Penulis: Jin Guanghao
Beberapa waktu lalu, saya menghadiri pertemuan AI di Shanghai.
Acara itu sendiri membahas banyak tentang penerapan AI.
Tapi yang paling membuat saya terkesan adalah metode belajar yang dibagikan oleh seorang investor senior.
Dia mengatakan metode ini menyelamatkannya dan mengubah standarnya dalam menilai orang saat berinvestasi.
Apa sebenarnya itu? Yaitu belajar "bertanya".
Ketika Anda tertarik pada suatu masalah, bicaralah dengan DeepSeek, terus bicara, sampai dia tidak bisa menjawab lagi.
Teknik "tanya tanpa henti" ini sangat mengejutkan saya saat mendengarnya, tetapi setelah acara selesai, saya melupakannya.
Tidak mencoba, juga tidak mengingatnya.
Baru-baru ini, saya melihat kisah Gabriel Petersson yang putus sekolah, menggunakan AI untuk belajar dan masuk ke OpenAI.
Saya baru menyadari apa arti "bertanya sampai tuntas" yang dikatakan senior itu di era AI ini.
Podcast wawancara Gabriel | Sumber gambar: YouTube
01 "Putus Sekolah SMA", Sukses Menjadi Peneliti OpenAI
Gabriel berasal dari Swedia, dia putus sekolah sebelum lulus SMA.
Profil media sosial Gabriel | Sumber gambar: X
Dulu dia merasa dirinya terlalu bodoh, mustahil bekerja di bidang AI.
Perubahan terjadi beberapa tahun lalu.
Sepupunya mendirikan startup di Stockholm, membuat sistem rekomendasi produk e-niaga, dan memintanya membantu.
Gabriel pun pergi, tanpa latar belakang teknis, tanpa tabungan, bahkan tidur di sofa ruang istirahat perusahaan selama setahun penuh di awal startup.
Tapi dalam setahun itu dia belajar banyak. Bukan di sekolah, tapi dipaksa oleh tekanan masalah nyata: pemrograman, penjualan, integrasi sistem.
Kemudian untuk mengoptimalkan efisiensi belajar, dia beralih menjadi pekerja kontrak, sehingga bisa lebih fleksibel memilih proyek, khusus mencari insinyur terbaik untuk bekerja sama, aktif mencari umpan balik.
Saat mengajukan visa AS, dia menghadapi masalah canggung: visa semacam ini mengharuskan membuktikan "kemampuan luar biasa" di bidangnya, biasanya memerlukan materi seperti publikasi akademik, kutipan makalah.
Bagaimana mungkin seorang putus sekolah SMA memiliki ini?
Gabriel menemukan cara: dia mengumpulkan postingan teknis berkualitas tinggi yang dia terbitkan di komunitas programmer, sebagai pengganti bukti "kontribusi akademik". Rencana ini diterima oleh imigrasi.
Setelah tiba di San Francisco, dia terus menggunakan ChatGPT untuk belajar matematika dan pembelajaran mesin secara mandiri.
Sekarang dia adalah ilmuwan peneliti di OpenAI, sedang membangun model video Sora.
Nah, pasti Anda penasaran, bagaimana dia melakukannya?
Pandangan Gabriel | Sumber gambar: X
02 Pengisian Pengetahuan Rekursif: Metode Belajar yang Berlawanan dengan Akal Sehat
Jawabannya adalah "tanya tanpa henti", cari masalah spesifik, lalu selesaikan masalah itu sepenuhnya melalui AI.
Metode belajar Gabriel berlawanan dengan intuisi kebanyakan orang.
Jalur belajar tradisional adalah "bawah ke atas": pertama bangun dasar, lalu belajar aplikasi. Misalnya ingin belajar pembelajaran mesin, harus belajar aljabar linear, teori probabilitas, kalkulus, lalu belajar statistik, lalu belajar pembelajaran mendalam, baru bisa menyentuh proyek nyata. Proses ini mungkin butuh beberapa tahun.
Sedangkan metodenya adalah "atas ke bawah": langsung mulai dari proyek spesifik, hadapi masalah selesaikan masalah, temukan celah pengetahuan isi pengetahuan.
Dia berkata di podcast, dulu metode ini sulit disebarkan, karena Anda butuh guru yang mahatahu, selalu memberi tahu "selanjutnya harus isi apa".
Tapi sekarang, ChatGPT adalah guru itu.
Pandangan Gabriel | Sumber gambar: X
Secara konkret bagaimana operasinya? Dia memberi contoh: bagaimana belajar model difusi.
Langkah pertama, mulai dari konsep makro. Dia bertanya ke ChatGPT: "Saya ingin belajar model video, konsep intinya apa?", AI menjawab: autoencoder.
Langkah kedua, kode duluan. Dia meminta ChatGPT langsung menulis kode model difusi. Awalnya banyak yang tidak dimengerti, tapi tidak apa, jalankan dulu kodenya. Bisa jalan,就有了 dasar debug.
Langkah ketiga, yang paling inti, lakukan pertanyaan rekursif, dia akan menatap setiap modul dalam kode dan bertanya.
Dengan begitu mengebor ke bawah lapis demi lapis, sampai sepenuhnya memahami logika dasar. Lalu kembali ke lapisan atas, lanjut tanya modul berikutnya.
Dia menyebut proses ini "pengisian pengetahuan rekursif".
Pengisian pengetahuan rekursif | Sumber gambar: nanobaba2
Ini jauh lebih cepat daripada belajar bertahap enam tahun, mungkin tiga hari就能 membangun intuisi dasar.
Jika Anda familiar dengan metode pertanyaan Sokrates, akan menemukan ini pada dasarnya思路 yang sama: melalui pertanyaan berlapis mendekati esensi事物, setiap jawaban adalah titik awal pertanyaan berikutnya.
Hanya saja sekarang dia menjadikan AI sebagai orang yang ditanya, dan karena AI hampir mahatahu, terus menerus esensi事物 dengan cara yang mudah dimengerti kepada penanya.
Sebenarnya, Gabriel menggunakan cara seperti ini, melakukan "ekstraksi pengetahuan" pada AI, mempelajari esensi事物.
03 Kebanyakan Kita Menggunakan AI, Sebenarnya Jadi Bodoh
Setelah mendengar podcast, kisah Gabriel membuat saya punya pertanyaan:
Menggunakan AI yang sama, mengapa dia bisa belajar begitu baik, sementara banyak orang setelah menggunakan AI, malah merasa diri mundur?
Ini bukan hanya perasaan subjektif saya.
Makalah penelitian Microsoft 2025 menunjukkan [1], ketika orang sering menggunakan AI generatif, penggunaan pemikiran kritis自身 akan明显 menurun.
Dengan kata lain, kita outsourcing pemikiran ke AI, lalu kemampuan berpikir自身 juga ikut menyusut.
Keterampilan ini sesuai aturan "gunakan maju, tidak gunakan mundur": ketika kita menggunakan AI menulis kode, kemampuan menulis kode tangan dan otak diam-diam merosot.
Cara kerja "vibe coding" dengan AI看起来 efisien tinggi, tapi jangka panjang, keterampilan pemrograman程序员自身 menurun.
Anda lempar kebutuhan ke AI, dia muntahkan一堆 kode, Anda jalankan, merasa很爽. Tapi jika Anda matikan AI, tulis logika inti dengan tangan, banyak orang会发现 otak mereka kosong.
Kasus lebih ekstrem dari bidang medis, sebuah makalah medis指出 [2], dokter setelah引入 AI bantuan tiga bulan, keterampilan deteksi kolonoskopi turun 6%.
Angka ini看起来 tidak besar, tapi pikirkan: ini kemampuan diagnosis klinis nyata, menyangkut kesehatan dan nyawa pasien.
Jadi pertanyaannya: alat yang sama, mengapa ada yang jadi kuat, ada yang jadi lemah?
Perbedaannya terletak pada apa yang Anda jadikan AI.
Jika Anda jadikan AI sebagai alat membantu bekerja, suruh dia ganti Anda menulis kode, ganti Anda menulis artikel, ganti Anda mengambil keputusan, maka kemampuan Anda确实 akan merosot. Karena Anda lewati proses berpikir, hanya ambil hasil. Hasil bisa salin tempel, tapi kemampuan berpikir tidak tumbuh凭空.
Tapi jika Anda jadikan AI sebagai pelatih atau mentor, gunakan dia untuk menguji pemahaman自身, mengejar celah自身, memaksa自身 menjelaskan konsep samar: maka Anda实际上 sedang menggunakan AI mempercepat siklus belajar自身.
Metode Gabriel, intinya bukan "suruh AI ganti saya belajar", tapi "suruh AI temani saya belajar". Dia selalu orang yang aktif bertanya, AI hanya提供 umpan balik dan materi. Setiap "mengapa"都是 dia sendiri tanyakan, setiap lapisan pemahaman都是 dia sendiri gali.
Ini mengingatkan saya pada pepatah lama: beri orang ikan不如 beri orang pancing.
Pengisian pengetahuan rekursif | Sumber gambar: nanobaba2
04 Beberapa Inspirasi Praktis
Bicara sampai sini, mungkin ada yang bertanya: Saya bukan peneliti AI, juga bukan programmer, apa gunanya metode ini untuk saya?
Saya pikir metodologi Gabriel bisa diabstraksikan menjadi kerangka lima langkah lebih umum, setiap orang bisa belajar bidang apa pun yang tidak dimengerti melalui AI.
1、Mulai dari masalah praktis, bukan dari bab pertama buku teks.
Anda ingin belajar apa, langsung mulai lakukan, hadapi tempat macet baru补.
Dengan begitu pengetahuan yang dipelajari有 konteks,有 tujuan, jauh lebih efektif daripada menghafal konsep terisolasi.
Pandangan Gabriel | Sumber gambar: X
2、Jadikan AI sebagai mentor yang selalu sabar.
Anda bisa tanya dia pertanyaan bodoh apa pun, bisa minta dia jelaskan konsep sama dengan cara berbeda, bisa minta dia "jelaskan seperti mengajar anak lima tahun".
Dia不会 menertawakan Anda, juga不会 tidak sabar.
3、Aktif bertanya, sampai建立 intuisi. Jangan puas dengan pemahaman permukaan.
Sebuah konsep, bisakah Anda ulang dengan kata自身? Bisakah beri contoh tidak disebut teks asli?
Bisakah jelaskan ke orang awam? Jika tidak, lanjut tanya.
4、Di sini ada jebakan需要 waspada: AI juga会产生 halusinasi.
Saat melakukan pertanyaan rekursif, jika konsep dasar AI jelaskan salah, Anda mungkin di jalan salah越跑越远.
Jadi disarankan di simpul kunci, melalui多个 AI lakukan verifikasi silang, pastikan地基 pertanyaan稳.
5、Catat proses pertanyaan Anda.
Dengan begitu bisa bentuk aset pengetahuan dapat digunakan ulang:下次 hadapi masalah serupa, Anda有一份 jalur pemikiran lengkap可以回顾.
Konsep tradisional, nilai alat terletak pada mengurangi hambatan, meningkatkan efisiensi.
Tapi belajar ini恰恰 sebaliknya: hambatan适度, gesekan必要,反而是前提 belajar terjadi. Jika semuanya terlalu lancar, otak masuk mode hemat tenaga,什么都记不住.
Pertanyaan rekursif Gabriel, pada dasarnya就是在制造 gesekan.
Dia terus bertanya mengapa, terus memaksa自身 ke tepi tidak懂, lalu一点点 isi lubang.
Proses ini很不舒服, tapi正是这种不舒服,让 pengetahuan真正 masuk memori jangka panjang.
05 Tren Karir Masa Depan
Di era ini, monopoli pendidikan正在 dipatahkan, tapi门槛 kognitif却在隐形提高.
Kebanyakan orang hanya jadikan AI sebagai "generator jawaban", sedangkan sangat sedikit像 Gabriel这样的人, jadikan AI sebagai "latihan pemikiran".
Sebenarnya penggunaan serupa, sudah muncul di不同领域.
Misalnya di Jike, saya melihat不少 orang tua menggunakan nanobanana untuk bimbing pelajaran anak. Tapi mereka tidak suruh AI langsung beri jawaban, tapi suruh AI generate langkah解,一步一步 tampilkan proses berpikir, lalu analisis logika每一步 bersama anak.
Dengan begitu anak belajar bukan jawaban, tapi metode解.
Prompt "Selesaikan integral yang diberikan, dan tulis solusi lengkap di papan tulis" | Sumber gambar: nanobaba2
Ada juga yang menggunakan fungsi Listenhub atau NotebookLM, ubah artikel panjang atau makalah jadi bentuk podcast, suruh dua suara AI dialog, jelaskan, tanya. Ada yang merasa ini malas, tapi ada juga yang发现, setelah dengar dialog再 kembali baca teks asli, efisiensi pemahaman反而更高.
Karena proses dialog会自然 lempar pertanyaan, memaksa Anda berpikir: titik ini我真的懂了吗.
Podcast wawancara Gabriel转播客 | Sumber gambar: notebooklm
Ini menunjuk ke tren karir masa depan: satu ahli多能.
Dulu, Anda ingin buat produk,需要懂 front-end, back-end, desain,运维, pemasaran. Sekarang, Anda bisa像 Gabriel一样, gunakan metode "isi lubang rekursif", cepat kuasai 80% pengetahuan bidang kelemahan Anda.
Anda原本 programmer, melalui AI isi logika desain dan bisnis, Anda bisa jadi manajer produk.
Anda原本 pembuat konten bagus, melalui AI, Anda bisa cepat isi kelemahan kemampuan kode, jadi pengembang independen.
Berdasarkan tren ini bisa disimpulkan: "Mungkin, di masa depan, akan ada lebih banyak bentuk "perusahaan satu orang" muncul".
06 Rebut Kembali Inisiatif Anda
Sekarang再 pikirkan kata investor senior itu, saya baru mengerti apa yang sebenarnya ingin dia katakan.
"Terus tanya sampai tidak bisa jawab."
Kalimat ini di era AI adalah pedoman bagus.
Jika kita hanya puas dengan jawaban pertama AI, kita diam-diam merosot.
Tapi jika kita能 melalui pertanyaan, paksa AI jelaskan logika透彻, lalu internalisasi jadi intuisi自身: maka AI真的 jadi cadangan kita, bukan kita jadi bawahan AI.
Jangan suruh ChatGPT ganti Anda berpikir, suruh dia temani Anda berpikir.
Gabriel dari putus sekolah tidur sofa, sampai peneliti OpenAI.
Di tengah没有什么 rahasia,就是 ribuan kali pertanyaan.
Di era penuh kecemasan diganti AI ini, senjata最 nyata mungkin:
Jangan berhenti di jawaban pertama, lanjutkan bertanya.
