用 AI 学 AI：从 Gabriel Petersson 的逆袭看普通技术人的学习突围
本文基于 Extraordinary 播客对 OpenAI 研究科学家 Gabriel Petersson 的访谈（YouTube 原片 | Bilibili 搬运），提炼出一套适合在职技术人的行动框架。
2024 年 12 月，一个没有大学文凭的瑞典小镇青年正式入职 OpenAI Sora 团队，头衔是 Research Scientist——一个传统上只属于博士的岗位。
他叫 Gabriel Petersson，23 岁，高中辍学。他的简历上没有任何学位，但有一长串项目：Depict.ai 的推荐系统、Dataland 的前端架构、Midjourney 的工程开发，最终是 Sora 2 的研究贡献者。
2025 年 11 月 28 日，他在 Extraordinary 播客上完整复盘了自己的路径。很多自媒体把这个故事包装成"天才逆袭"或"学历无用论"。但仔细听完那期一个多小时的访谈，我觉得真正值得拆解的不是他的天赋，而是他的方法——以及这个方法对我们这些有工作经验但正在转型的人意味着什么。
一、递归知识填补：一种反直觉但高效的学习范式
传统的 ML 学习路径是自下而上的：先修微积分，再学线性代数，然后概率论、统计学习、深度学习……最后才能碰到实际模型。这条路通常要走两到三年，而且大量的人在基础理论阶段就放弃了。
Gabriel 的做法完全反过来。他在播客中把这个过程叫做 "recursive knowledge filling"（递归知识填补）：
先找到一个具体问题——比如"我想理解 Diffusion Model 是怎么生成视频的"。然后让 ChatGPT 写一段完整的实现代码，开始跑。代码一定会出 Bug，或者某一行看不懂。这时候他不是去翻教科书，而是直接追问 AI："这个 ResNet 的残差连接到底在干什么？为什么梯度能更好地流动？背后的数学直觉是什么？能不能画个图帮我建立感觉？"
他在访谈中特别强调了两个关键信号。第一个是觉察到自己不懂的能力——"你必须不断问自己：我真的理解了吗？"这不是天生的，需要刻意训练。第二个是顿悟的瞬间——当你追问到某个深度，突然"咔嗒"一声，所有东西串起来了。他说，这两个信号就是学习有效的标志。
更关键的一点是：他不是用 AI 来写代码，而是用 AI 来理解代码。 他在播客中明确拒绝了 "Vibe Coding"——那种把需求扔给 AI、不看实现直接用的做法。他会逐行读 AI 生成的代码，把每一行都搞明白。
这个方法的致命盲区
但我想指出一个 Gabriel 在访谈中没有充分讨论的问题：完备性缺失。
递归填补法本质上是"手电筒学习"——你只照亮当前脚下的路，不知道整片森林的地图长什么样。对于边界清晰的任务（比如理解一个 ResNet 模块），这很有效。但当你需要做系统级的架构决策时，问题就来了。
这样的案例屡见不鲜：
一个搜索工程师在解决相关性排序问题时，因为不知道 Learning to Rank 这个领域的存在，硬是用规则引擎手写了一套打分逻辑——能用，但效率和天花板差了一个量级。这就是 "Unknown Unknowns"（不知道自己不知道）的代价。Gabriel 的递归法能帮你把 "Unknown Unknowns" 变成 "Known Unknowns"（知道自己不知道），但前提是你得先触碰到那个盲区。如果问题的解法恰好在你从未路过的知识分支上，递归法就无能为力了。
再比如，一个软件工程师想尝试写自动导航程序，用 GPS 数据实时跟踪车辆位置。他发现 GPS 信号跳动很大，于是自己设计了一套滑动窗口平均滤波：取最近 N 个点的均值来平滑轨迹。效果比原始数据好了一些，但在转弯时严重滞后，高速行驶时又跟不上实际位置。他花了几周时间调窗口大小、加权重、做各种 hack，始终在"平滑度"和"响应速度"之间挣扎。而这个问题在控制论领域早在 1960 年代就被优雅地解决了——卡尔曼滤波（Kalman Filter）能同时利用运动模型的预测和传感器的观测，动态调整信任权重，既平滑又实时。这不是一个晦涩的冷门知识，而是自动驾驶、机器人、航天领域的标准工具箱。但如果你从未翻过控制论或信号处理的目录，你根本不会知道该搜索什么关键词。
这就是 "Unknown Unknowns"（不知道自己不知道）的代价。Gabriel 的递归法能帮你把 "Unknown Unknowns" 变成 "Known Unknowns"（知道自己不知道），但前提是你得先触碰到那个盲区。如果问题的解法恰好在你从未路过的知识分支上，递归法就无能为力了——你甚至不知道该向 AI 提什么问题。
我的方案：T 型 AI 学习法
结合 Gabriel 的"野路子"和系统性教育的价值，一个更务实的双轨模型是：
横向——建立索引。 找几本领域经典教材（Bishop 的 PRML、Goodfellow 的 Deep Learning Book），但不要从头啃。只看目录和每章的 introduction，花一两周时间让 AI 帮你过一遍每个概念的一句话解释。目标不是理解，而是知道它们的存在。你的大脑需要一张粗粒度的知识地图，这样当你在项目中遇到问题时，至少知道该往哪个方向搜索。
纵向——递归钻取。 这就是 Gabriel 模式。在解决具体问题时，利用 AI 对盲点进行深挖，直到触达第一性原理。
一句话总结：用目录画地图，用 AI 走迷宫。
比如，一个在职技术人开始读 AI 相关课程时，不需要按课程表从第一章读起，而是先把课程大纲过一遍，建一个知识索引。然后在做课程项目（比如用神经网络做分类任务）时，遇到不懂的概念就回到索引里定位，再用 ChatGPT 递归式地深挖。这种方式可以在保持全职工作的同时，大幅缩短从工程师到能独立跑 ML 实验的过渡期。
二、职业破局：绕过简历筛选器的"数字电梯"
Gabriel 在访谈中讲了一个非常生动的销售故事。创业早期，他们的推荐系统产品没人买，冷邮件石沉大海，电话推销也不管用。后来他想了个办法：提前爬取目标客户的网站，用自己的模型生成推荐结果，打印成 A3 大小的对比图——左边是客户现有的推荐，右边是他们的。然后挨家挨户敲门。
更狠的是，他随身带着一段注入脚本，能直接在客户浏览器里替换推荐结果并跑 A/B 测试。很多时候，第一次见面就能让对方当场切换方案。
这个策略的底层逻辑是：降低决策者的认知成本。 HR 筛简历的激励机制是规避风险——没有学历背书就是风险。但 CEO 或技术负责人的激励机制是增长——谁能解决问题就用谁。Gabriel 的做法是直接把结果摆在决策者面前，让对方在几秒钟内看到价值。
他后来进 Midjourney 也是类似的路径：在活动上认识了相关的人，展示了自己做的 Demo，直接获得了机会。他在播客中总结说，职业发展不是一条确定性的路径，而是"很多小的机会不断叠加"。
普通人的"数字电梯"在哪里？
Gabriel 的故事发生在旧金山，那里有面对面接触科技公司决策者的物理条件。对于不在硅谷的人来说，直接敲门不太现实。但数字世界的通道一直是开放的：
开源贡献是最直接的电梯。 在一个知名项目里修复一个顽固 Bug 或提交一个高质量 PR，你的名字会直接出现在维护者的通知栏里。当你没有顶级学历时，公开可验证的产出就是你的文凭。
"无许可实习"是另一条路。 不要等 Offer，先帮目标公司或团队把活干了。看到某个开源项目的 Issue 没人处理？直接写好 PR 提交。看到某个公司的产品有明显可优化的点？做个 Demo 发给技术负责人。Gabriel 在播客中说得很直白："公司只想赚钱。你能证明你能帮他们赚钱、你能写代码，他们就会雇你。"
关键不是你有什么头衔，而是你能不能让对方在 30 秒内看到你的价值。
三、风险管理：不赞美苦难，也不回避恐惧
Gabriel 在播客中承认，自己当年"对现实的感知是扭曲的"——他 100% 确信自己会成为亿万富翁，所以可以睡在捡来的沙发垫上通宵工作。他也坦言自己"非常幸运"，因为表哥的创业邀请给了他进入行业的第一张门票。
这种坦诚很重要。因为如果我们只看到"辍学少年逆袭 OpenAI"的叙事，很容易得出"只要够拼就能成功"的幸存者偏差结论。现实是：对于有房贷、有家庭、有固定支出的在职者来说，Gabriel 那种 all-in 的赌法风险太高。
更合理的方式是塔勒布（Nassim Taleb）提出的杠铃策略：
一端是确定性（90% 的精力）： 保住现有工作，维持收入底线。不要让学习转型威胁到你的生存。
另一端是高风险实验（10% 的精力）： 利用晚上和周末，做一个 AI 相关的 Side Project、写一篇技术博客、提交一个开源 PR。每一个小实验都是一张低成本的彩票——大多数不会中奖，但只要有一个打通，就可能打开全新的职业通道。
Gabriel 自己的路径其实也暗含这个逻辑：他先是在表哥的创业公司里积累了实战经验，然后以承包商身份灵活选择项目，再通过 Stack Overflow 的贡献获得 O-1 签证资格，最后才进入 Midjourney 和 OpenAI。每一步都是在上一步的基础上做增量冒险，而不是一次性的豪赌。
结语
Gabriel Petersson 的故事不是"学历无用论"的论据——他自己在播客里也承认，没有文凭在某些场景下仍然是限制。这个故事真正告诉我们的是：在 AI 时代，知识获取的垄断被打破了，但深度理解的门槛没有降低。
工具变了，但底层逻辑没变。你仍然需要逐行读代码的耐心，需要追问到顿悟的执着，需要把成果公开展示的勇气。AI 不是捷径，它是加速器——但方向盘始终在你手里。
如果你是一个有行业经验、正在向 AI 领域转型的技术人，建议是：不要等准备好了再开始，也不要裸辞去赌博。用目录建索引，用项目驱动学习，用公开产出替代学历证明，用杠铃策略管理风险。
这不是什么"完美策略"。这只是一个在不确定性中保持前进的务实方案。