在腦子里對上號。

這也是為什么我覺得，ChatGPT 這種東西應(yīng)該從小學(xué)階段就開始教。它本質(zhì)上是一門新語言。你當然還需要創(chuàng)造力、主動性這些人類特質(zhì)，但在“獲取知識”這件事情上，我們已經(jīng)進入了一個完全不同的時代，和過去根本不在一個量級上。

05

沒有博士學(xué)位，也能做“博士崗”

Gabriel：舉個非常具體的例子?，F(xiàn)在我做的工作，傳統(tǒng)上大家基本都會認為：必須讀到博士才能勝任。雖然也有少數(shù)沒讀博的人做到過，但如果你在五年前跟人說：“頂級 AI 實驗室會招一個沒走過傳統(tǒng)學(xué)術(shù)路子的人，只是他在別的領(lǐng)域做過一些有意思的東西，然后他靠自學(xué)就能做研究?！?大多數(shù)人都會覺得不可能。

但我們現(xiàn)在就活在這個世界里：我能用 ChatGPT 做一份傳統(tǒng)上需要“聰明人讀很多年博士”才能做的工作。這太夸張了。

有了 ChatGPT 之后，世界發(fā)展的速度會快得不可思議。你幾乎可以在任何領(lǐng)域做研究——想做生物、想做硬件，都可以直接開始。

我相信，僅僅是大語言模型一項技術(shù)，就會帶來世界 GDP 的兩位數(shù)百分比增長。而任何人，只要真的會用 ChatGPT，就能分到一杯羹?，F(xiàn)在也就 20 美元一個月，帶推理能力的版本在寫代碼、解釋概念這方面已經(jīng)非常強了。

主持人：那你在構(gòu)建世界上最好的視頻模型之一的時候，具體是怎么用 ChatGPT 來一邊工作、一邊學(xué)習(xí)的？

Gabriel：其實非常簡單。很多人問我這個問題，總覺得背后一定有一套特別復(fù)雜、神秘的工作流。

現(xiàn)實中是這樣的：你先看一大堆模型生成的視頻，發(fā)現(xiàn)某個地方“看著不太對勁”。接著你就去改模型結(jié)構(gòu)，或者改數(shù)據(jù)，或者嘗試別的調(diào)整。然后重新訓(xùn)練，再看一輪視頻。邊看邊想：這一次整體效果更好了，很好，這一版可以合入主模型。接下來就問自己：下一個最想修的問題是什么？下一個值得嘗試的方向是什么？

這時候 AI 就特別好用。

我會直接把代碼庫丟給它，讓它基于一個很具體的問題提意見，比如：我現(xiàn)在遇到的是這個問題，這是當前的代碼結(jié)構(gòu)，給我十個可以改進它的思路。

它會給出很多建議，順帶引用一些相關(guān)論文，很多好點子，非常適合頭腦風(fēng)暴。然后你再把這些想法拿去和同事討論，他們都非常厲害，會一起判斷哪些值得真正去嘗試。

主持人：那它是怎么給你推薦論文的？

Gabriel：有時候是模型直接記住了那些著名論文的鏈接，比如 GPT-4.0 甚至更早的版本，就能把常見論文的鏈接直接打印出來，你點開就行。

你也可以開著聯(lián)網(wǎng)模式，對它說：“幫我找?guī)灼懻撨@個問題的論文?！?/p>

當然，我不會從頭到尾一字一句把論文都讀完。我會給 ChatGPT 一套指令，比如：“請列出這篇論文和我已知方法相比，到底做了哪些不同的事情，要非常具體?！?/p>

很多論文其實就是在已有技術(shù)上加幾個關(guān)鍵變化。你只要讓它把這些差異提煉出來，對比一下，有的論文，你一看就知道“這個估計不值得試”；有的論文，你會覺得“這個真不錯”，那才值得你花時間深入閱讀、真正實現(xiàn)。

而在實現(xiàn)階段，我經(jīng)常是直接把自己現(xiàn)有的代碼丟進去，對它說：“請把這篇論文的方法整合進我的代碼里。”然后復(fù)制粘貼開始調(diào)試。

當然，我最后還是會認真把代碼一行一行讀一遍。我覺得這點極其重要，你不能只是把一堆代碼往項目里一扔就算完事。

我不是那種“vibe coder”（全靠模型糊代碼的人）。在寫代碼這件事上，我的觀點非常強烈也很挑剔。

主持人：聽起來你的路徑完全不一樣。如果你真想把東西做扎實，尤其是站在一個領(lǐng)域前沿，你就必須把所有細節(jié)都搞懂，對吧？

Gabriel：對，我想把所有基礎(chǔ)都搞明白。很多人第一反應(yīng)是：“哦，你就是想走捷徑，不是真的想搞懂，只想靠一堆 AI 垃圾代碼混過去?！钡谖铱磥?，正確的捷徑是：用捷徑去搞懂所有基礎(chǔ)。這個區(qū)別非常重要。

現(xiàn)在好像只有兩派：

• 一派是：“AI 幫我干完所有活，我自己什么都不想學(xué)”；

• 另一派是：“必須去讀大學(xué)，基礎(chǔ)知識只掌握在學(xué)院手里，必須由教授一點點教起?！?/p>

而我大概卡在中間：我覺得基礎(chǔ)都很重要，你確實要學(xué)；但 AI 又是一個極好的工具，你應(yīng)該用它來理解一切，用它來增強大腦、增強自己的能力，形成一種人類與 AI 的共生。

06

從斯德哥爾摩到舊金山：

靠一身“野路子技能”闖進灣區(qū)

主持人：你在斯德哥爾摩、離開第一家創(chuàng)業(yè)公司之后，是怎么一步步來到舊金山的？中間經(jīng)歷了什么？

Gabriel：我一直知道自己想繼續(xù)在創(chuàng)業(yè)公司工作，也一直盯著舊金山——因為我認識的最厲害的人都搬來了這里，大家口中最好的公司也都在這里。我很快意識到，自己應(yīng)該把“盡快提升學(xué)習(xí)速度”當成首要目標。可惜那會兒還沒有 ChatGPT?，F(xiàn)在想想，如果在我開始學(xué)東西時就有 ChatGPT，我現(xiàn)在可能已經(jīng)是億萬富翁了（笑）。

在那之前，最好的辦法就是：去和最頂尖的人一起工作。

那怎么做到呢？你就盡可能多地和公司聊，多面試、多交流。反過來“面試”面試你的人：

• 你之前做過什么？

• 你們團隊會認真做 code review 嗎？

• 你會不會在 PR 里指出我所有錯誤、告訴我哪里寫得不好？

后來我確實加入了幾家有非常優(yōu)秀工程師的公司。我也刻意盡量以“合同工”的形式工作。因為我覺得：很多人職業(yè)生涯里最大的錯誤，就是在早期待在同一家公司太久。這是我看到的最嚴重、也最常見的問題。

主持人：聽起來，你在輟學(xué)一年左右、離開第一家公司之后，就一直在尋找你心目中“最強的團隊、最強的工程師”，去他們那里工作一段時間，學(xué)到東西之后，再尋找下一次機會和更合適的團隊？

Gabriel：差不多這樣。我那段時間幾乎只接合同崗位，就是為了讓自己“機動性”非常強，可以隨時換到更適合學(xué)習(xí)的環(huán)境。

• 你盡量去找最好的團隊；

• 盡量貼著這些最強的人一起工作；

• 在工作內(nèi)容上保持自己的主見，不要只接沒人愿意做的雜活，因為那學(xué)不到東西；

• 對幫你做 code review 的人，表達非常多的感謝——那是最好的反饋來源。

你要主動去“追著反饋跑”。比如直接跟對方說： “我特別喜歡你給我的這些 review，你以后能不能幫我看所有 PR？” 對方往往會有點震驚：“哇，第一次有人說喜歡被挑毛病?！?/p>

主持人：是，很多人一工作，就覺得“我已經(jīng)受完教育了，不想再被人挑錯”。但對你來說，你是一個沒學(xué)歷、沒背景的年輕人，幾乎一無所有。

Gabriel：對，我沒有任何光環(huán)，沒有文憑。對我來說，唯一的學(xué)習(xí)路徑，就是盡量加入最好的團隊，保持高度機動，多換環(huán)境，然后死磕反饋。

你甚至可以主動打電話給那個給你提了很多意見的工程師，說：你的代碼 review 非常好，我們能不能開個會，把每一條評論都過一遍？從這樣的對話里，你會學(xué)到大量第一性原理和工程直覺。要成為一個真正優(yōu)秀的工程師是很難的，這個領(lǐng)域太寬了，需要掌握的底層規(guī)律和直覺非常多。你懂了之后，它們看著都很簡單，但在此之前，其實很難真正學(xué)會。

過去，這些東西你只能從資深工程師、老師身上學(xué)，現(xiàn)在有了 AI，你在任何公司、任何時間點，都可以按需獲得這種“輔導(dǎo)”。想象一下：凌晨四點，你還在寫代碼、做實驗、寫論文，你隨時都能把東西丟給 AI，讓它幫你審代碼、解釋原理、分析為什么這種設(shè)計更好。我現(xiàn)在就是這么干的。

我認為，當你發(fā)現(xiàn)一件事情在你身上“特別有效”，就應(yīng)該把它發(fā)揮到極致。對我來說，就是盡可能多地提問。一天問它一百個問題也沒問題。

我瀏覽器里總是開著 ChatGPT，一邊寫代碼一邊隨手扔過去，讓它看一眼：這樣寫好嗎？這里會不會有 bug？有沒有更簡潔的寫法？有時候它會說看起來沒問題，有時候會指出一個 bug，或者告訴你可以用更簡單的方式實現(xiàn)。你就這樣不斷地學(xué)。

主持人：如果你每天都能圍繞真實問題提上幾十上百個高質(zhì)量問題，你的成長速度會遠遠超過 99.9% 的人——而你“只是一個高中輟學(xué)生”。

Gabriel：當然，我還是覺得人類給的建議非常重要，尤其是在觀點和判斷層面。畢竟模型是吃全網(wǎng)數(shù)據(jù)長大的，里面有各種各樣的立場和偏見，有時候難免會有奇怪的看法。和真正厲害的人一起工作，依然非常有價值。只不過現(xiàn)在，你已經(jīng)可以用 AI 獲得他們大概 95% 的知識增益。

07

沒學(xué)歷，怎樣敲開 OpenAI 這類頂級團隊的大門？

主持人：一方面，和最厲害的人共事，拿他們的反饋；另一方面，隨時隨地不斷追問 AI，對任何你想解決的問題、任何你想掌握的概念，建立起非常深入的理解。你一邊從這些資深工程師身上學(xué)習(xí)，一邊在不同公司做合同工，有 YC 公司，也有其他創(chuàng)業(yè)公司。那在你沒有學(xué)歷、沒有高中畢業(yè)證的前提下，你是怎么最后來到美國的？

Gabriel：這要從我加入的一家公司 Dataland 說起。我們做的是類似 Airtable，但性能更好、更偏開發(fā)者、也更容易擴展的那種“表格數(shù)據(jù)庫”。

對我來說，這是職業(yè)生涯里一個非常關(guān)鍵的選擇。在那里，我遇到了一位非常厲害的工程師，他既熱衷教人，又對“寫出干凈、正確的代碼”極度執(zhí)著。

對我來說，這簡直是完美組合：我寫代碼，他在一個 PR 里能給我提上百條評論，隨時可以打電話問他“這段應(yīng)該怎么寫得更好”。他會從第一性原理講起，解釋為什么要這樣設(shè)計、這樣抽象、這樣拆分，這種指導(dǎo)非常寶貴。那段時間我人在瑞典遠程工作，他在紐約。慢慢地，我就開始認真想：“我真的很想去美國?！?/p>

當時我們短暫啟動過一個偏“實習(xí)性質(zhì)”的簽證方案，大家都覺得，以我這種背景，拿一些“高門檻簽證”不太現(xiàn)實，聽上去像是只有特別頂級學(xué)術(shù)成就的人才有機會。后來公司 pivot，我選擇離開，開始認真想下一步。我用短期停留身份來舊金山待了幾個月，到處和人聊天，看這里的人都在做什么、在哪些公司、讀什么書，一邊探索、一邊找機會。最后，我加入了 MidJourney。

加入 MidJourney 之后，我才真正覺得：“也許我真的可以試著申請高門檻簽證?！苯Y(jié)果發(fā)現(xiàn)，路徑比我想象中靈活得多。比如，在我的材料里，就用到了我在 Stack Overflow 上的回答。

我表哥以前還吐槽過：“你老在 Stack Overflow 上回答問題，是不是在浪費時間？”我當時只說：“說不定以后會有用?！苯Y(jié)果后來真的派上用場：

• 我的回答累積了幾百萬次瀏覽；

• 很多同行會去審查、糾正你的答案，不靠譜的內(nèi)容會被踩、被刪；

• 如果有大量點贊，就說明你確實幫到了很多人。

這些都可以作為“你對這個領(lǐng)域有實質(zhì)貢獻”的證據(jù)。類似的，GitHub、Stack Overflow 其實都是向世界證明你實力的很好載體，也可以成為你進入頂級公司、來到美國的重要籌碼。

主持人：MidJourney 是全球最知名、也是最強的 AI 圖像生成公司之一。你是怎么進去的？

Gabriel：這個過程其實很難“按步驟設(shè)計”。你很難下定一個目標，說“我要去那家公司”，然后按路線圖一路走到終點。你真正能做的，是在各個地方不斷給自己制造小概率的機會。

把自己做過的東西發(fā)出來，認認真真做幾個扎實的 demo，盡可能多去認識人、多參加活動，多跟人聊，然后請別人幫你引薦，而且最好是當場把這件事敲定。比如對方說可以介紹你給某個人，你就順勢說：那我們現(xiàn)在就發(fā)封郵件？這種做法能動性很高，會逼著事情真的發(fā)生。

同時，你要非常清楚地表達：你能為對方創(chuàng)造什么價值，讓別人意識到你不是一個完全空白的“nobody”?？陀^說，我本身就是一個 nobody，只是來自瑞典小鎮(zhèn)的高中輟學(xué)生。但只要你手里有拿得出手的東西，比如我當時做過一個叫 FastGrid 的項目，一個高性能的 Web 表格組件。

只要遇到我覺得可能會有交集、或者將來能互相幫忙的人，我都會順手打開給他們看：這是我做的，你可以點一點試試。對方通常都會說一句：這也太酷了吧。

一旦他們意識到你確實有真本事，就會愿意把你介紹給他們那些在創(chuàng)業(yè)、在招人的朋友。因為如果你最后被對方錄用了，那個幫你引薦的人也能收獲一份“社交紅利”——別人會記得：這次招到的好人，是他介紹來的。

主持人：如果像你當年那樣，來自瑞典某個偏遠小鎮(zhèn)，是一個“完全沒有背景的 nobody”，要怎么向重要的人證明自己的價值？

Gabriel：我給的第一條建議是：做一個非常非常好的 Demo，而且要足夠簡單。

做一個好 demo 的難點，其實不在技術(shù)復(fù)雜度，而在于：

1. 3 秒鐘之內(nèi)，讓別人看懂你做的是什么；

2. 3 秒鐘之內(nèi)，讓別人看出你會寫代碼、而且寫得不差。

你可能有上百個競爭者，對方只會隨手點開你一個鏈接，你只有這一次機會。這個 demo 必須讓人一眼明白自己在看什么，以及你大概有多能打。

公司本質(zhì)上只關(guān)心一件事：能不能賺錢。你只要讓他們快速意識到你會寫代碼，而且你能幫他們賺錢，他們就會認真看你。很多人說“公司只招有學(xué)歷的”，往往不是因為公司迷信文憑，而是壓根沒有人真正向他們證明過“我能把這份工作干好”，他們只好退而求其次，用學(xué)歷、名校、實習(xí)頭銜這些“代理信號”來判斷。

所以你會看到面試場上都是類似的介紹：我讀過某某名校，在某某公司實習(xí)，把流水線優(yōu)化了 30%。HR 聽完很難判斷什么，只會按這些標簽往前篩。你爸媽和老師會告訴你這些東西很重要，但對真正拍板的人來說，這些只是在沒人拿出“硬證明”時的次優(yōu)選擇。

對公司里不同角色來說，關(guān)注點也不一樣。CEO 只在乎你能不能幫公司掙錢；層級往下走，負責(zé)招聘的人和實際業(yè)務(wù)結(jié)果的聯(lián)系越來越弱，他們更在乎“不要背鍋”，于是就會傾向于說：“我招的是名校生，出了問題也不能怪我?！?/p>

所以我一般會建議兩件事：盡量不要只和不懂技術(shù)的招聘官周旋，因為他們只能看文憑和名頭；盡量直接去找真正做事的人，比如技術(shù)負責(zé)人、團隊 leader、創(chuàng)始人。很多人不知道，其實你完全可以直接去跟這些人聊，去技術(shù)活動現(xiàn)場，去找正在創(chuàng)業(yè)、在招人的人。

幾乎所有創(chuàng)業(yè)公司都渴望高能動性、肯自學(xué)的人。如果你真的很會用 ChatGPT，遇到一個創(chuàng)業(yè)者，你可以主動上去聊天，順手給一個實打?qū)嵉募夹g(shù)建議，然后說：我很想試著和你們合作，要不要先試著一起做一周，就算免費也沒關(guān)系。

一旦你有機會實際展示自己的能力，后面的路就會好走得多。

我一般會用一種很輕松的方式開頭，比如說：一起試試會很好玩。我剛好有一些想法，可以和你們一起做，你這邊不需要任何承諾，也不用花太多時間，就當多拿一個“我是不是有用”的數(shù)據(jù)點。幾乎所有人都會答應(yīng)，因為他們會想：我啥也不用投入，還能看看你值不值得長期合作，何樂而不為。

說實話，如果你是一個真的會動腦子的人，甚至都不需要“懂很多東西”，只要你足夠聰明、會用 ChatGPT，理論上你明天就能找到一份工作。

很多人擔(dān)心“這是不是很冒險，我還想上大學(xué)，我還想保留別的選擇”。其實完全可以無風(fēng)險地做：你照樣申請大學(xué)、照樣去上課，只是在上學(xué)期間多花一些時間投簡歷、找項目而已。一旦你拿到第一份真正的工作，之后幾乎沒人再關(guān)心你的文憑。你已經(jīng)有了實際戰(zhàn)績，相比之下，學(xué)位還能起多大作用？你在公司里解決的問題，遠比你在學(xué)校學(xué)完一門線性代數(shù)要難。

當然，我說的是那些真的想在事業(yè)上全力以赴的人。對很多人來說，上大學(xué)依然是很好的選擇。我也會跟不少朋友說：去上大學(xué)吧，那段時間會很開心，也能學(xué)到不少東西。大學(xué)教的東西并不是沒有價值，只是教學(xué)方式非常低效。

你會遇到很多很酷的人，但如果你來到舊金山，在公司上班、參加各種技術(shù)活動，遇到的人大概率會更有趣。大學(xué)能給你的東西，社會和行業(yè)同樣能給你，只是后者效率更高。

所以最后還是回到一個問題：你想過什么樣的人生。如果你是那種極度有野心的人，我會建議你盡快離開純粹的學(xué)校環(huán)境，盡快進入真實世界。當然你也可以走“安全模式”：先入學(xué)，把退路留好，一邊讀書一邊找工作。如果你真的這么在乎職業(yè)發(fā)展、這么想跑得更快，那這幾乎是顯而易見的選擇。對我來說，如果當年沒有人把我“拽出去”，我自己也會想辦法從高中退學(xué)。

08

大學(xué)更像是一種“成人托兒所”

Gabriel：有點爭議地說，我會把大學(xué)看成一種“成人托兒所”。

你有一大群需要為自己人生做決策的人，他們不想做決定。這時候系統(tǒng)對他們說：“沒關(guān)系，你可以先上大學(xué)?！庇绕涫窃谌鸬?，你甚至不用付學(xué)費，還會拿到補貼。大家的心態(tài)就變成：“太好了，我可以拿著錢，把做決定這件事再往后推幾年。”

學(xué)校還會提供各種“你暫時不用決定未來職業(yè)”的專業(yè)，比如什么“工業(yè)經(jīng)濟”“土木工程”之類的，你根本不用想清楚自己以后具體做什么，只要繼續(xù)在一個模糊的大方向里混五年就行。人們非常喜歡不斷推遲決策。

“我不想現(xiàn)在就選定我要干一輩子的事情?！彪m然這不是真的，但感覺上就像在給人生蓋章。比如，一個人做了五年律師，哪怕他后來轉(zhuǎn)行做市場、收入更高、人也更開心，周圍人還是會問：“你就這么浪費了五年？”

這在我看來非常奇怪。他明明提高了自己的幸福感，甚至就算收入降了一點，只要他覺得更快樂，這都是好事。到頭來，人生的核心還是“自己開不開心”。

09

給不知道自己該干什么的 18 歲年輕人的建議

主持人：如果有人 18 歲，不管是在高中、在大學(xué)，還是剛大學(xué)畢業(yè)，他們完全不知道自己要做什么，你會對他說什么？

Gabriel：這種狀態(tài)太常見了。我遇到過很多這樣的人，我自己也經(jīng)歷過。對我來說，大概從小學(xué)高年級就開始了。我當時只知道一件事：我想賺錢，我想做生意，我想“人生成功”，但我完全不知道那到底意味著什么。我甚至不知道什么是創(chuàng)業(yè)公司，只好上網(wǎng)搜索：How do I make money online（怎么在網(wǎng)上賺錢）？結(jié)果跳出來的基本都是各種問卷網(wǎng)站，我就開始點問卷，心想：“天哪，我居然真的在網(wǎng)上賺到錢了?！?/p>

問題在于，你完全不知道從哪里開始，也沒有人會教你從哪里開始。大家只會說：“去上大學(xué)吧，等八年、十年之后再開始做事?！?/p>

有些人會比較幸運，比如從玩 Minecraft 開始，自己搭服務(wù)器、賣服務(wù)，突然發(fā)現(xiàn)：“我靠，這居然能賺錢?！睆哪且豢唐穑闫鋵嵰呀?jīng)在運行業(yè)務(wù)了，也開始用對的視角思考問題：做點東西 → 有人愿意為之付費 → 繼續(xù)放大。這類人從此大概率會順利很多，因為他們已經(jīng)不再是抽象地“想成功”，而是在實踐里碰到了正確的框架。

我現(xiàn)在會給年輕人的建議是：試著來一次“信仰之躍”，嘗試成為一名軟件工程師。尤其是在今天這個時代，有了 ChatGPT 和各種 demo 工具，這是一個非常不錯的切入點。你完全可以先從做游戲開始。

軟件工程有一個巨大的優(yōu)勢，就是你能非常容易地展示自己的成果：做一個小游戲，給自己的故事寫一段介紹，講清楚你的能動性有多強、學(xué)習(xí)速度有多快，再截幾張圖，展示你是如何用 ChatGPT 自學(xué)、如何一步步把東西做出來的。

把這些東西整理好，一口氣發(fā)給五百個人。一定會有人說：“好，我愿意給你一次機會。你現(xiàn)在小時薪可能只有十美元，但你是一個值得押注的、還沒被發(fā)現(xiàn)的人才。”對公司來說，這也很劃算：你會在實戰(zhàn)中學(xué)到很多東西，會直接和真正干活的人一起工作；而對你自己來說，你越快進入一個“真實環(huán)境 + 真實問題 + 真金白銀與責(zé)任”交織在一起的世界，你的成長就越快，滾雪球就越早開始。從那之后，你基本就已經(jīng)走上正軌了。

主持人：真正難的是那第一跳：從學(xué)校、從純粹的舒適區(qū)，跨到一個真實的工作場景或真實項目里去。

Gabriel：是的。剛才說過，一條經(jīng)典路徑是學(xué)編程。另一條同樣典型的是做市場營銷。如果你想做 marketing，首先要想清楚的是：我要怎么“推銷我自己”。

如果讓我回到 16 歲，我可能會先給一堆公司發(fā)郵件，說自己可以幫他們做營銷——大概率沒人回。誰會回復(fù)一個完全隨機的高中生？

但如果你換一種做法：直接打開他們的網(wǎng)站，把現(xiàn)有內(nèi)容截下來，做一個“免費的優(yōu)化版本”，然后再發(fā)過去：“嗨，我剛幫你改了一版頁面 / 做了一張圖 / 重寫了一段文案?！睂Ψ娇吹降臅r候會想：“哦，這個人已經(jīng)真的幫我做了點東西?！?/p>

說實話，大家對“什么算是有價值的工作”的門檻其實非常低。世界上有成噸的問題等著人來解決，你只要先替他們解決其中一個，就已經(jīng)算是“錄用了一半”。接下來對方只需要順水推舟，說一句：“那我們先按小時給你一個合同工的機會試試?！蹦阋呀?jīng)用實際成果證明自己能干，他們做決定就會輕松很多。

10

“用 AI 學(xué) ML”一點也不丟人

主持人：我這里還有幾條你在 X 上發(fā)的、挺有爭議的推文，想讓你展開講講。其中一條是：

“跟我的教授 o1-preview 一起學(xué)機器學(xué)習(xí)：先定一個要做的東西。寫代碼。Debug，讓它跑起來。讓它解釋每一步、解釋背后的直覺。把主要直覺再用‘我 12 歲能聽懂’的方式講給我，并把所有細節(jié)都展開。如果反過來學(xué)，那會難到爆炸。”

Gabriel：對，當時我特別想把 ML 學(xué)到極致，所以就總結(jié)出這么一條“學(xué)習(xí)路徑”。

從一個具體問題開始，你可以直接問 ChatGPT：我應(yīng)該做什么樣的項目？它會給你一個不錯的起點。然后讓它先把代碼全寫出來，你再去看、去改、去理解。等這份代碼你基本吃透了，再往下拆每一個模塊，去問：這一塊具體是怎么讓模型學(xué)到東西的？背后的數(shù)學(xué)直覺是什么？就這樣一層一層遞歸往下鉆。

當時我有一個非常強烈的感受：如果要我從數(shù)學(xué)那一端、從各種先修課開始，慢慢往上爬，難度會離譜地大，而且會極其耗時間。

主持人：是啊，傳統(tǒng)路徑基本都是這樣：想上某門高階課，得先修完一長串先修課。久而久之就會讓人產(chǎn)生一種錯覺，好像知識是一條無窮無盡的階梯，你必須把每一級都按部就班地爬完，才能往上一點點挪。我很喜歡你這種“去他的前置條件”的思路：我可以學(xué)任何東西，可以從頂層問題開始，一路遞歸往下，而不是被“我還只是大一，我不配碰這些知識”這種心理框架困住。

Gabriel：對我來說，這是對“知識”這件事的一個巨大心態(tài)轉(zhuǎn)變。

我在 X 上經(jīng)常看起來像是在攻擊學(xué)術(shù)界，但我并不是在否定學(xué)術(shù)本身。很多了不起的事情、很多重要論文，確實都是從學(xué)術(shù)界出來的，這些工作非常了不起。

我反對的是另一件事：那種認為“基礎(chǔ)只能通過傳統(tǒng)路徑、從底層慢慢往上學(xué)”的觀點。很多人會極力捍衛(wèi)這套敘事，甚至到了要跟你“拼命辯護”的程度，說你這樣學(xué)永遠不可能真正理解本質(zhì)。

我會想，為什么這會讓人這么憤怒？在我看來，很大一部分原因在于：當一個人花了很多年時間，用一種低效的方式走完一套路徑，然后被告知“其實有更快的方法”，自尊會受到很大的沖擊。

他們可能花了十年，按傳統(tǒng)路線一路讀上來。然后突然冒出來一個高中輟學(xué)生，靠 ChatGPT 自學(xué)，把他們在做的工作也干了，這當然很難接受。

所以當我寫這些東西的時候，確實會刺痛一些人的感受，說實話，這里面是有一點“故意的”。因為正是這些被自尊裹著的舊觀念，在把后來者擋在門外。

一個 17 歲想學(xué) ML 的人，去問那些按傳統(tǒng)路徑走出來的人，對方往往會說：你得先花很多年，你要上一堆課，你要去某所大學(xué)跟某位教授。問題在于，這并不是唯一的真相。你當然可以這么做，如果你真的覺得那樣很好玩，那完全沒問題。但我要說的是：還有更簡單、更直接的路徑。如果我們敢于戳破那層觀念，就會有更多人能走一條類似我這樣的路。

還有一條推文是：

“大學(xué)不再壟斷基礎(chǔ)知識。下面是我作為一個高中輟學(xué)生，如何用 ChatGPT 學(xué)會擴散模型主要直覺的方式。”里面寫的路線，其實就是我剛才講的這一套。

我最核心的觀點就是：大學(xué)不再擁有“基礎(chǔ)知識”的獨家權(quán)力。真正重要的是：你有沒有對自己的好奇心和學(xué)習(xí)負責(zé)的“能動性（agency）”。 如果你有，你幾乎可以學(xué)任何東西。

大學(xué)當然希望繼續(xù)壟斷你的學(xué)習(xí)路徑。想象一下：如果一個教授一輩子的職業(yè)，就是反復(fù)向人強調(diào)“上大學(xué)有多重要”，但突然有一天大家發(fā)現(xiàn)其實不那么必要了，你覺得他會怎么做？

他會用盡一切辦法維持原有秩序：如果最聰明的人都選擇自學(xué)，不去讀他的課，那大學(xué)里的“聰明學(xué)生密度”會下降；大學(xué)的地位和光環(huán)會被削弱； 他的個人身份認同也會動搖。所以他們會竭盡全力證明：“你還是需要我們?！?/p>

主持人：是啊，對于很多在體系里的人來說，這幾乎是在動他們的根基：“我花了 10 年讀書，背上了 40 萬美元的學(xué)貸，好不容易把論文熬完拿到博士。現(xiàn)在你告訴我，有個叫 Gabriel Petersson 的高中輟學(xué)生，用 ChatGPT、在沒有任何正式 ML 或數(shù)學(xué)訓(xùn)練的情況下，做著傳統(tǒng)上只有博士才能做的工作？”

Gabriel：那條推文大概是這么寫的（笑）：

“我現(xiàn)在在做一份傳統(tǒng)上只有博士才能勝任的工作，但我沒有系統(tǒng)學(xué)過 ML 或數(shù)學(xué)，只是靠 ChatGPT 自學(xué)。我真不知道，還有什么更好的證據(jù)能證明 ChatGPT 已經(jīng)達到了 PhD 級別?！碑斎唬掚m這么說，我對教授和科研工作者本身是非常尊敬的。他們?yōu)槭澜缱隽撕芏嗔瞬黄鸬呢暙I，做了很多重要研究。

我反對的只是那套附著在舊體系上的觀念——比如說：“學(xué)擴散模型必須先從底層數(shù)學(xué)一步步往上爬?！?我會用一句很簡短的話來概括：“用自頂向下的方式學(xué)擴散模型，3 天就夠；用自底向上的方式，從大學(xué)開始一步步學(xué)，需要 6 年。”

如果按照傳統(tǒng)路徑，要學(xué)擴散模型，起碼得先上：

• 微積分 1、2；

• 線性代數(shù)；

• 初級機器學(xué)習(xí)課程……

你很可能要在體系里泡 6 年，才第一次在課堂上看到“擴散模型”這幾個字。問題是：你六年前根本不知道自己會不會喜歡擴散模型。

我認識太多人，選專業(yè)時只覺得：“AI 聽起來挺酷，我去上這門課吧。”結(jié)果他們直到讀了三年，才第一次真正接觸到“AI 具體在做什么”，這完全是反直覺的。

按理說，你應(yīng)該先用三天時間：

• 直接從 ChatGPT 那里學(xué)完“擴散模型是什么”；

• 真正看一看這玩意兒的日常工作狀態(tài)是什么樣；

• 然后再決定要不要為了它去讀 3～6 年書。

就算你最后還是決定上大學(xué)，那也應(yīng)該是一個信息充分的選擇——你已經(jīng)知道自己要學(xué)的東西是什么、為什么有趣，而不是盲選一個聽起來很酷的 buzzword。

主持人：我特別喜歡看到有人在別人難以置信的時間框架內(nèi)，完成別人覺得“不可能”的學(xué)習(xí)曲線。大部分人會說：“天啊，我花了那么久才摸到點邊?！倍憔褪且粋€活生生的反例——只要你真的相信自己能學(xué)很快，愿意不停地問問題、不停地往下鉆，你幾乎可以無限次復(fù)制這種“加速學(xué)習(xí)”的過程。你可以像你現(xiàn)在這樣，在世界頂尖的 AI 實驗室工作。

Gabriel：其實它簡單得可怕。

歸根到底只有一個核心事實：公司想要的，是能做出很酷東西的人。你要做的，就是證明你能做出很酷的東西。

把你以前聽過的求職建議全部丟掉，先從這個最簡單的真相開始，再往上加其他東西，就從這個事實出發(fā)。

主持人：這也正好對應(yīng)你一條推文：

“公司只想賺錢。你要做的，就是證明你能幫他們賺錢。把你過去聽過的所有求職建議都丟掉，從這句簡單的話重新開始?！?/blockquote>

Gabriel：我覺得，很多人給職業(yè)建議時，和現(xiàn)實是嚴重“錯位”的。

想象一下：一個人在大學(xué)里讀了 5 年，對自己的選擇挺滿意，覺得“我確實學(xué)到了不少東西”。這時有個年輕人跑來問他：我想有一份很好的職業(yè)，我該怎么走？

但如果這個人一生只走過一條路，而且身邊所有想做軟件工程的人也幾乎都是同一條路，于是他很自然會說：我真心建議你也去讀 5 年大學(xué)，走和我一樣的路。他是好意的，真心相信自己在幫你。

但問題在于，這種建議，在決策上幾乎沒有信息量。

• 他只體驗過一種路徑，從沒和其他路徑做過真正的對比；

• 即便他嘗試比較，他在心理上也很難承認“也許我浪費了時間”，所以會本能地維護自己走過的那套體系。

人的很多觀點，幾乎都和自己的利益和經(jīng)歷綁在一起。因此，我通常會建議：把大多數(shù)“人生建議”都當作噪音處理。

我能從高中輟學(xué)，很大程度上就是因為我把這些建議當成噪音，沒有太當真。我從來不太指望別人替我想清楚路要怎么走。我知道大部分人都是好心的，也真心相信自己在幫你，但多數(shù)建議對你而言并沒有什么實際幫助，甚至有時候還是反向的信號。

比如你去問一個一路按部就班念完大學(xué)、從未認真思考過自己職業(yè)路徑的人，他自然會把那套“默認劇本”再講一遍給你聽。這不是惡意，只是信息含量接近于零。

主持人：那他們應(yīng)該怎么判斷：誰的建議值得聽？誰可以當“導(dǎo)師”？

Gabriel：老實講，我真正會聽建議的人，少到可以用一只手數(shù)完。我表哥就是其中一個。我們思維方式非常接近，想要的東西也高度一致，而且他比我大很多。 他讀過大學(xué)，走過那條路； 他知道自己在哪些地方“走彎路了”； 他能明確告訴我：“你跟我想要的東西一模一樣，你走我這條路只是在浪費時間。”

對我來說，這是一個非常強的信號：“一個和我高度同頻、又比我走在前面的人，告訴我：他覺得自己當年有一段時間是浪費的?！?很多本來需要他花幾年踩坑才得出的結(jié)論，我可以直接拿來。我很多早期的選擇，都是高度參考他的經(jīng)驗做出的。

11

別被“偽努力”困住：

只有現(xiàn)實世界的項目，才算真正的進步

主持人：那對于那些 16、17 歲很有沖勁，但不知道怎么辦的人，你會怎么說？

Gabriel：我太理解那種狀態(tài)了。一邊刷著 YouTube 上各種“勵志視頻”，看完的時候熱血沸騰，心想：我看到了秘密，我被點燃了，從今天起我要一直有動力。結(jié)果第二天一醒來，完全想不起來自己昨天到底在激動什么。

這種視頻對有野心的人來說，其實是個陷阱：你在什么都沒做的時候，獲得了“好像做了點什么”的錯覺。

同樣的，還有對“好習(xí)慣”的過度迷戀。讀書當然很好，鍛煉很好，早起、冥想、時間管理也都很好。但如果你沒有在推進一件真正重要的事情，這些習(xí)慣就只是讓你“感覺很勤奮”的裝飾品而已，看上去很自律，實際上對你的人生路徑幾乎沒有影響。

真正重要的是：開始在現(xiàn)實世界里工作，解決真實的問題。世界上有成千上萬的創(chuàng)業(yè)公司，非常樂意有人來“免費幫忙”。你完全可以主動伸手，比如去 LinkedIn 上找創(chuàng)業(yè)者，尤其是那些還在隱身狀態(tài)的創(chuàng)業(yè)團隊，一口氣給他們發(fā)消息，說自己想試著和他們一起做點事，這個周末可以先免費干一干，哪怕從最簡單的活開始。

你的第一目標，就是盡快拿到第一段“真實世界經(jīng)驗”：真實的公司、真實的同事、真實的需求和用戶、真實的錢。這些東西，才是真正會改變你人生軌跡的變量。

我在小學(xué)、初中、高中花了無數(shù)時間看書、練習(xí)各種好習(xí)慣、早起跑步，當時覺得自己特別自律、特別高效。但如果把那些努力和“現(xiàn)實中的產(chǎn)出”對照起來，結(jié)論其實挺殘酷的：如果這些努力不是用在一件真正往前推進的事情上，它們幾乎沒有任何長遠價值。

對我，以及很多和我類似的人來說，正確的關(guān)注點只有一個：盡可能快地拿到第一份真正的工作。這個過程很難，需要你付出大量行動，但你的視線應(yīng)該始終牢牢鎖定在這一點上。

主持人：你還有一條很多人轉(zhuǎn)發(fā)的推文。你怎么理解它？

“世界上 70% 的人都處于一種長期的輕度痛苦狀態(tài)，因為只要存在‘什么都不做’這個選項，他們就會對任何需要心理上用力的決定過敏?！?/blockquote>

Gabriel：我真心覺得，如果大家能理解這點并付諸行動，全世界的幸福感可以提升 20%。人一到需要“心理上很用力”的時刻，就非常容易做出糟糕的決定。更糟糕的是，大腦甚至不會告訴你“我現(xiàn)在是在逃避”。

舉個例子：你現(xiàn)在在一家公司里工作，你其實并不喜歡； 理智上你知道：外面可能有更適合你的機會、薪水更高、同事更強；但要換工作，你需要：投簡歷、準備面試題，很痛苦； 參加面試，被拒絕的風(fēng)險很難受； 拿到 offer 后還要談薪資，也是心理壓力； 最難的是：你要和現(xiàn)任老板說“我要離職”。 這些對絕大多數(shù)人來說都極其不舒服。

于是，在你還沒認真想清楚之前，大腦就先幫你把這條路屏蔽掉了，它會自動生成一套說辭，“其實我現(xiàn)在這份工作還行?！?“我現(xiàn)在學(xué)到的東西已經(jīng)很多了?！?“這可能已經(jīng)是我能得到的最好情況了。” 哪怕你是一個非常有野心的人，你的大腦還是會不停說服你：“我現(xiàn)在應(yīng)該已經(jīng)處在一個對自己很有利的位置了?！?/p>

哪怕這只是你人生中的第一份、信息極度不充分的工作，你依然會自我催眠：“我在這里學(xué)得最多?！?/p>

但真實情況往往不是這樣。

真正重要的是：

能不能對自己誠實，真的去審視：“我現(xiàn)在拿到的是不是我可能拿到的最好組合？”“我是不是只是因為‘換一個選擇太痛’才不動？”

很多人只想要一個體面的工資、好同事、還不錯的生活方式，這完全沒問題。但要做到這點，很可能你需要做一些非常不舒服的決定——比如離職、搬城市、跨國。

我有一個瑞典朋友，他在當?shù)啬玫乃闶恰安诲e的工資”，比平均水平高 50%。在瑞典那已經(jīng)算“生活不錯”了。我反復(fù)跟他說：“你為什么不來舊金山試試？你可以把收入提升 10 倍，同時跟更強的人一起，做全世界在用的產(chǎn)品?！?/p>

他每次都有各種理由搪塞：簽證麻煩、怕?lián)Q環(huán)境、不確定能不能適應(yīng)等等。哪怕他非常信任我這個朋友，他的大腦還是在替他回避“這件事值得認真考慮”的事實。最后我受不了了，直接把他拉去和一家公司的創(chuàng)始人見面，讓他們開始面試流程。

一旦進了面試，這件事就“有了動量”：公司會主動拉他往前走； 面試流程會推進； 最后 offer 會放在桌上，他只需要做“簽字 or 不簽”這一個決定。 最終的結(jié)果是：他直接把收入提高了 10 倍。 而這件事，我最早大概在一年前就開始勸他。如果你把那一年的“損失”算成錢，那幾乎就是一整套瑞典的房子的價格。他失去了一套房子，只因為沒有邁出那一步。就是“沒有去投舊金山的簡歷”這么一件簡單的事。

12

收尾：給“過去的自己”的一封信

主持人：和你聊天太開心了。你的很多觀點看起來“很犀利”，但背后其實是非常誠實、也非常有用的觀察。你從高中起就幾乎一直在“自己思考”，這一路走到現(xiàn)在，把這些經(jīng)驗提煉出來再分享給別人，本身就是很不容易的事情。

Gabriel：我也很開心能聊這些。我一直在想，如果幾年前有人把我現(xiàn)在說的這些話講給當時的我聽，我可能能早四年來到現(xiàn)在的位置。當然，那是從我的視角出發(fā)——每個人的欲望、目標都不一樣。如果有些人聽了之后覺得：“這說的不就是我嗎？我也想這樣做?！?那對他們來說，這些東西可能就會變得極其有價值。

主持人：對我來說，這期節(jié)目本質(zhì)上就是你在對“過去的自己”說話。你出生在瑞典一個“什么都沒有”的小地方； 高中輟學(xué)； 沒有傳統(tǒng)意義上的好學(xué)歷；靠著互聯(lián)網(wǎng)、靠著自己的好奇心和行動能力， 走到了全球最頂尖的 AI 公司之一，做著原本“默認只屬于博士”的工作。而那些“起點很低”“家在世界另一頭”的人，只要有網(wǎng)、有 ChatGPT，其實都能復(fù)制同一條路徑。我希望這期節(jié)目，能成為很多人的一個分水嶺：聽完之后，他們的人生軌跡，真的會朝更好的方向偏轉(zhuǎn)一點。

Gabriel：我也希望如此，那會非?？帷Ｎ疫€想補充最后一點，也是我在瑞典時最大的心理障礙之一：“我覺得自己不夠聰明?！?/p>

我小時候經(jīng)常覺得自己是個傻子，當然不是真的“完全沒智商”，我知道自己在數(shù)學(xué)上比同齡人好很多，但當你看到那些在造火箭、在做巨大項目的人時，會有一種非常強烈的落差感： “我怎么可能做到他們做的那些事？我跟他們之間一定有一道不可逾越的鴻溝。”

實際上，我們大多數(shù)人都嚴重低估了自己能做到的事情。我可以很大膽地說：只要你現(xiàn)在在聽這種內(nèi)容，你很可能已經(jīng)在“人群前 1%”了。

絕大部分人，是不會主動花一個小時，認真聽一段討論“怎么改變自己人生路徑”的訪談的。但你在聽。這本身就是極強的“能動性”信號。

而那“前 1%”，恰好也是未來最有可能：

• 在全球前 200 家公司的創(chuàng)始團隊里，

• 或者在最前沿的實驗室、研究組里，

• 或者在真正推動行業(yè)前進的那批人里。

你只需要沿著這條路，繼續(xù)往前走。你可以來到舊金山，在頂尖公司工作；也可以自己創(chuàng)辦一家頂尖公司。世界上還有太多事情等著被做。

主持人：太棒了。Gabriel，非常感謝你今天的時間。

Gabriel：也謝謝邀請我來聊天。

主持人：老實說，我覺得你是這個世界上，最會用 AI 學(xué)習(xí)的人之一，更多人應(yīng)該知道你是怎么做到的。

Gabriel：我還在努力。也希望未來會有比我更厲害很多的人，然后我可以反過來向他們學(xué)習(xí)。

https://www.youtube.com/watch?v=vq5WhoPCWQ8

聲明：本文為 InfoQ 整理，不代表平臺觀點，未經(jīng)許可禁止轉(zhuǎn)載。