Auteur: Jin Guanghao
Il y a quelque temps, j'ai participé à un rassemblement sur l'IA à Shanghai.
L'événement lui-même a abordé de nombreux sujets sur la mise en œuvre de l'IA.
Mais ce qui m'a le plus marqué, c'est la méthode d'apprentissage partagée par un investisseur chevronné.
Il a dit que cette méthode l'avait sauvé et avait changé ses critères pour évaluer les personnes lors des investissements.
De quoi s'agit-il exactement ? C'est apprendre à « poser des questions ».
Lorsque vous vous intéressez à un problème, allez discuter avec DeepSeek, discutez sans cesse, jusqu'à ce qu'il ne puisse plus répondre.
Cette technique de « questionnement infini » m'a paru assez frappante sur le moment, mais après l'événement, je l'ai rapidement oubliée.
Je ne l'ai pas essayée, et je n'y ai plus pensé.
Jusqu'à récemment, quand je suis tombé sur l'histoire de Gabriel Petersson, qui a abandonné ses études, utilisé l'IA pour apprendre et intégrer OpenAI.
J'ai soudain réalisé ce que le vétéran voulait dire par « questionner jusqu'au bout », et ce que cela signifie vraiment à l'ère de l'IA.
Podcast de l'interview de Gabriel | Source de l'image: YouTube
01 « Abandon scolaire au lycée », une ascension pour devenir chercheur chez OpenAI
Gabriel vient de Suède, il a abandonné le lycée sans terminer ses études.
Page de médias sociaux de Gabriel | Source de l'image: X
Il pensait autrefois être trop bête pour pouvoir travailler dans le domaine de l'IA.
Le tournant s'est produit il y a quelques années.
Son cousin a créé une startup à Stockholm, qui développait un système de recommandation de produits pour le commerce électronique, et lui a demandé de venir aider.
Gabriel y est donc allé, sans grande formation technique ni économies, dormant même sur le canapé du salon commun de l'entreprise pendant toute une année au début de la startup.
Mais pendant cette année, il a beaucoup appris. Pas à l'école, mais en étant poussé par la pression des problèmes pratiques : programmation, vente, intégration de systèmes.
Plus tard, pour optimiser son efficacité d'apprentissage, il est devenu travailleur indépendant, lui permettant de choisir ses projets plus flexiblement, de collaborer spécifiquement avec les meilleurs ingénieurs et de solliciter activement des retours.
Lors de sa demande de visa pour les États-Unis, il a été confronté à un problème embarrassant : ce type de visa nécessite de prouver une « capacité exceptionnelle » dans le domaine, généralement via des publications académiques, des citations, etc.
Comment un décrocheur scolaire pourrait-il avoir cela ?
Gabriel a trouvé une solution : il a compilé ses articles techniques de haute qualité publiés sur des communautés de programmeurs, les utilisant comme preuve alternative de « contribution académique ». Cette solution a été acceptée par les services d'immigration.
Une fois à San Francisco, il a continué à utiliser ChatGPT pour apprendre les mathématiques et l'apprentissage automatique par lui-même.
Aujourd'hui, il est chercheur scientifique chez OpenAI, participant au développement du modèle vidéo Sora.
À ce stade, vous devez vous demander comment il a réussi.
Point de vue de Gabriel | Source de l'image: X
02 Remplissage récursif des connaissances : une méthode d'apprentissage contre-intuitive
La réponse est le « questionnement infini » : trouver un problème concret et le résoudre complètement via l'IA.
La méthode d'apprentissage de Gabriel est contraire à l'intuition de la plupart des gens.
Le parcours d'apprentissage traditionnel est « ascendant » : d'abord les bases, puis les applications. Par exemple, pour apprendre l'apprentissage automatique, il faut d'abord apprendre l'algèbre linéaire, les probabilités, le calcul, puis l'apprentissage statistique, puis l'apprentissage profond, et enfin seulement toucher à des projets concrets. Ce processus peut prendre plusieurs années.
Sa méthode est « descendante » : commencer directement par un projet concret, résoudre les problèmes au fur et à mesure qu'ils se présentent, et combler les lacunes de connaissances lorsqu'elles sont découvertes.
Dans le podcast, il a déclaré qu'auparavant, cette méthode était difficile à généraliser car vous aviez besoin d'un professeur omniscient pour vous dire « quoi combler ensuite ».
Mais maintenant, ChatGPT est ce professeur.
Point de vue de Gabriel | Source de l'image: X
Comment procéder concrètement ? Il a donné un exemple : comment apprendre les modèles de diffusion.
Première étape, commencer par des concepts macroscopiques. Il demanderait à ChatGPT : « Je veux apprendre les modèles vidéo, quel est le concept le plus central ? », l'IA lui répond : les auto-encodeurs.
Deuxième étape, le code d'abord. Il demande à ChatGPT d'écrire directement un code pour un modèle de diffusion. Au début, beaucoup de parties sont incompréhensibles, mais ce n'est pas grave, il faut d'abord exécuter le code. Une fois qu'il fonctionne, vous avez une base pour debugger.
Troisième étape, la plus cruciale, procéder à un questionnement récursif. Il examine chaque module du code et pose des questions.
Ainsi, il creuse couche par couche, jusqu'à comprendre complètement la logique sous-jacente. Puis il remonte d'un niveau et continue à interroger le module suivant.
Il appelle ce processus le « remplissage récursif des connaissances ».
Remplissage récursif des connaissances | Source de l'image: nanobaba2
C'est beaucoup plus rapide que d'apprendre méthodiquement pendant six ans ; cela peut prendre trois jours pour construire une intuition de base.
Si vous êtes familier avec la méthode socratique, vous constaterez qu'il s'agit essentiellement de la même approche : approcher l'essence des choses par un questionnement en couches, chaque réponse étant le point de départ de la question suivante.
Sauf qu'ici, il utilise l'IA comme la personne interrogée, et comme l'IA est quasi omnisciente, elle exprime continuellement l'essence des choses de manière simple et compréhensible pour le questionneur.
En fait, Gabriel utilise cette méthode pour « extraire les connaissances » de l'IA, apprenant ainsi l'essence des choses.
03 La plupart d'entre nous utilisent l'IA et deviennent en fait plus bêtes
Après avoir écouté le podcast, l'histoire de Gabriel m'a fait me poser une question :
Pourquoi apprend-il si bien avec l'IA, alors que beaucoup de gens régressent après l'avoir utilisée ?
Ce n'est pas seulement une impression subjective.
Un article de recherche de Microsoft en 2025 montre [1] que lorsque les gens utilisent fréquemment l'IA générative, leur utilisation de la pensée critique diminue significativement.
En d'autres termes, nous externalisons la réflexion vers l'IA, et notre capacité à penser rétrécit随之.
Les compétences suivent la loi du « use it or lose it » : lorsque nous utilisons l'IA pour coder, notre capacité à coder avec nos mains et notre cerveau régresse悄悄.
La méthode de travail du « vibe coding » avec l'IA semble très efficace, mais à long terme, les compétences en programmation des programmeurs themselves diminuent.
Vous jetez les exigences à l'IA, elle crache un tas de code, vous l'exécutez avec succès, et vous vous sentez bien. Mais si vous devez éteindre l'IA et écrire la logique核心 à la main, beaucoup découvriront que leur cerveau est vide.
Un cas plus extrême vient du domaine médical. Un article dans le domaine médical indique [2] que trois mois après l'introduction de l'IA assistée, les compétences des médecins en détection par coloscopie ont diminué de 6%.
Ce chiffre peut sembler faible, mais réfléchissez-y : il s'agit de compétences réelles de diagnostic clinique, qui concernent la santé et la vie des patients.
Alors la question se pose : pourquoi certains deviennent plus forts avec le même outil, tandis que d'autres deviennent plus faibles ?
La différence réside dans la façon dont vous considérez l'IA.
Si vous considérez l'IA comme un outil qui travaille pour vous, écrivant du code à votre place, rédigeant des articles pour vous, prenant des décisions pour vous, alors vos compétences vont effectivement régresser. Parce que vous sautez le processus de réflexion et obtenez seulement le résultat. Le résultat peut être copié-collé, mais la capacité de réflexion ne pousse pas凭空.
Mais si vous considérez l'IA comme un coach ou un mentor, l'utilisant pour tester votre compréhension, questionner vos angles morts, vous forcer à clarifier des concepts flous : alors vous utilisez en fait l'IA pour accélérer votre cycle d'apprentissage.
La méthode de Gabriel ne consiste pas à « laisser l'IA apprendre pour moi », mais à « laisser l'IA apprendre avec moi ». Il reste toujours la personne qui questionne activement, l'IA ne fournit que des retours et du matériel. Chaque « pourquoi » est posé par lui-même, chaque niveau de compréhension est creusé par lui-même.
Cela me rappelle un vieil adage : donne un poisson à un homme, il mangera un jour ; apprends-lui à pêcher, il mangera toute sa vie.
Remplissage récursif des connaissances | Source de l'image: nanobaba2
04 Quelques inspirations pratiques
En parlant de cela, certains pourraient demander : Je ne fais pas de recherche en IA, je ne suis pas programmeur, à quoi cette méthode me sert-elle ?
Je pense que la méthodologie de Gabriel peut être抽象ée en un cadre en cinq étapes plus général, que chacun peut utiliser pour apprendre n'importe quel domaine qu'il ne comprend pas via l'IA.
1. Partir d'un problème pratique, et non du premier chapitre d'un manuel.
Si vous voulez apprendre quelque chose, commencez directement à le faire, et comblez les lacunes au fur et à mesure que vous êtes bloqué.
Les connaissances acquises ainsi ont un contexte, un objectif, et sont bien plus efficaces que la mémorisation isolée de concepts.
Point de vue de Gabriel | Source de l'image: X
2. Considérez l'IA comme un mentor toujours patient.
Vous pouvez lui poser n'importe quelle question stupide, lui demander d'expliquer le même concept de différentes manières, lui demander d'« expliquer comme à un enfant de cinq ans ».
Elle ne se moquera pas de vous et ne s'impatientera pas.
3. Questionnez activement jusqu'à développer une intuition. Ne vous contentez pas d'une compréhension superficielle.
Pouvez-vous reformuler un concept dans vos propres mots ? Pouvez-vous donner un exemple non mentionné dans le texte original ?
Pouvez-vous l'expliquer à un profane ? Si ce n'est pas le cas, continuez à interroger.
4. Il y a un piège à éviter : l'IA peut aussi halluciner.
Lors d'un questionnement récursif, si l'IA se trompe dans l'explication d'un concept de base, vous pouvez vous égarer de plus en plus sur une mauvaise voie.
Il est donc conseillé, aux points clés, de procéder à une validation croisée avec plusieurs IA pour s'assurer que les fondations de la question sont solides.
5. Enregistrez votre processus de questionnement.
Cela peut former un actif de connaissances réutilisable : la prochaine fois que vous rencontrerez un problème similaire, vous aurez un chemin de réflexion complet à revoir.
Dans les观念 traditionnelles, la valeur d'un outil réside dans la réduction de la résistance et l'amélioration de l'efficacité.
Mais l'apprentissage est恰恰 le contraire : une résistance适度, des frictions nécessaires, sont en fait une condition préalable à l'apprentissage. Si tout est trop fluide, le cerveau passe en mode économie d'énergie et ne retient rien.
Le questionnement récursif de Gabriel crée essentiellement des frictions.
Il ne cesse de demander pourquoi, se poussant constamment au bord de l'incompréhension, puis comble le trou petit à petit.
Ce processus est inconfortable, mais c'est précisément cet inconfort qui permet aux connaissances de真正 entrer dans la mémoire à long terme.
05 Les tendances professionnelles futures
À cette époque, le monopole du diplôme est en train d'être brisé, mais le seuil cognitif augmente invisiblement.
La plupart des gens considèrent l'IA uniquement comme un « générateur de réponses », tandis qu'une极少数 de personnes comme Gabriel la considèrent comme un « exerciseur de pensée ».
En fait, des utilisations similaires apparaissent déjà dans différents domaines.
Par exemple, sur Jike, je vois许多 parents utiliser nanobanana pour aider leurs enfants à faire leurs devoirs. Mais ils ne demandent pas à l'IA de donner directement les réponses ; instead, ils demandent à l'IA de générer les étapes de résolution, de montrer le processus de réflexion étape par étape, puis d'analyser la logique de chaque étape avec l'enfant.
Ainsi, l'enfant n'apprend pas la réponse, mais la méthode pour résoudre le problème.
Prompt « Résous l'intégrale donnée et écris la solution complète sur un tableau blanc » | Source de l'image: nanobaba2
D'autres utilisent les fonctionnalités de Listenhub ou NotebookLM pour convertir de longs articles ou articles académiques en format podcast, faisant dialoguer, expliquer et questionner deux voix IA. Certains pensent que c'est de la paresse, mais d'autres发现 qu'après avoir écouté le dialogue et être retournés au texte original, leur efficacité de compréhension est en fait plus élevée.
Parce que le processus de dialogue pose naturellement des questions, vous forçant à réfléchir : est-ce que je comprends vraiment ce point ?
Conversion du podcast de l'interview de Gabriel | Source de l'image: notebooklm
Cela indique une tendance professionnelle future : la spécialisation polyvalente.
Auparavant, pour créer un produit, vous deviez connaître le front-end, le back-end, le design, l'ops, le marketing. Maintenant, vous pouvez, comme Gabriel, utiliser la méthode du « remplissage récursif des lacunes » pour maîtriser rapidement 80 % des connaissances des domaines où vous êtes faible.
Si vous étiez à l'origine un programmeur, en comblant la logique design et commerciale via l'IA, vous pouvez devenir un chef de produit.
Si vous étiez à l'origine un bon créateur de contenu, via l'IA, vous pouvez combler rapidement vos lacunes en codage et devenir un développeur indépendant.
Sur la base de cette tendance, on peut déduire : « Peut-être qu'à l'avenir, il y aura plus de formes d'« entreprise individuelle ».
06 Reprenez votre initiative
En repensant maintenant aux paroles de l'investisseur chevronné, je comprends ce qu'il voulait vraiment dire.
« Continuez à questionner jusqu'à ce qu'il ne puisse plus répondre. »
Cette phrase est une excellente philosophie à l'ère de l'IA.
Si nous nous contentons de la première réponse donnée par l'IA, nous régressons悄无声息地.
Mais si nous pouvons, par le questionnement, forcer l'IA à expliquer pleinement sa logique, puis l'intérioriser comme notre propre intuition : alors l'IA devient vraiment notre extension, et non nous devenons l'appendice de l'IA.
Ne laissez pas ChatGPT penser à votre place, laissez-le penser avec vous.
Gabriel est passé d'un décrocheur dormant sur un canapé à un chercheur chez OpenAI.
Il n'y a pas de secret, juste des milliers et des milliers de questions.
Dans cette époque充满 d'anxiété de remplacement par l'IA, l'arme la plus tangible est probablement :
Ne vous arrêtez pas à la première réponse, continuez à questionner.
