前段時間，我在上海參加了一個 AI 聚會。
活動本身聊的 AI 落地內容很多。
但最讓我印象最深的，是一位投資人前輩分享的學習方法。
(資料圖)
他說這個方法救了他，也改變了他投資時看人的標準。
具體是什么呢？就是學會「問問題」。
當你對一個問題感興趣，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，當時聽完我覺得挺震撼的，但活動結束后，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，用 AI 學習進入 OpenAI 的故事。
我才突然意識到，那位前輩說的「問到底」，在這個 AI 時代到底意味著什么。
Gabriel 訪談播客｜圖片來源：youtube
01
「高中輟學」，逆襲成為 OpenAI 研究員
Gabriel 來自瑞典，高中沒念完就輟學了。
Gabriel 社媒主頁｜圖片來源：X
他曾經覺得自己太笨了，根本不可能從事 AI 相關的工作。
轉折發生在幾年前。
他的表兄在斯德哥爾摩創辦了一家初創公司，做電商產品推薦系統，叫他過去幫忙。
Gabriel 就這么去了，沒什么技術背景，也沒什么存款，創業初期甚至在公司公共休息室的沙發上睡了整整一年。
但這一年里他學會了不少東西。不是在學校學的，而是在實際問題的壓力下硬逼出來的：編程、銷售、系統集成。
后來為了優化學習效率，他干脆轉成了合同工，這樣可以更靈活地選擇項目，專門找最 優秀的工程師合作，主動尋求反饋。
申請美國簽證時，他面臨一個尷尬的問題：這類簽證要求證明申請人在領域內有「非凡能力」，通常需要學術出版物、論文引用之類的材料。
一個高中輟學生怎么可能有這些？
Gabriel 想了個辦法：他把自己在程序員社區上發布的高質量技術帖子整理出來，作為「學術貢獻」的替代證明。這個方案居然被移民局接受了。
到了舊金山之后，他繼續用 ChatGPT 自學數學和機器學習。
現在他是 OpenAI 的研究科學家，正在參與 Sora 視頻模型的構建。
說到這，你一定很好奇，他是怎么做到的呢？
Gabriel 觀點｜圖片來源：X
02
遞歸式知識填補：反常識的學習方法
答案就是「無限追問」，找一個具體問題，然后通過 AI 徹底解決這個問題。
Gabriel 的學習方法和大多數人的直覺相反。
傳統的學習路徑是「自下而上」：先打基礎，再學應用。比如想學機器學習，得先學線性代數、概率論、微積分，然后學統計學習，然后學深度學習，最后才能碰實際項目。這個過程可能需要好幾年。
而他的方法是「自上而下」：直接從一個具體項目開始，遇到問題就解決問題，發現知識盲區就補齊知識。
他在播客里說，以前這種方法很難推廣，因為你需要一個全知全能的老師，隨時告訴你「接下來該補什么」。
但現在，ChatGPT 就是這個老師。
Gabriel 觀點｜圖片來源：X
具體怎么操作？他舉了個例子：如何學擴散模型。
第 一步，從宏觀概念開始。他會問 ChatGPT：「我想學視頻模型，最核心的概念是什么？」，AI 告訴他：自動編碼器。
第二步，代碼先行。他讓 ChatGPT 直接寫一段擴散模型的代碼。一開始很多地方看不懂，但沒關系，先把代碼跑起來再說。能跑通，就有了調試的基礎。
第三步，最核心的，進行遞歸追問，他會盯著代碼里的每一個模塊問問題。
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，繼續問下一個模塊。
他把這個過程叫做「遞歸式知識填補」。
遞歸式知識填補｜圖片來源：nanobaba2
這比按部就班學六年快得多，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，會發現這本質上是同一個思路：通過層層追問來逼近事物的本質，每一個回答都是下一個問題的起點。
只不過現在他把 AI 當成了被追問的人，而由于 AI 近乎全知全能，不斷的將事物的本質以一種通俗易懂的方式向提問者表達。
實際上，Gabriel 采用這樣一種方式，對 AI 進行了「知識萃取」，學到了事物的本質。
03
我們大多數人用 AI，其實在變笨
聽完博客，Gabriel 的故事讓我產生了一個疑問：
同樣是用 AI，為什么他能學得這么好，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]，當人們頻繁使用生成式 AI 時，自身批判性思維的使用會明顯下降。
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「用進廢退」的規律：當我們用 AI 寫代碼時，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。但如果讓你關掉 AI，手寫核心邏輯，很多人會發現自己的大腦一片空白。
更極端的案例來自醫學領域，一篇醫學領域的論文指出 [2]，醫生在引入 AI 輔助后三個月，結腸鏡檢測技能下降了 6%。
這個數字看起來不大，但想想看：這是真實的臨床診斷能力，關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了，有人用它變弱了？
區別在于你把 AI 當成什么。
如果你把 AI 當成一個幫你干活的工具，讓它替你寫代碼、替你寫文章、替你做決定，那你的能力確實會退化。因為你跳過了思考的過程，只拿到了結果。結果可以復制粘貼，但思考能力不會憑空生長。
但如果你把 AI 當成一個教練或者導師，用它來檢驗自己的理解、追問自己的盲區、逼迫自己把模糊的概念說清楚：那你實際上是在用 AI 加速自己的學習循環。
Gabriel 的方法，核心不是「讓 AI 替我學」，而是「讓 AI 陪我學」。他始終是那個主動追問的人，AI 只是提供反饋和素材。每一個「為什么」都是他自己問出來的，每一層理解都是他自己挖下去的。
這讓我想起一個老話：授人以魚不如授人以漁。
04
一些實際的啟發
聊到這里，可能有人會問：我不是搞 AI 研究的，也不是程序員，這個方法對我有什么用？
我覺得 Gabriel 的方法論可以抽象成一個更通用的五步框架，每個人都可以通過 AI 學習任何不懂的領域。
1、從實際問題出發，而不是從教科書的第 一章開始。
你想學什么，就直接開始做，遇到卡殼的地方再去補。
這樣學到的知識有上下文、有目的，比孤立地背概念有效得多。
Gabriel 觀點｜圖片來源：X
2、把 AI 當成一個永遠有耐心的導師。
你可以問它任何蠢問題，可以讓它用不同方式解釋同一個概念，可以讓它「像教五歲小孩一樣解釋」。
它不會嘲笑你，也不會不耐煩。
3、主動追問，直到建立直覺。不要滿足于表面的理解。
一個概念，你能用自己的話復述出來嗎？能舉一個原文沒提到的例子嗎？
能解釋給一個外行聽嗎？如果不能，就繼續問。
4、這里有個陷阱需要警惕：AI 也會產生幻覺。
在進行遞歸追問時，如果底層概念 AI 解釋錯了，你可能就在錯誤的道路上越跑越遠。
所以建議在關鍵節點，通過多個 AI 進行交叉驗證，確保提問的地基是穩的。
5、記錄你的追問過程。
這樣可以形成可復用的知識資產：下次遇到類似問題，你有一份完整的思考路徑可以回顧。
傳統觀念里，工具的價值在于減少阻力、提高效率。
但學習這件事恰恰相反：適度的阻力、必要的摩擦，反而是學習發生的前提。如果一切都太順滑，大腦就進入了省力模式，什么都記不住。
Gabriel 的遞歸追問，本質上就是在制造摩擦。
他不斷問為什么，不斷把自己逼到不懂的邊緣，然后再一點點把洞填上。
這個過程很不舒服，但正是這種不舒服，讓知識真正進入了長期記憶。
05
未來的職業趨勢
在這個時代，學歷的壟斷正在被打破，但認知的門檻卻在隱形提高。
大多數人只把 AI 當作「答案生成器」，而極少數像 Gabriel 這樣的人，把 AI 當作「思維練習器」。
其實類似的用法，已經在不同領域出現了。
比如在即刻上，我看到不少家長在用 nanobanana 給孩子輔導功課。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，把長篇文章或論文轉成播客形式，讓兩個 AI 聲音對談、解釋、提問。有人覺得這是偷懶，但也有人發現，聽完對談再回去看原文，理解效率反而更高。
因為對談過程中會自然地拋出問題，逼迫你思考：這個點我真的懂了嗎。
Gabriel 訪談播客轉播客｜圖片來源：notebooklm
這指向了一個未來的職業趨勢：一專多能。
以前，你想做一款產品，需要懂前端、后端、設計、運維、營銷。現在，你可以像 Gabriel 一樣，用「遞歸補洞」法，快速掌握你短板領域的 80% 知識。
你原本是個程序員，通過 AI 補齊設計和商業邏輯，你可以變成一個產品經理。
你原本是個好的內容創作者，通過 AI，你可以快速補齊代碼能力的短板，變成一個獨立開發者。
基于這個趨勢可以推斷：「也許，未來，會有更多的「一人公司」形態出現」。
06
奪回你的主動權
現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 時代是一個很棒的心法。
如果我們只滿足于 AI 給出的第 一個答案，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 從睡沙發的輟學生，走到 OpenAI 研究員。
中間沒有什么秘訣，就是成千上萬次追問。
在這個充滿著被 AI 替代焦慮的時代，最實在的武器可能就是：
別停在第 一個答案，繼續問下去。
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.
