前段時(shí)間，我在上海參加了一個(gè) AI 聚會(huì)。
活動(dòng)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(xué)習(xí)方法。
(資料圖)
他說這個(gè)方法救了他，也改變了他投資時(shí)看人的標(biāo)準(zhǔn)。
具體是什么呢？就是學(xué)會(huì)「問問題」。
當(dāng)你對(duì)一個(gè)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(dāng)時(shí)聽完我覺得挺震撼的，但活動(dòng)結(jié)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(xué)，用 AI 學(xué)習(xí)進(jìn)入 OpenAI 的故事。
我才突然意識(shí)到，那位前輩說的「問到底」，在這個(gè) AI 時(shí)代到底意味著什么。
Gabriel 訪談播客｜圖片來源：youtube
01
「高中輟學(xué)」，逆襲成為 OpenAI 研究員
Gabriel 來自瑞典，高中沒念完就輟學(xué)了。
Gabriel 社媒主頁(yè)｜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(guān)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(shù)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(xué)會(huì)了不少東西。不是在學(xué)校學(xué)的，而是在實(shí)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(xué)習(xí)效率，他干脆轉(zhuǎn)成了合同工，這樣可以更靈活地選擇項(xiàng)目，專門找最 優(yōu)秀的工程師合作，主動(dòng)尋求反饋。
申請(qǐng)美國(guó)簽證時(shí)，他面臨一個(gè)尷尬的問題：這類簽證要求證明申請(qǐng)人在領(lǐng)域內(nèi)有「非凡能力」，通常需要學(xué)術(shù)出版物、論文引用之類的材料。
一個(gè)高中輟學(xué)生怎么可能有這些？
Gabriel 想了個(gè)辦法：他把自己在程序員社區(qū)上發(fā)布的高質(zhì)量技術(shù)帖子整理出來，作為「學(xué)術(shù)貢獻(xiàn)」的替代證明。這個(gè)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(xué)數(shù)學(xué)和機(jī)器學(xué)習(xí)。
現(xiàn)在他是 OpenAI 的研究科學(xué)家，正在參與 Sora 視頻模型的構(gòu)建。
說到這，你一定很好奇，他是怎么做到的呢？
Gabriel 觀點(diǎn)｜圖片來源：X
02
遞歸式知識(shí)填補(bǔ)：反常識(shí)的學(xué)習(xí)方法
答案就是「無限追問」，找一個(gè)具體問題，然后通過 AI 徹底解決這個(gè)問題。
Gabriel 的學(xué)習(xí)方法和大多數(shù)人的直覺相反。
傳統(tǒng)的學(xué)習(xí)路徑是「自下而上」：先打基礎(chǔ)，再學(xué)應(yīng)用。比如想學(xué)機(jī)器學(xué)習(xí)，得先學(xué)線性代數(shù)、概率論、微積分，然后學(xué)統(tǒng)計(jì)學(xué)習(xí)，然后學(xué)深度學(xué)習(xí)，最后才能碰實(shí)際項(xiàng)目。這個(gè)過程可能需要好幾年。
而他的方法是「自上而下」：直接從一個(gè)具體項(xiàng)目開始，遇到問題就解決問題，發(fā)現(xiàn)知識(shí)盲區(qū)就補(bǔ)齊知識(shí)。
他在播客里說，以前這種方法很難推廣，因?yàn)槟阈枰粋€(gè)全知全能的老師，隨時(shí)告訴你「接下來該補(bǔ)什么」。
但現(xiàn)在，ChatGPT 就是這個(gè)老師。
Gabriel 觀點(diǎn)｜圖片來源：X
具體怎么操作？他舉了個(gè)例子：如何學(xué)擴(kuò)散模型。
第 一步，從宏觀概念開始。他會(huì)問 ChatGPT：「我想學(xué)視頻模型，最核心的概念是什么？」，AI 告訴他：自動(dòng)編碼器。
第二步，代碼先行。他讓 ChatGPT 直接寫一段擴(kuò)散模型的代碼。一開始很多地方看不懂，但沒關(guān)系，先把代碼跑起來再說。能跑通，就有了調(diào)試的基礎(chǔ)。
第三步，最核心的，進(jìn)行遞歸追問，他會(huì)盯著代碼里的每一個(gè)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(gè)模塊。
他把這個(gè)過程叫做「遞歸式知識(shí)填補(bǔ)」。
遞歸式知識(shí)填補(bǔ)｜圖片來源：nanobaba2
這比按部就班學(xué)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(huì)發(fā)現(xiàn)這本質(zhì)上是同一個(gè)思路：通過層層追問來逼近事物的本質(zhì)，每一個(gè)回答都是下一個(gè)問題的起點(diǎn)。
只不過現(xiàn)在他把 AI 當(dāng)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(dá)。
實(shí)際上，Gabriel 采用這樣一種方式，對(duì) AI 進(jìn)行了「知識(shí)萃取」，學(xué)到了事物的本質(zhì)。
03
我們大多數(shù)人用 AI，其實(shí)在變笨
聽完博客，Gabriel 的故事讓我產(chǎn)生了一個(gè)疑問：
同樣是用 AI，為什么他能學(xué)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(dāng)人們頻繁使用生成式 AI 時(shí)，自身批判性思維的使用會(huì)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(jìn)廢退」的規(guī)律：當(dāng)我們用 AI 寫代碼時(shí)，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(zhǎng)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(guān)掉 AI，手寫核心邏輯，很多人會(huì)發(fā)現(xiàn)自己的大腦一片空白。
更極端的案例來自醫(yī)學(xué)領(lǐng)域，一篇醫(yī)學(xué)領(lǐng)域的論文指出 [2]，醫(yī)生在引入 AI 輔助后三個(gè)月，結(jié)腸鏡檢測(cè)技能下降了 6%。
這個(gè)數(shù)字看起來不大，但想想看：這是真實(shí)的臨床診斷能力，關(guān)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(qiáng)了，有人用它變?nèi)趿耍?/p>
區(qū)別在于你把 AI 當(dāng)成什么。
如果你把 AI 當(dāng)成一個(gè)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(shí)會(huì)退化。因?yàn)槟闾^了思考的過程，只拿到了結(jié)果。結(jié)果可以復(fù)制粘貼，但思考能力不會(huì)憑空生長(zhǎng)。
但如果你把 AI 當(dāng)成一個(gè)教練或者導(dǎo)師，用它來檢驗(yàn)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(shí)際上是在用 AI 加速自己的學(xué)習(xí)循環(huán)。
Gabriel 的方法，核心不是「讓 AI 替我學(xué)」，而是「讓 AI 陪我學(xué)」。他始終是那個(gè)主動(dòng)追問的人，AI 只是提供反饋和素材。每一個(gè)「為什么」都是他自己?jiǎn)柍鰜淼模恳粚永斫舛际撬约和谙氯サ摹?/p>
這讓我想起一個(gè)老話：授人以魚不如授人以漁。
04
一些實(shí)際的啟發(fā)
聊到這里，可能有人會(huì)問：我不是搞 AI 研究的，也不是程序員，這個(gè)方法對(duì)我有什么用？
我覺得 Gabriel 的方法論可以抽象成一個(gè)更通用的五步框架，每個(gè)人都可以通過 AI 學(xué)習(xí)任何不懂的領(lǐng)域。
1、從實(shí)際問題出發(fā)，而不是從教科書的第 一章開始。
你想學(xué)什么，就直接開始做，遇到卡殼的地方再去補(bǔ)。
這樣學(xué)到的知識(shí)有上下文、有目的，比孤立地背概念有效得多。
Gabriel 觀點(diǎn)｜圖片來源：X
2、把 AI 當(dāng)成一個(gè)永遠(yuǎn)有耐心的導(dǎo)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(gè)概念，可以讓它「像教五歲小孩一樣解釋」。
它不會(huì)嘲笑你，也不會(huì)不耐煩。
3、主動(dòng)追問，直到建立直覺。不要滿足于表面的理解。
一個(gè)概念，你能用自己的話復(fù)述出來嗎？能舉一個(gè)原文沒提到的例子嗎？
能解釋給一個(gè)外行聽嗎？如果不能，就繼續(xù)問。
4、這里有個(gè)陷阱需要警惕：AI 也會(huì)產(chǎn)生幻覺。
在進(jìn)行遞歸追問時(shí)，如果底層概念 AI 解釋錯(cuò)了，你可能就在錯(cuò)誤的道路上越跑越遠(yuǎn)。
所以建議在關(guān)鍵節(jié)點(diǎn)，通過多個(gè) AI 進(jìn)行交叉驗(yàn)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(fù)用的知識(shí)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(jià)值在于減少阻力、提高效率。
但學(xué)習(xí)這件事恰恰相反：適度的阻力、必要的摩擦，反而是學(xué)習(xí)發(fā)生的前提。如果一切都太順滑，大腦就進(jìn)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(diǎn)點(diǎn)把洞填上。
這個(gè)過程很不舒服，但正是這種不舒服，讓知識(shí)真正進(jìn)入了長(zhǎng)期記憶。
05
未來的職業(yè)趨勢(shì)
在這個(gè)時(shí)代，學(xué)歷的壟斷正在被打破，但認(rèn)知的門檻卻在隱形提高。
大多數(shù)人只把 AI 當(dāng)作「答案生成器」，而極少數(shù)像 Gabriel 這樣的人，把 AI 當(dāng)作「思維練習(xí)器」。
其實(shí)類似的用法，已經(jīng)在不同領(lǐng)域出現(xiàn)了。
比如在即刻上，我看到不少家長(zhǎng)在用 nanobanana 給孩子輔導(dǎo)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(xué)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(zhǎng)篇文章或論文轉(zhuǎn)成播客形式，讓兩個(gè) AI 聲音對(duì)談、解釋、提問。有人覺得這是偷懶，但也有人發(fā)現(xiàn)，聽完對(duì)談再回去看原文，理解效率反而更高。
因?yàn)閷?duì)談過程中會(huì)自然地拋出問題，逼迫你思考：這個(gè)點(diǎn)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(gè)未來的職業(yè)趨勢(shì)：一專多能。
以前，你想做一款產(chǎn)品，需要懂前端、后端、設(shè)計(jì)、運(yùn)維、營(yíng)銷。現(xiàn)在，你可以像 Gabriel 一樣，用「遞歸補(bǔ)洞」法，快速掌握你短板領(lǐng)域的 80% 知識(shí)。
你原本是個(gè)程序員，通過 AI 補(bǔ)齊設(shè)計(jì)和商業(yè)邏輯，你可以變成一個(gè)產(chǎn)品經(jīng)理。
你原本是個(gè)好的內(nèi)容創(chuàng)作者，通過 AI，你可以快速補(bǔ)齊代碼能力的短板，變成一個(gè)獨(dú)立開發(fā)者。
基于這個(gè)趨勢(shì)可以推斷：「也許，未來，會(huì)有更多的「一人公司」形態(tài)出現(xiàn)」。
06
奪回你的主動(dòng)權(quán)
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。」
這句話在 AI 時(shí)代是一個(gè)很棒的心法。
如果我們只滿足于 AI 給出的第 一個(gè)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(xué)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(gè)充滿著被 AI 替代焦慮的時(shí)代，最實(shí)在的武器可能就是：
別停在第 一個(gè)答案，繼續(xù)問下去。
參考資料
[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.
