AI新浪潮觀察

8min read

我高中輟學，跟 AI 學習，逆襲成為 OpenAI 研究員

極客老友2025/12/16

摘要

學習，這個概念，在 AI 時代完全變了。

作者｜金光浩

編輯｜ 靖宇

前段時間，我在上海參加了一個 AI 聚會。

活動本身聊的 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習方法。

他說這個方法救了他，也改變了他投資時看人的標準。

具體是什么呢？就是學會「問問題」。

當你對一個問題感興趣，就去和 DeepSeek 聊，一直聊，聊到它答不出來為止。

這種「無限追問」的技巧，當時聽完我覺得挺震撼的，但活動結束后，這事就被我拋在腦后了。

沒有嘗試，也沒惦記。

直到最近，我刷到了 Gabriel Petersson 輟學，用 AI 學習進入 OpenAI 的故事。

我才突然意識到，那位前輩說的「問到底」，在這個 AI 時代到底意味著什么。

Gabriel 訪談播客｜圖片來源：youtube

01

「高中輟學」，逆襲成為 OpenAI 研究員

Gabriel 來自瑞典，高中沒念完就輟學了。

Gabriel 社媒主頁｜圖片來源：X

他曾經(jīng)覺得自己太笨了，根本不可能從事 AI 相關的工作。

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)，叫他過去幫忙。

Gabriel 就這么去了，沒什么技術背景，也沒什么存款，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。

但這一年里他學會了不少東西。不是在學校學的，而是在實際問題的壓力下硬逼出來的：編程、銷售、系統(tǒng)集成。

后來為了優(yōu)化學習效率，他干脆轉(zhuǎn)成了合同工，這樣可以更靈活地選擇項目，專門找最優(yōu)秀的工程師合作，主動尋求反饋。

申請美國簽證時，他面臨一個尷尬的問題：這類簽證要求證明申請人在領域內(nèi)有「非凡能力」，通常需要學術出版物、論文引用之類的材料。

一個高中輟學生怎么可能有這些？

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

到了舊金山之后，他繼續(xù)用 ChatGPT 自學數(shù)學和機器學習。

現(xiàn)在他是 OpenAI 的研究科學家，正在參與 Sora 視頻模型的構建。

說到這，你一定很好奇，他是怎么做到的呢？

Gabriel 觀點｜圖片來源：X

02

遞歸式知識填補：反常識的學習方法

答案就是「無限追問」，找一個具體問題，然后通過 AI 徹底解決這個問題。

Gabriel 的學習方法和大多數(shù)人的直覺相反。

傳統(tǒng)的學習路徑是「自下而上」：先打基礎，再學應用。比如想學機器學習，得先學線性代數(shù)、概率論、微積分，然后學統(tǒng)計學習，然后學深度學習，最后才能碰實際項目。這個過程可能需要好幾年。

而他的方法是「自上而下」：直接從一個具體項目開始，遇到問題就解決問題，發(fā)現(xiàn)知識盲區(qū)就補齊知識。

他在播客里說，以前這種方法很難推廣，因為你需要一個全知全能的老師，隨時告訴你「接下來該補什么」。

但現(xiàn)在，ChatGPT 就是這個老師。

Gabriel 觀點｜圖片來源：X

具體怎么操作？他舉了個例子：如何學擴散模型。

第一步，從宏觀概念開始。他會問 ChatGPT：「我想學視頻模型，最核心的概念是什么？」，AI 告訴他：自動編碼器。

第二步，代碼先行。他讓 ChatGPT 直接寫一段擴散模型的代碼。一開始很多地方看不懂，但沒關系，先把代碼跑起來再說。能跑通，就有了調(diào)試的基礎。

第三步，最核心的，進行遞歸追問，他會盯著代碼里的每一個模塊問問題。

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)問下一個模塊。

他把這個過程叫做「遞歸式知識填補」。

遞歸式知識填補｜圖片來源：nanobaba2

這比按部就班學六年快得多，可能三天就能建立起基本的直覺。

如果你熟悉蘇格拉底式提問法，會發(fā)現(xiàn)這本質(zhì)上是同一個思路：通過層層追問來逼近事物的本質(zhì)，每一個回答都是下一個問題的起點。

只不過現(xiàn)在他把 AI 當成了被追問的人，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者表達。

實際上，Gabriel 采用這樣一種方式，對 AI 進行了「知識萃取」，學到了事物的本質(zhì)。

03

我們大多數(shù)人用 AI，其實在變笨

聽完博客，Gabriel 的故事讓我產(chǎn)生了一個疑問：

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

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]， 當人們頻繁使用生成式 AI 時，自身批判性思維的使用會明顯下降。

換句話說，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「用進廢退」的規(guī)律：當我們用 AI 寫代碼時，手和腦寫代碼的能力就在悄悄退化。

用 AI「vibe coding」的工作方式看起來效率很高，但長期下來，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，覺得很爽。但如果讓你關掉 AI，手寫核心邏輯，很多人會發(fā)現(xiàn)自己的大腦一片空白。

更極端的案例來自醫(yī)學領域，一篇醫(yī)學領域的論文指出 [2]， 醫(yī)生在引入 AI 輔助后三個月，結腸鏡檢測技能下降了 6%。

這個數(shù)字看起來不大，但想想看： 這是真實的臨床診斷能力，關乎患者的健康和生命。

所以問題就來了：同樣的工具，為什么有人用它變強了，有人用它變?nèi)趿耍?/p>

區(qū)別在于你把 AI 當成什么。

如果你把 AI 當成一個幫你干活的工具，讓它替你寫代碼、替你寫文章、替你做決定，那你的能力確實會退化。因為你跳過了思考的過程，只拿到了結果。結果可以復制粘貼，但思考能力不會憑空生長。

但如果你把 AI 當成一個教練或者導師，用它來檢驗自己的理解、追問自己的盲區(qū)、逼迫自己把模糊的概念說清楚：那你實際上是在用 AI 加速自己的學習循環(huán)。

Gabriel 的方法，核心不是「讓 AI 替我學」，而是「讓 AI 陪我學」。他始終是那個主動追問的人，AI 只是提供反饋和素材。每一個「為什么」都是他自己問出來的，每一層理解都是他自己挖下去的。

這讓我想起一個老話：授人以魚不如授人以漁。

遞歸式知識填補｜圖片來源：nanobaba2

04

一些實際的啟發(fā)

聊到這里，可能有人會問：我不是搞 AI 研究的，也不是程序員，這個方法對我有什么用？

我覺得 Gabriel 的方法論可以抽象成一個更通用的五步框架，每個人都可以通過 AI 學習任何不懂的領域。

1、從實際問題出發(fā)，而不是從教科書的第一章開始。

你想學什么，就直接開始做，遇到卡殼的地方再去補。

這樣學到的知識有上下文、有目的，比孤立地背概念有效得多。

Gabriel 觀點｜圖片來源：X

2、把 AI 當成一個永遠有耐心的導師 。

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

它不會嘲笑你，也不會不耐煩。

3、主動追問，直到建立直覺。不要滿足于表面的理解。

一個概念，你能用自己的話復述出來嗎？能舉一個原文沒提到的例子嗎？

能解釋給一個外行聽嗎？如果不能，就繼續(xù)問。

4、這里有個陷阱需要警惕：AI 也會產(chǎn)生幻覺 。

在進行遞歸追問時，如果底層概念 AI 解釋錯了，你可能就在錯誤的道路上越跑越遠。

所以建議在關鍵節(jié)點，通過多個 AI 進行交叉驗證，確保提問的地基是穩(wěn)的。

5、記錄你的追問過程 。

這樣可以形成可復用的知識資產(chǎn)：下次遇到類似問題，你有一份完整的思考路徑可以回顧。

傳統(tǒng)觀念里，工具的價值在于減少阻力、提高效率。

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

Gabriel 的遞歸追問，本質(zhì)上就是在制造摩擦。

他不斷問為什么，不斷把自己逼到不懂的邊緣，然后再一點點把洞填上。

這個過程很不舒服，但正是這種不舒服，讓知識真正進入了長期記憶。

05

未來的職業(yè)趨勢

在這個時代， 學歷的壟斷正在被打破，但認知的門檻卻在隱形提高。

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

其實類似的用法，已經(jīng)在不同領域出現(xiàn)了。

比如在即刻上，我看到不少家長在用 nanobanana 給孩子輔導功課。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程，然后和孩子一起分析每一步的邏輯。

這樣孩子學到的不是答案，而是解題的方法。

提示詞「解給定的積分，并把完整的解寫在白板上」｜圖片來源：nanobaba2

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

因為對談過程中會自然地拋出問題，逼迫你思考：這個點我真的懂了嗎。

Gabriel 訪談播客轉(zhuǎn)播客｜圖片來源：notebooklm

這指向了一個未來的職業(yè)趨勢： 一專多能。

以前，你想做一款產(chǎn)品，需要懂前端、后端、設計、運維、營銷。現(xiàn)在，你可以像 Gabriel 一樣，用「遞歸補洞」法，快速掌握你短板領域的 80% 知識。

你原本是個程序員，通過 AI 補齊設計和商業(yè)邏輯，你可以變成一個產(chǎn)品經(jīng)理。

你原本是個好的內(nèi)容創(chuàng)作者，通過 AI，你可以快速補齊代碼能力的短板，變成一個獨立開發(fā)者。

基于這個趨勢可以推斷：「也許，未來，會有更多的「一人公司」形態(tài)出現(xiàn)」。

06

奪回你的主動權

現(xiàn)在再想那位投資人前輩的話，我才明白他真正想說的是什么。

「一直問到答不出來為止?！?/p>

這句話在 AI 時代是一個很棒的心法。

如果我們只滿足于 AI 給出的第一個答案，我們就在悄無聲息地退化。

但如果我們能通過追問，逼 AI 把邏輯講透，再內(nèi)化成自己的直覺：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)的輟學生，走到 OpenAI 研究員。

中間沒有什么秘訣，就是成千上萬次追問。

在這個充滿著被 AI 替代焦慮的時代，最實在的武器可能就是：

別停在第一個答案，繼續(xù)問下去。

[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 時代