Estudei IA e, mais tarde, ingressei como investigador na OpenAI

Recentemente, participei num meetup de IA em Xangai.

O evento teve como foco principal as aplicações práticas da inteligência artificial.

O que mais me impressionou, contudo, foi uma estratégia de aprendizagem partilhada por um investidor veterano.

Segundo ele, este método não só salvou a sua carreira, como também mudou radicalmente a forma como avalia pessoas enquanto investidor.

Qual é esse método? Dominar a arte de fazer perguntas.

Sempre que sentir curiosidade sobre qualquer tema, interaja com DeepSeek. Continue a perguntar—questione até que já não haja respostas possíveis.

Na altura, esta abordagem de “questionamento infinito” pareceu-me profunda, mas rapidamente a deixei cair após o evento.

Não a experimentei, nem lhe dediquei atenção.

Só recentemente, ao conhecer a história de Gabriel Petersson—como abandonou a escola e usou IA para se formar até entrar na OpenAI—percebi o verdadeiro impacto de “questionar até ao fim” na era da inteligência artificial.

Podcast de entrevista a Gabriel | Fonte: YouTube

De Abandono Escolar a Investigador na OpenAI: Uma Jornada Improvável

Gabriel é natural da Suécia e abandonou o ensino secundário antes de concluir o curso.

Perfil de Gabriel nas redes sociais | Fonte: X

Durante muito tempo acreditou que não era suficientemente inteligente para trabalhar em IA.

Tudo mudou há alguns anos.

O seu primo fundou uma startup em Estocolmo, dedicada a sistemas de recomendação para e-commerce, e convidou Gabriel para integrar a equipa.

Gabriel aceitou, apesar de não ter formação técnica nem poupanças. Nos primeiros tempos, chegou a passar um ano inteiro a dormir no sofá do escritório.

Esse período foi transformador. Não aprendeu numa sala de aula—aprendeu sob pressão, a resolver problemas reais: programação, vendas e integração de sistemas.

Para acelerar ainda mais o seu desenvolvimento, tornou-se freelancer, ganhando flexibilidade para escolher projetos, trabalhar com engenheiros de topo e procurar feedback de forma ativa.

Ao candidatar-se a um visto para os EUA, deparou-se com um desafio: este visto exige prova de “aptidão extraordinária”, normalmente demonstrada por publicações académicas e citações.

Como poderia alguém sem diploma apresentar tal prova?

Gabriel encontrou uma solução: compilou os seus melhores artigos técnicos publicados em comunidades de programadores como “contribuições académicas” alternativas. Surpreendentemente, as autoridades aceitaram.

Após se mudar para São Francisco, continuou a estudar matemática e machine learning de forma autodidata, recorrendo ao ChatGPT.

Hoje, Gabriel é investigador na OpenAI, contribuindo para o desenvolvimento do modelo de vídeo Sora.

Neste ponto, talvez se pergunte—como conseguiu ele tudo isto?

Reflexões de Gabriel | Fonte: X

Preenchimento Recursivo de Conhecimento: Uma Abordagem Contraintuitiva à Aprendizagem

A resposta está no “questionamento infinito”: escolher um problema concreto e usar IA para resolvê-lo por completo.

A estratégia de Gabriel é contraintuitiva para a maioria das pessoas.

Tradicionalmente, aprende-se “de baixo para cima”: primeiro constrói-se uma base, depois avança-se para aplicações práticas. Por exemplo, para estudar machine learning, começa-se por álgebra linear, probabilidade e cálculo, segue-se para aprendizagem estatística, depois para deep learning e só muito mais tarde se enfrentam projetos reais. Este percurso pode durar anos.

O seu método é “de cima para baixo”: começa-se por um projeto específico, resolve-se cada problema à medida que surge e preenchem-se as lacunas de conhecimento conforme necessário.

Como explicou num podcast, antigamente este método era difícil de escalar—era preciso um professor omnisciente, capaz de indicar a cada momento o que aprender a seguir.

Hoje, esse papel é desempenhado pelo ChatGPT.

Reflexões de Gabriel | Fonte: X

Como funciona isto na prática? Gabriel exemplificou com o estudo de modelos de difusão.

Primeiro passo: começar pela visão geral. Pergunta ao ChatGPT: “Quero aprender sobre modelos de vídeo—qual é o conceito central?” A IA responde: autoencoders.

Segundo passo: começar a programar. Pede ao ChatGPT para escrever um excerto de código de um modelo de difusão. No início, não compreende muito, mas não há problema—executa o código na mesma. Se funcionar, já tem uma base para depurar.

Terceiro passo, o mais importante: questionamento recursivo. Analisa cada módulo do código e interroga cada um deles.

Explora camada a camada até compreender toda a lógica subjacente, depois regressa ao nível anterior para continuar com o módulo seguinte.

Chama a este processo “preenchimento recursivo de conhecimento”.

Preenchimento Recursivo de Conhecimento | Fonte: nanobaba2

Este método é muito mais rápido do que passar seis anos a estudar passo a passo—pode desenvolver intuição fundamental em apenas três dias.

Se conhece o método socrático, reconhecerá o mesmo princípio: aborda-se o cerne de um tema através do questionamento persistente, sendo cada resposta o ponto de partida para a próxima pergunta.

A diferença agora é que a IA é o alvo das perguntas. E, como é quase omnisciente, consegue explicar continuamente a essência das coisas de forma acessível.

Na prática, Gabriel utiliza esta abordagem para extrair o núcleo do conhecimento da IA—e compreender verdadeiramente o tema.

A Maioria Está a Ficar Menos Capaz ao Utilizar IA

Ao ouvir o podcast, a história de Gabriel levou-me a refletir:

Porque é que algumas pessoas, como ele, usam a IA para aprender de forma tão eficaz, enquanto tantas outras sentem que estão a regredir?

Não é apenas uma impressão pessoal.

Um estudo da Microsoft Research de 2025 [1] demonstra que o uso frequente de IA generativa provoca uma queda significativa nas capacidades de pensamento crítico.

Ou seja, estamos a delegar o nosso pensamento à IA e as nossas próprias capacidades cognitivas estão a atrofiar.

O desenvolvimento de competências segue o princípio “usa ou perde”: quando recorremos à IA para programar, a nossa própria capacidade de programar diminui silenciosamente.

Trabalhar com IA num estilo de “programação por ambiente” pode parecer eficiente, mas a longo prazo, as competências reais dos programadores deterioram-se.

Transmitimos os requisitos à IA, ela gera o código, executamo-lo e tudo parece ótimo. Mas, se tivermos de desligar a IA e escrever a lógica central por nós próprios, muitos ficam bloqueados.

Mais impressionantes ainda são os resultados da medicina. Um estudo [2] revelou que as competências de deteção dos médicos em colonoscopias caíram 6 % após três meses de uso de IA assistida.

Pode parecer pouco, mas lembre-se: trata-se de capacidade clínica real, que afeta a saúde e a vida dos pacientes.

Portanto, a questão é: porque é que alguns ficam mais fortes com a mesma ferramenta, enquanto outros ficam mais fracos?

A diferença está na forma como se utiliza a IA.

Se tratar a IA como uma ferramenta para fazer o trabalho por si—escrever código, redigir artigos, tomar decisões—as suas competências vão atrofiar. Salta o processo de pensamento e recebe apenas o resultado. Os resultados podem ser copiados e colados, mas o pensamento crítico não se desenvolve sozinho.

Se, pelo contrário, tratar a IA como um treinador ou mentor—usando-a para testar o seu entendimento, explorar pontos cegos e obrigar-se a clarificar conceitos vagos—está, na verdade, a acelerar a sua aprendizagem com IA.

O cerne do método de Gabriel não é “deixar a IA aprender por mim”, mas “aprender com a IA”. Ele é sempre quem questiona, e a IA limita-se a fornecer feedback e matéria. Cada “porquê” é seu, cada camada de entendimento é algo que ele descobre por si.

Recordo-me do provérbio: “Dá um peixe a um homem e alimenta-o por um dia; ensina-o a pescar e alimenta-o para toda a vida.”

Preenchimento Recursivo de Conhecimento | Fonte: nanobaba2

Lições Práticas

Pode estar a pensar: não sou investigador de IA nem programador—como se aplica este método a mim?

Creio que a abordagem de Gabriel pode ser generalizada numa estrutura de cinco passos que qualquer pessoa pode usar para aprender qualquer área desconhecida com IA.

1. Comece por problemas reais—não pelo primeiro capítulo do manual.

Avance diretamente. Quando encontrar obstáculos, preencha as lacunas conforme necessário.

Desta forma, o conhecimento tem contexto e propósito, tornando-se muito mais eficaz do que memorizar factos isolados.

Reflexões de Gabriel | Fonte: X

2. Trate a IA como um mentor infinitamente paciente.

Pode fazer qualquer pergunta, por mais básica que seja. Peça explicações de várias formas ou “explique-me como se tivesse cinco anos.”

A IA não julga nem perde a paciência.

3. Continue a perguntar até construir intuição. Não se contente com uma compreensão superficial.

Consegue explicar um conceito com as suas próprias palavras? Dar um exemplo não mencionado na fonte original?

Consegue ensiná-lo a um leigo? Se não, continue a perguntar.

4. Atenção: a IA pode alucinar.

Ao questionar recursivamente, se a IA errar um conceito central, pode afastar-se da verdade.

Por isso, em pontos críticos, valide com várias IA para garantir que a base está sólida.

5. Documente o processo de questionamento.

Assim cria um ativo de conhecimento reutilizável. Da próxima vez que enfrentar um problema semelhante, tem todo o raciocínio para rever.

Tradicionalmente, valorizam-se as ferramentas por reduzirem a fricção e aumentarem a eficiência.

Mas, no que toca à aprendizagem, o oposto é verdadeiro: fricção moderada e obstáculos necessários são pré-requisitos para aprendizagem real. Se tudo for demasiado fácil, o cérebro entra em modo de poupança de energia e nada fica.

O questionamento recursivo de Gabriel cria deliberadamente fricção.

Continua a perguntar porquê, força-se até ao limite da sua compreensão e depois preenche gradualmente as lacunas.

Este processo é desconfortável, mas é precisamente esse desconforto que permite memória de longo prazo.

O Futuro do Trabalho: Especialistas com Competências Múltiplas

No mundo atual, os monopólios de credenciais académicas estão a desaparecer, mas as barreiras cognitivas estão a aumentar silenciosamente.

A maioria encara a IA como um “gerador de respostas”, mas alguns, como Gabriel, usam-na como “treinador de pensamento”.

Técnicas semelhantes já estão a surgir em vários setores.

Por exemplo, no Jike, muitos pais recorrem ao nanobanana para ajudar os filhos nos trabalhos de casa. Em vez de deixarem a IA dar a resposta, pedem-lhe que gere soluções passo a passo, analisem cada etapa e discutam a lógica com os filhos.

Assim, as crianças aprendem não apenas a resposta, mas o método de resolução de problemas.

Prompt: “Resolve o integral apresentado e escreve a solução completa no quadro” | Fonte: nanobaba2

Outros usam Listenhub ou NotebookLM para transformar artigos ou papers extensos em diálogos estilo podcast entre duas vozes de IA, explicando, questionando e debatendo. Alguns consideram isto preguiça, mas outros descobrem que ouvir o diálogo e depois ler o texto original melhora realmente a compreensão.

Porque, durante o diálogo, surgem naturalmente questões, obrigando-nos a ponderar: compreendo mesmo este ponto?

Entrevista com Gabriel convertida em podcast | Fonte: notebooklm

Isto aponta para uma tendência futura: o surgimento de especialistas com múltiplas competências.

No passado, criar um produto exigia conhecimento de front-end, back-end, design, operações e marketing. Agora, como Gabriel, pode usar o método de “preenchimento recursivo de lacunas” para dominar rapidamente 80 % do que lhe falta em qualquer área.

Se começou como programador, a IA pode ajudá-lo a preencher lacunas em design e lógica de negócio, tornando-o gestor de produto.

Se era um criador de conteúdos forte, a IA pode rapidamente ajudá-lo a desenvolver competências de programação e tornar-se developer independente.

Perante esta tendência, poderemos assistir ao surgimento de mais “empresas de uma só pessoa” no futuro.

Recupere o Controlo da Sua Aprendizagem

Ao refletir sobre o conselho do investidor, compreendo finalmente a sua verdadeira mensagem.

“Continue a perguntar até já não haver respostas.”

Este é um mindset poderoso na era da IA.

Se nos contentarmos com a primeira resposta da IA, estamos a regredir silenciosamente.

Mas, se continuarmos a questionar, exigir à IA que clarifique a sua lógica e internalizarmos esse entendimento, a IA torna-se uma extensão nossa—não um substituto.

Não deixe o ChatGPT pensar por si—faça-o pensar consigo.

Gabriel passou de abandono escolar a dormir num sofá a investigador na OpenAI.

Não há segredo—apenas questionamento persistente, milhares de vezes.

Numa era de ansiedade pelo “substituto IA”, talvez a arma mais prática seja esta:

Não se contente com a primeira resposta. Continue a perguntar.

Declaração:

1. Este artigo foi republicado de [geekpark], com direitos de autor pertencentes ao autor original [Jin Guanghao]. Se tiver qualquer preocupação relativa a esta republicação, contacte a equipa Gate Learn, que responderá prontamente de acordo com os procedimentos aplicáveis.
2. Declaração de exoneração de responsabilidade: As opiniões expressas neste artigo são da exclusiva responsabilidade do autor e não constituem aconselhamento de investimento.
3. As versões noutras línguas deste artigo são traduzidas pela equipa Gate Learn. Salvo se Gate for citado, não copie, distribua ou plagie o artigo traduzido.