划重点

 AI不是来替代你的，而是来放大你的。

如今AI带来的改变，可能从学历和学习方式，都出现了很多之前难以想象的新情况。今天我要和你分享的，就是一个高中辍学生的故事。

上周，播客节目Extraordinary上线了一期特别节目，嘉宾是一位23岁的瑞典年轻人加布里埃尔·彼德森（Gabriel Peterson），现在是OpenAI Sora团队的研究科学家。

看到这里，你可能会疑惑：23岁就能当研究科学家？这么年轻，年龄没写错吗？确实没错，23岁的他甚至就是一个没有接受过完整高等教育的瑞典高中辍学生。

这听起来在讲一个“别人家孩子”的天才之路，我开始也是这么以为的。

但是听完他在一个多小时的访谈里，分享自己的经历和学习的过程，我最深刻的感受就是AI时代教育方式的改变。

01 解决问题的能力是关键

首先，研究科学家这个头衔在OpenAI意味着什么？

意味着你不是在做单纯的工程实现，也就是并不是普通的程序员，而是在做模型的核心算法研究，推动AI的理论边界。

而加布里埃尔连高中都没读完，没有本科学位，更别说硕士、博士了。

在OpenAI这样一个博士扎堆，讲究学术传承的地方，没有学位却能拿到研究科学家的头衔，这几乎是前无古人的事。

野路子的逆袭

你可能会想，那他一定是拥有某种天赋的天才少年，从小就在编程竞赛拿奖，或者发表过什么重量级论文吧？

也不是，他的成长更像一个“野路子”逆袭：

14岁在瑞典乡下倒卖宝可梦卡，因此自学做网站；18岁疫情期间，花一周做了个洗手液比价网站，首周就赚了2.2万美元；也因为这个网站，19岁时他被当地最大云厨房公司Curb Food看中，聘为临时CTO，组建起7人工程团队。

这些经历听起来更像一个连续创业者，和AI研究员沾不上边。

但就是这样的他，在23岁进入全球顶尖的AI实验室，做的还是视频生成这个前沿方向。那么，他凭什么？

颠覆性学习方法

老实说，在深入了解他的学习方法和项目经历后，我发现一个AI时代的关键变化：传统的学历路径正在失效，而一种新的学习方式已然崛起。

加布里埃尔把自己用的这套方法称为“AI递归学习法”，核心逻辑是自上而下，从实际项目倒推所需知识。

用他的话说，传统自下而上学扩散模型要6年，而他的方法只要3天。

这个说法是否夸张，大家见仁见智，每个人的想法都不一样，但他确实展示了一种完全不同的学习范式。

接下来，我想和你详细聊聊加布里埃尔到底做了什么，他的学习方法具体怎么操作，以及这对我们普通人有什么启发。

02 从实战中积累的经验

我们先顺着他的成长轨迹来看，14岁做宝可梦卡比价网站赚了2万多美元，18岁的洗手液比价网站让他获得职场机遇，19岁当临时CTO。

在这些经历里，他所积累的是一种“不管用什么方法，这个问题必须解决”的能力。

2021到2023年，他先后在Dataland和Midjourney做性能工程，要解决的问题就是用户量大了，产品的性能如何保证。

Midjourey反馈工具设计

在Midjourney，他不仅开发了高性能Web图像网格，还构建了全新的人类反馈工具——这是用来评估AI生成图片质量的。

也正是这个反馈工具，让全球用户都投入到帮他们反馈的工作中来。它的核心逻辑就是给用户同时推荐两张图片，用户来选择更喜欢A还是更喜欢B。

给用户的价值就是，你选得越多，AI就越能懂你喜欢的风格。而更有好处的是官方，平台借此获得了全球几千万用户帮他们做生成结果反馈。

当时给我的启发特别大，那时候我自己做了1000多张图片的反馈，觉得他们的这个设计方式太精妙太有性价比了，没想到出自这位年轻瑞典小哥之手。

加入OpenAI

申请OpenAI的工作时，加布里埃尔没有学位和论文，能拿出手的只有三样东西：GitHub项目、Midjourney的工程经验，以及一个自己复刻的视频生成小项目。

OpenAI看中的，也许就是他的这种解决实际问题的能力。

2024年12月，他正式加入OpenAI Sora团队，成为研究科学家。需要注意的是，这个头衔在OpenAI极为罕见——没有博士学位的人，几乎拿不到。

这意味着加布里埃尔在模型核心算法或训练方法上，做出了实打实的理论贡献，而不仅仅是单纯的工程实现。

03 AI递归学习法拆解

那么问题来了，一个高中辍学生，是怎么学会前沿AI技术，并能征服大批博士同事的呢？答案就是他反复在播客里强调的“AI递归学习法”。

与传统方法对比

传统学习路径是自下而上的。你想学扩散模型？那得先学微积分、线性代数、概率论，再打编程基础，学机器学习，最后才到神经网络和扩散模型，这条路走下来至少要6年。

而且说实话，很多人学完微积分就忘了，等真正要用到的时候，还得重新翻书。

哪怕不说扩散模型，我们自己学很多东西时，也是会想着怎么从零开始，从最基础的开始，就像不少编程书，一上来都是从字段类型等等开始讲起。

加布里埃尔的思路完全相反，是自上而下的。他会先定一个超出自己能力范围的目标，比如“从零构建一个扩散模型”。

这时候他可能完全不懂背后的数学原理，但没关系，他会先让ChatGPT生成一个完整代码框架，然后他会运行代码，遇到bug就停下来追问AI。

三层追问是核心

这个追问过程，是整个方法的核心。加布里埃尔把它分成三个层次：

第一层问具体问题，比如“这行代码是做什么的？”AI会告诉他这是爱因斯坦求和约定，用于矩阵运算。

但他不会停在这里，接着问第二层：“为什么要用爱因斯坦求和约定？背后的矩阵运算逻辑是什么？”AI会解释矩阵、线性变换等概念。

如果还不懂，他就问第三层：“你能假设我只有12岁，再解释一遍吗？或者画个图给我看？”

这种追问方式，就是让他只学习当前项目必需的知识，而不是整本教科书。更关键的是，他学到的这些知识是和具体问题绑定的，记忆特别深刻。

用他的话说，传统方法学扩散模型需要6年，而他用这套方法只需要3天。

当然，他说的“3天学会扩散模型”，不是指3天他就成了专家，而是3天就能让一个模型跑起来，他能理解核心原理并开始做改进。

生活化案例类比

说到这里，因为他解释的项目都是这种比较技术化的，我用一个生活化的案例翻译一下。

假设我完全不会炒菜。如果我想要学习，传统方法是报厨师速成班，从刀工学起，学切菜学炒菜，可能还要分成川菜粤菜鲁菜等不同流派，可能一年后才能出师。

但用他的方法，是先定一个超出现有水平的目标，比如我只会煮泡面，却计划周末给朋友做牛排大餐。

那么第一步，我先找AI要一个评分最高的完整食谱；第二步，就直接上手做，过程中遇到问题就直接问AI，按三层逻辑进行追问：

第一层：“你说要煎出美拉德反应，具体该怎么做？”

第二层：“为什么要等到锅烧到冒烟，再下牛排？”

第三层：“美拉德反应和普通的烧焦有什么区别？把我当12岁小孩解释。”

通过这种层层追问，短时间就能掌握牛排做法，至于会不会其他菜不重要，因为和你当前的最终目标无关。

04 日常工作即方法实战

在OpenAI Sora团队，他的日常工作就是这套方法的实战。

他会观察模型生成的视频，找出不合理的地方，比如物体的重力不对、或者碰撞效果很假等等，然后他会写提示词让AI分析问题出在哪个架构层。

接着改写核心模块代码，用ChatGPT调试或对照论文理解机制。改完之后重新训练，用视觉结果评估效果，不对就再问、再试、再训练。

说实话，这个过程像极了产品经理做产品迭代：发现问题、分析原因、提出方案、验证效果。只不过他迭代的是AI模型而不是App功能，但本质上，都是在解决真实问题，而不是证明自己懂理论。

这里有个很重要的点，也是加布里埃尔反复强调的：他不是用ChatGPT代写代码，而是用它加速理解。最终的判断和执行，都是他自己做的。

ChatGPT更像一个随时在线的研究搭档，你可以问它任何问题，它会给你方向，但具体怎么走，还是你自己决定。

05 对我们的启发

说了这么多，这个故事对我们普通人最大的启发是什么？

最直接的就是：AI时代，学历这张纸正在快速贬值，而作品集的价值却在飙升。

以前招聘看学历，是因为学历能证明你上过课、考过试、有基础知识。但现在，AI能随时提供任何基础知识，知识本身不再稀缺。

稀缺的是你会不会问问题，会不会把知识转化成能用能落地的东西。

因为平时我也负责校招工作，那么在我收到的简历里，其实比学校更重要的，就是这个人在AI领域到底做了什么。

比如一个设计师，业余时间用AI做了一个动漫IP的小红书账号；又或者一个HR，专门做了一个智能体帮自己筛简历。

这些实操项目不用多大，但必须具体。它们才是AI时代的“硬通货”，能证明这个人适合这个AI时代。

加布里埃尔的故事让我想起一句话：AI不是来替代你的，而是来放大你的。会用AI的人和不会用AI的人，差距会越来越大。

而“会用AI”，不是指会打字提问，而是会层层追问、会独立判断、会把AI的输出转化为自己的能力，这才是AI时代最稀缺的技能。

相关视频链接：

• https://www.youtube.com/watch?v=vq5WhoPCWQ8