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。
