辍学生，OpenAI，人生杠杆

这个故事已经被媒体多次传播，但在AI的落地普及参差不齐的今天，依然值得反复讲述。

Gabriel Petersson是一名高中辍学生，来自瑞典某个不知名的小地方。

他没上完高中，也没什么耀眼的履历。按照常规的剧本，他和 OpenAI 这样的世界顶级 AI 公司毫无交集的可能。

不过，Gabriel一直对制作视频感兴趣，他想弄懂一件事：视频AI模型到底是怎么工作的。

没有老师，没有教程，身边也没有其他资源，怎么办？

Gabriel打开了ChatGPT，让AI给他解释基础概念。一开始，他完全听不懂，他就一遍遍追问：这部分是做什么的？用12岁小孩能懂的话解释一下，能不能画个图看看。

就通过无数次这样看似傻瓜式的追问，Gabriel从对机器学习一无所知，到真正的精通视频 AI 模型这个领域。

之后的反转，大家都知道了。他拿到了 OpenAI 的录取通知书，参与了 Sora 项目。如果按照传统的培养方式，他至少需要一个顶尖大学的人工智能博士学位才能达到进入面试的最低要求。

这个故事这值得所有人停下来深思：除了拷问当下的教育制度是否还能匹配 AI 时代对人才的需要之外，我们作为个体，更应该看到 AI 所带来的机会和弯道超车的可能性。

教育为谁设计

到目前为止，学校教育，哪怕是精英教育，隐藏着一个很少被说破的真相。这套体系本质上是为服务工业化生产而设计的。

更关注合格而非试错，更在意达标而非创新，更鼓励共性而非个性。

大部分教学计划的设计、学校制度的制定，也都是以管理者的便利为优先考虑。

想想课堂是怎么组织的：按学期排课，按章节推进，统一进度，统一考试。整套安排照顾的是一个老师面对几十个学生的运转效率，而不是某个具体的人的学习路径。

它可能让你浪费了几年时间。不是知识没用，而是学习顺序和节奏，从来不由你决定。

你被迫从最枯燥的地基开始，在还看不到任何风景的时候，先预支几年时间成本。

约束消失的那一刻

传统学习是自下而上的：先打基础，再谈应用。听起来稳妥，其实藏着一个昂贵的假设：你需要一个专家随时在旁边，告诉你缺什么基础、下一步该补哪里、方向对不对。

这个假设在过去几乎不可能成立。

专家是稀缺资源，按小时收费，普通人请不起。学术界对"边做边学"长期不认可，也是因为同一个约束：没有专家兜底，自学很容易撞进死胡同。

但随着AI的进化，这个约束几乎不存在了。

那个原本不存在的专家，现在每个人花几十块订阅一个大模型就能获得。尽管不完美，但已经基本够用。好到足以改变谁能学什么、能学多快。

Gabriel不是孤例，他是约束解除之后必然出现的那类人。就像水管普及之后，家家户户能喝上干净、清洁的水，就不再是那么难的事儿。

元技能

但整套方法有一个前提，也是最容易被忽略的一环：你必须能识别自己什么时候不理解某个东西。

听起来简单，但做起来却不容易。

面对陌生概念，大多数人的反应可以分为两类。第一类是不相信自己能搞清楚，畏难，直接放弃。第二类人貌似懂了，但不知道如何刨根问底。

很少有人能停下来，把"我不懂"拆成"我具体是哪里不懂"，转化成精准的问题和行动方案。

Gabriel是怎么做到的？

他没有抱怨"我不懂"，而是在问"这部分是做什么的"，"用12岁小孩能懂的话解释一下"。这两者之间的差别，就是"知道自己不知道什么"。

困惑其实是个信号，说明你正站在新知识的门口。真正的理解，从来只发生在你愿意直面那种不适感的时候。

提问的质量，决定收获的质量

有了这个前提，剩下的就变成一门手艺：如何向AI提问。

在接触了大量的善用 AI 和不善用 AI 的客户之后，我发现，会给 AI 提问是一门技能。你问"用简单的话解释强化学习"，得到的是一段教科书式的通用回答，你所获得的也只会是平均值附近的认知。

更好的问法是像这样：

我想学强化学习，告诉我它为什么存在，解决什么问题，之前的替代方案是什么？

我知道智能体通过行动获得奖励，但我不理解它具体是怎么学会哪些行动是好的呢？

在连续的十个动作里，它是怎么知道哪一步导致了奖励？

用直觉化的方式讲背后的数学，就像对8岁小孩解释，再给我一个具体例子。

能感受到这两种提问方式之间的差别吗？主动和被动的区别。

两种使用AI的方式

顺着这个逻辑往下想，用AI其实无非两种模式。

第一种，把AI当劳动力替代品。"帮我写篇文章""帮我做作业""帮我写代码"。

第二种，把AI当人生杠杆。缩短你从困惑到清晰的时间，帮助你做出更高质量的判断和决策。

区别在哪？

第一种是让AI代替你。短期内会感觉很爽，似乎有了一个全能的替身，活儿都交给它做，自己就可以躺平了。长期看，这些人是在把自己最核心的竞争力外包出去。思考、困惑、脑力劳动全部交给AI，认知能力会慢慢退化。这跟肌肉萎缩是同一个原理。

第二种是把AI当杠杆。尽管它没法像阿拉丁的神灯一样，轻轻擦一擦就让你美梦成真。但是，你可以借助 AI 进入曾经对你封闭的许多扇大门。帮助你极大压缩独自探索、试错、踩坑的成本。

能产生超常结果的人，几乎都是第二种。

递归学习法

把第二种模式落到操作层面，就是一个具体的框架：递归学习法。

什么是递归学习法？

说白了，就是倒着学。

传统学习是自下而上：先打基础，再谈应用。基础没打完，你根本不知道这些将来用在哪。

递归学习法是反着来的：从你真正想解决的问题出发，直接上手做。

做着做着，卡住了。卡在哪，就补哪块基础。补完接着做。

很多人管这个叫"边做边学"。是，但有个关键区别：每一步都知道自己为什么学。缺什么补什么，补完立刻能用上，不会白学。

它还是一层一层往下挖的。遇到概念不懂，就问：它依赖哪些更基础的东西？再把基础过一遍。像剥洋葱，剥到你能看懂为止。

不是什么高深理论。一句话：让问题牵引你学，而不是让课程牵引你学。

第零步，理解为什么。在学任何东西之前，先搞清楚它为什么存在，解决什么问题，实际用在哪里，之前的替代方案是什么。这一步决定了后面所有步骤的方向。

第一步，从问题而非课程开始。不要问"学强化学习该学什么"，要问"我可以用强化学习做什么项目？然后帮我写代码"。

第二步，让它运行起来。写代码，跑起来，看结果，玩那个游戏。纸面理解再漂亮，不如一次运行带来的真实反馈。

第三步，回讲。把你读代码时理解的东西讲给AI听，问它你理解得对不对。这是费曼技巧的现代版：讲得出来，才是真的懂。

第四步，递归下降。理解完善之后，问AI"这个概念依赖哪些基础知识"，然后对每一块基础，重复整个过程。

第五步，泛化。当你深入理解了一个东西，问它还能解决哪些问题，有什么局限，在某个具体情况下你会怎么做。这一步帮你把知识连成网。

这套框架的精髓在于：你不是在学一门课，你是在解决一个具体问题，然后顺着问题一路往下挖。知识不再是堆积木，而是长根。

递归也非万能

我也得说清楚，这套方法不是万能的。

它解决不了行动力。

如果你需要有人拿鞭子逼着你学，你要解决的不是学习方法，而是更根本的驱动力。AI给不了你"想学"的冲动。

它也解决不了品味。

知道怎么构建一个强化学习智能体，和知道哪些问题值得解决、哪些解法是优雅的、哪些代码是可维护的，是两种完全不同的能力。后者来自大量的人类实践和审美积累，AI帮不了你。

它会犯错，而且犯错时很自信。所以你需要用YouTube视频、论文、书、博客这些人类创作的东西去交叉验证。

最后，你仍然需要付出努力。跳过不必要的基础知识，不是为了少干活，而是为了把力气用在真正值得的地方。AI消除的是摩擦，不是工作本身。

分化正在进行

把这些想清楚之后，再看未来五年，新一轮的分化几乎是确定的。

训练自己用递归下降方式学习的人，会成为少数能跟上技术速度的群体。坚持传统方法、拒绝和AI协作学习的人，会逐渐变得无关紧要。不是因为他们不够努力，而是因为他们的速度竞争不过。

这有点像互联网刚普及时，会用搜索引擎的人和不会用的人之间的差距。一开始只是获取信息的快慢，几年之后变成了某种不可逆的分层。

Gabriel Petersson的故事最打动我的地方在于，它证明了人生发展这件事，正从传统的学历路径依赖，到具有更多可能性。

在 AI 时代，超级个体的批量诞生将成为可能。"我命由我不由天"，或许不再只是豪言壮语，少数人的特权。

剩下的问题只有一个，你准备好了吗？