我高中辍学，跟 AI 学习，逆袭成为 OpenAI 研究员

作者：金光浩

前段时间，我在上海参加了一个 AI 聚会。

活动本身聊的 AI 落地内容很多。

但最让我印象最深的，是一位投资人前辈分享的学习方法。

他说这个方法救了他，也改变了他投资时看人的标准。

具体是什么呢？就是学会「问问题」。

当你对一个问题感兴趣，就去和 DeepSeek 聊，一直聊，聊到它答不出来为止。

这种「无限追问」的技巧，当时听完我觉得挺震撼的，但活动结束后，这事就被我抛在脑后了。

没有尝试，也没惦记。

直到最近，我刷到了 Gabriel Petersson 辍学，用 AI 学习进入 OpenAI 的故事。

我才突然意识到，那位前辈说的「问到底」，在这个 AI 时代到底意味着什么。

Gabriel 访谈播客｜图片来源：YouTube

01「高中辍学」，逆袭成为 OpenAI 研究员

Gabriel 来自瑞典，高中没念完就辍学了。

Gabriel 社媒主页｜图片来源：X

他曾经觉得自己太笨了，根本不可能从事 AI 相关的工作。

转折发生在几年前。

他的表兄在斯德哥尔摩创办了一家初创公司，做电商产品推荐系统，叫他过去帮忙。

Gabriel 就这么去了，没什么技术背景，也没什么存款，创业初期甚至在公司公共休息室的沙发上睡了整整一年。

但这一年里他学会了不少东西。不是在学校学的，而是在实际问题的压力下硬逼出来的：编程、销售、系统集成。

后来为了优化学习效率，他干脆转成了合同工，这样可以更灵活地选择项目，专门找最优秀的工程师合作，主动寻求反馈。

申请美国签证时，他面临一个尴尬的问题：这类签证要求证明申请人在领域内有「非凡能力」，通常需要学术出版物、论文引用之类的材料。

一个高中辍学生怎么可能有这些？

Gabriel 想了个办法：他把自己在程序员社区上发布的高质量技术帖子整理出来，作为「学术贡献」的替代证明。这个方案居然被移民局接受了。

到了旧金山之后，他继续用 ChatGPT 自学数学和机器学习。

现在他是 OpenAI 的研究科学家，正在参与 Sora 视频模型的构建。

说到这，你一定很好奇，他是怎么做到的呢？

Gabriel 观点｜图片来源：X

02 递归式知识填补：反常识的学习方法

答案就是「无限追问」，找一个具体问题，然后通过 AI 彻底解决这个问题。

Gabriel 的学习方法和大多数人的直觉相反。

传统的学习路径是「自下而上」：先打基础，再学应用。比如想学机器学习，得先学线性代数、概率论、微积分，然后学统计学习，然后学深度学习，最后才能碰实际项目。这个过程可能需要好几年。

而他的方法是「自上而下」：直接从一个具体项目开始，遇到问题就解决问题，发现知识盲区就补齐知识。

他在播客里说，以前这种方法很难推广，因为你需要一个全知全能的老师，随时告诉你「接下来该补什么」。

但现在，ChatGPT 就是这个老师。

Gabriel 观点｜图片来源：X

具体怎么操作？他举了个例子：如何学扩散模型。

第一步，从宏观概念开始。他会问 ChatGPT：「我想学视频模型，最核心的概念是什么？」，AI 告诉他：自动编码器。

第二步，代码先行。他让 ChatGPT 直接写一段扩散模型的代码。一开始很多地方看不懂，但没关系，先把代码跑起来再说。能跑通，就有了调试的基础。

第三步，最核心的，进行递归追问，他会盯着代码里的每一个模块问问题。

就这样一层层往下钻，直到彻底理解底层逻辑。然后再返回上一层，继续问下一个模块。

他把这个过程叫做「递归式知识填补」。

递归式知识填补｜图片来源：nanobaba2

这比按部就班学六年快得多，可能三天就能建立起基本的直觉。

如果你熟悉苏格拉底式提问法，会发现这本质上是同一个思路：通过层层追问来逼近事物的本质，每一个回答都是下一个问题的起点。

只不过现在他把 AI 当成了被追问的人，而由于 AI 近乎全知全能，不断的将事物的本质以一种通俗易懂的方式向提问者表达。

实际上，Gabriel 采用这样一种方式，对 AI 进行了「知识萃取」，学到了事物的本质。

03 我们大多数人用 AI，其实在变笨

听完博客，Gabriel 的故事让我产生了一个疑问：

同样是用 AI，为什么他能学得这么好，而很多人用 AI 之后，反而感觉自己在退步？

这不仅仅是我的主观感受。

微软研究院 2025 年的一篇论文显示 [1]， 当人们频繁使用生成式 AI 时，自身批判性思维的使用会明显下降。

换句话说，我们把思考外包给了 AI，然后自己的思考能力也跟着萎缩了。

技能这东西符合「用进废退」的规律：当我们用 AI 写代码时，手和脑写代码的能力就在悄悄退化。

用 AI「vibe coding」的工作方式看起来效率很高，但长期下来，程序员自身的编程技能是在下降的。

你把需求扔给 AI，它吐出一堆代码，你跑通了，觉得很爽。但如果让你关掉 AI，手写核心逻辑，很多人会发现自己的大脑一片空白。

更极端的案例来自医学领域，一篇医学领域的论文指出 [2]， 医生在引入 AI 辅助后三个月，结肠镜检测技能下降了 6%。

这个数字看起来不大，但想想看： 这是真实的临床诊断能力，关乎患者的健康和生命。

所以问题就来了：同样的工具，为什么有人用它变强了，有人用它变弱了？

区别在于你把 AI 当成什么。

如果你把 AI 当成一个帮你干活的工具，让它替你写代码、替你写文章、替你做决定，那你的能力确实会退化。因为你跳过了思考的过程，只拿到了结果。结果可以复制粘贴，但思考能力不会凭空生长。

但如果你把 AI 当成一个教练或者导师，用它来检验自己的理解、追问自己的盲区、逼迫自己把模糊的概念说清楚：那你实际上是在用 AI 加速自己的学习循环。

Gabriel 的方法，核心不是「让 AI 替我学」，而是「让 AI 陪我学」。他始终是那个主动追问的人，AI 只是提供反馈和素材。每一个「为什么」都是他自己问出来的，每一层理解都是他自己挖下去的。

这让我想起一个老话：授人以鱼不如授人以渔。

递归式知识填补｜图片来源：nanobaba2

04 一些实际的启发

聊到这里，可能有人会问：我不是搞 AI 研究的，也不是程序员，这个方法对我有什么用？

我觉得 Gabriel 的方法论可以抽象成一个更通用的五步框架，每个人都可以通过 AI 学习任何不懂的领域。

1、从实际问题出发，而不是从教科书的第一章开始。

你想学什么，就直接开始做，遇到卡壳的地方再去补。

这样学到的知识有上下文、有目的，比孤立地背概念有效得多。

Gabriel 观点｜图片来源：X

2、把 AI 当成一个永远有耐心的导师 。

你可以问它任何蠢问题，可以让它用不同方式解释同一个概念，可以让它「像教五岁小孩一样解释」。

它不会嘲笑你，也不会不耐烦。

3、主动追问，直到建立直觉。不要满足于表面的理解。

一个概念，你能用自己的话复述出来吗？能举一个原文没提到的例子吗？

能解释给一个外行听吗？如果不能，就继续问。

4、这里有个陷阱需要警惕：AI 也会产生幻觉 。

在进行递归追问时，如果底层概念 AI 解释错了，你可能就在错误的道路上越跑越远。

所以建议在关键节点，通过多个 AI 进行交叉验证，确保提问的地基是稳的。

5、记录你的追问过程 。

这样可以形成可复用的知识资产：下次遇到类似问题，你有一份完整的思考路径可以回顾。

传统观念里，工具的价值在于减少阻力、提高效率。

但学习这件事恰恰相反：适度的阻力、必要的摩擦，反而是学习发生的前提。如果一切都太顺滑，大脑就进入了省力模式，什么都记不住。

Gabriel 的递归追问，本质上就是在制造摩擦。

他不断问为什么，不断把自己逼到不懂的边缘，然后再一点点把洞填上。

这个过程很不舒服，但正是这种不舒服，让知识真正进入了长期记忆。

05 未来的职业趋势

在这个时代， 学历的垄断正在被打破，但认知的门槛却在隐形提高。

大多数人只把 AI 当作「答案生成器」，而极少数像 Gabriel 这样的人，把 AI 当作「思维练习器」。

其实类似的用法，已经在不同领域出现了。

比如在即刻上，我看到不少家长在用 nanobanana 给孩子辅导功课。但他们不是让 AI 直接给出答案，而是让 AI 生成解题步骤，一步一步地展示思考过程，然后和孩子一起分析每一步的逻辑。

这样孩子学到的不是答案，而是解题的方法。

提示词「解给定的积分，并把完整的解写在白板上」｜图片来源：nanobaba2

还有人用 Listenhub 或者 NotebookLM 的功能，把长篇文章或论文转成播客形式，让两个 AI 声音对谈、解释、提问。有人觉得这是偷懒，但也有人发现，听完对谈再回去看原文，理解效率反而更高。

因为对谈过程中会自然地抛出问题，逼迫你思考：这个点我真的懂了吗。

Gabriel 访谈播客转播客｜图片来源：notebooklm

这指向了一个未来的职业趋势： 一专多能。

以前，你想做一款产品，需要懂前端、后端、设计、运维、营销。现在，你可以像 Gabriel 一样，用「递归补洞」法，快速掌握你短板领域的 80% 知识。

你原本是个程序员，通过 AI 补齐设计和商业逻辑，你可以变成一个产品经理。

你原本是个好的内容创作者，通过 AI，你可以快速补齐代码能力的短板，变成一个独立开发者。

基于这个趋势可以推断：「也许，未来，会有更多的「一人公司」形态出现」。

06 夺回你的主动权

现在再想那位投资人前辈的话，我才明白他真正想说的是什么。

「一直问到答不出来为止。」

这句话在 AI 时代是一个很棒的心法。

如果我们只满足于 AI 给出的第一个答案，我们就在悄无声息地退化。

但如果我们能通过追问，逼 AI 把逻辑讲透，再内化成自己的直觉：那 AI 就真的成了我们的外挂，而不是我们成了 AI 的附庸。

不要让 ChatGPT 替你思考，要让它陪你思考。

Gabriel 从睡沙发的辍学生，走到 OpenAI 研究员。

中间没有什么秘诀，就是成千上万次追问。

在这个充满着被 AI 替代焦虑的时代，最实在的武器可能就是：

别停在第一个答案，继续问下去。

引用

[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.