Я изучал искусственный интеллект, после чего стал исследователем в OpenAI

Недавно я посетил митап по искусственному интеллекту в Шанхае.

Главная тема мероприятия — реальные сценарии применения ИИ.

Больше всего меня впечатлила стратегия обучения, которую представил опытный инвестор.

Он рассказал, что этот подход не только спас его карьеру, но и изменил его взгляд на оценку людей как инвестора.

В чем суть? Мастерство задавать вопросы.

Если вас заинтересовала тема, работайте с DeepSeek. Продолжайте спрашивать — до тех пор, пока система не сможет ответить.

Тогда «бесконечное задавание вопросов» показалось мне глубоким, но вскоре после мероприятия я о нем забыл.

Я не стал его применять и не возвращался к этой мысли.

Лишь недавно, когда я узнал историю Габриэля Петерссона — как он бросил школу и с помощью ИИ попал в OpenAI, — я понял, насколько важно «задавать вопросы до конца» в эпоху ИИ.

Подкаст-интервью с Габриэлем | Источник: YouTube

Отчисленный из школы — до исследователя OpenAI: невероятный путь

Габриэль родом из Швеции, он ушел из школы до окончания.

Профиль Габриэля в соцсетях | Источник: X

Он считал, что не подходит для карьеры в ИИ.

Все изменилось несколько лет назад.

Его двоюродный брат основал стартап в Стокгольме, создав систему рекомендаций для e-commerce, и пригласил Габриэля в команду.

Габриэль согласился, несмотря на отсутствие технических знаний и сбережений. В начале он целый год спал на диване в офисе.

Этот год стал переломным. Он учился не в классе — а на практике, решая реальные задачи: программирование, продажи, интеграция систем.

Чтобы расти быстрее, он стал работать подрядчиком, что позволило выбирать проекты, сотрудничать с лучшими инженерами и получать обратную связь.

При оформлении визы в США он столкнулся с проблемой: требовалось подтвердить «выдающиеся способности», обычно — публикациями и цитированием.

Как выпускник без диплома мог это сделать?

Габриэль нашел решение: он собрал свои лучшие технические посты из профессиональных сообществ как альтернативу научным публикациям. Неожиданно миграционные органы это одобрили.

Переехав в Сан-Франциско, он продолжил самостоятельно изучать математику и машинное обучение с помощью ChatGPT.

Сейчас Габриэль — исследователь в OpenAI, он работает над моделью видео Sora.

В этот момент вы, наверное, спрашиваете — как ему это удалось?

Инсайты Габриэля | Источник: X

Рекурсивное заполнение знаний: парадоксальный подход к обучению

Ответ — «бесконечные вопросы»: выберите конкретную задачу и решите ее с помощью ИИ до конца.

Методика Габриэля противоречит привычному подходу большинства.

Классический путь — «снизу вверх»: сначала база, потом практика. Например, чтобы освоить машинное обучение, учат линейную алгебру, теорию вероятностей, матанализ, затем статистику, глубокое обучение и только спустя годы — реальные проекты.

Его способ — «сверху вниз»: начать с проекта, решать задачи по мере появления и восполнять пробелы по ходу.

Как он объяснил в подкасте, раньше такой подход было сложно масштабировать — нужен наставник, который всегда подскажет, что учить дальше.

Теперь эту роль выполняет ChatGPT.

Инсайты Габриэля | Источник: X

Как это выглядит на практике? Он привел пример с диффузионными моделями.

Шаг 1: начать с общей картины. Он спрашивает у ChatGPT: «Хочу узнать о видео-моделях — в чем суть?» Ответ — автоэнкодеры.

Шаг 2: сначала код. Он просит ChatGPT написать пример кода диффузионной модели. Сначала мало что понятно, но он все равно запускает код. Если работает — появляется база для отладки.

Шаг 3, ключевой: рекурсивные вопросы. Он разбирает каждый модуль кода и задает вопросы по каждому.

Он погружается слой за слоем, пока не разберется в логике, затем возвращается к предыдущему уровню и продолжает с новым модулем.

Этот процесс он называет «рекурсивным заполнением знаний».

Рекурсивное заполнение знаний | Источник: nanobaba2

Такой подход намного быстрее, чем учиться поэтапно шесть лет — базовую интуицию можно получить за три дня.

Если вы знаете сократовский метод, узнаете тот же принцип: через постоянные вопросы вы доходите до сути, и каждый ответ становится стартом для следующего вопроса.

Разница в том, что теперь вопросы задает ИИ. И поскольку ИИ почти всезнающ, он может непрерывно объяснять суть простыми словами.

По сути, Габриэль с помощью этого метода извлекает ядро знаний из ИИ и действительно понимает предмет.

Большинство людей глупеют, используя ИИ

После подкаста история Габриэля заставила меня задуматься:

Почему одни, как он, с помощью ИИ учатся эффективно, а другие ощущают деградацию?

Это не только мое впечатление.

Согласно исследованию Microsoft Research 2025 года [1], частое использование генеративного ИИ заметно снижает уровень критического мышления.

Иными словами, мы передаем мышление ИИ, и наши когнитивные навыки атрофируются.

Развитие навыков подчинено принципу «используй или потеряешь»: если мы пишем код с помощью ИИ, собственные умения постепенно исчезают.

Работа с ИИ в стиле «vibe coding» кажется продуктивной, но на практике реальные навыки программиста разрушаются.

Вы даете ИИ задание, он пишет код, вы запускаете — и все отлично. Но если отключить ИИ и написать ключевую логику самому, у многих наступает ступор.

Еще более яркий пример — медицина. Исследование [2] показало: после трех месяцев работы с ИИ навык выявления при колоноскопии у врачей снизился на 6%.

Может показаться, что это немного, но речь о реальных диагностических навыках, влияющих на здоровье и жизни пациентов.

Значит, вопрос: почему при одинаковых инструментах одни становятся сильнее, а другие — слабее?

Все зависит от того, как вы используете ИИ.

Если рассматривать ИИ как инструмент, который делает работу за вас — пишет код, статьи, принимает решения, — ваши навыки атрофируются. Вы пропускаете процесс мышления и получаете только результат. Результаты можно скопировать, но критическое мышление не развивается.

Если же рассматривать ИИ как тренера или наставника — использовать его для проверки понимания, поиска слепых зон, уточнения размытых понятий — вы ускоряете обучение с помощью ИИ.

Суть метода Габриэля — не «пусть ИИ учится за меня», а «пусть ИИ учится вместе со мной». Он всегда инициатор вопросов, а ИИ лишь дает обратную связь и материал. Каждый «почему» — его личный, каждый уровень понимания — то, что он сам открыл.

Это напоминает мне поговорку: «Дай человеку рыбу — он будет сыт день; научи ловить рыбу — будет сыт всю жизнь».

Рекурсивное заполнение знаний | Источник: nanobaba2

Практические выводы

Возможно, вы спросите: я не исследователь ИИ и не программист — как мне применить этот метод?

Я уверен, что подход Габриэля можно обобщить в пятишаговую схему, которую сможет использовать каждый для изучения любой новой области с помощью ИИ.

1. Начинайте с реальных задач — не с первой главы учебника.

Погружайтесь сразу. Если застряли — восполняйте пробелы по мере необходимости.

Так ваши знания будут иметь контекст и цель, и результат будет эффективнее, чем заучивание фактов.

Инсайты Габриэля | Источник: X

2. Воспринимайте ИИ как бесконечно терпеливого наставника.

Задавайте любые вопросы, даже самые простые. Пусть объясняет разными способами или «объяснит, как пятилетнему».

Он не будет осуждать и не потеряет терпения.

3. Продолжайте спрашивать, пока не появится интуиция. Не останавливайтесь на поверхностном понимании.

Можете объяснить концепцию своими словами? Привести пример, которого не было в оригинале?

Можете объяснить это неспециалисту? Если нет — продолжайте спрашивать.

4. Будьте внимательны: ИИ может ошибаться.

Если при рекурсивных вопросах ИИ ошибется в ключевом, вы уйдете дальше от истины.

В ключевые моменты сверяйтесь с несколькими ИИ, чтобы база была надежной.

5. Фиксируйте свой процесс задавания вопросов.

Это создаст повторяемый актив знаний. В следующий раз, столкнувшись с похожей задачей, у вас будет готовый ход мыслей.

Обычно ценность инструментов — снижение трения и рост эффективности.

Но в обучении все наоборот: умеренное трение и препятствия необходимы для настоящего освоения. Если все слишком легко, мозг переходит в энергосберегающий режим и ничего не запоминается.

Рекурсивные вопросы Габриэля специально создают трение.

Он постоянно спрашивает «почему», выводя себя на предел понимания, и постепенно восполняет пробелы.

Этот процесс некомфортен, но именно дискомфорт обеспечивает долговременную память.

Будущее работы: мультискилловые специалисты

Сегодня монополия дипломов уходит, а когнитивные барьеры растут.

Большинство воспринимает ИИ как «генератор ответов», но немногие, как Габриэль, — как «тренер мышления».

Похожие техники уже появляются в разных сферах.

Например, на Jike родители используют nanobanana для помощи детям с домашними заданиями. Но ИИ не дает готовый ответ, а генерирует пошаговое решение, анализирует каждый этап и обсуждает логику с ребенком.

Так дети учатся не только ответу, но и методу решения задач.

Промпт: «Реши данный интеграл и запиши полное решение на доске» | Источник: nanobaba2

Другие используют Listenhub или NotebookLM, чтобы превращать длинные статьи или научные работы в диалоги двух ИИ, которые объясняют, задают вопросы и обсуждают. Кто-то считает это ленью, но другие отмечают, что прослушивание диалога, а затем чтение оригинала реально улучшает понимание.

Потому что в диалоге вопросы возникают естественно и заставляют задуматься: действительно ли я понял этот момент?

Подкаст-интервью с Габриэлем, преобразованный в подкаст | Источник: notebooklm

Это отражает новый тренд — рост числа мультискилловых специалистов.

Раньше для создания продукта требовались знания фронтенда, бэкенда, дизайна, эксплуатации, маркетинга. Теперь, как Габриэль, с помощью «рекурсивного восполнения пробелов» можно быстро освоить 80% недостающих знаний в любой области.

Если вы программист, ИИ поможет восполнить пробелы в дизайне и бизнес-логике и стать продуктовым менеджером.

Если вы сильный контент-мейкер, ИИ быстро поможет освоить программирование и стать независимым разработчиком.

С учетом тренда, в будущем мы увидим больше «компаний из одного человека».

Возьмите обучение под контроль

Вспоминая совет инвестора, я наконец понял его суть.

«Продолжайте спрашивать, пока не останется ответов».

Это мощный подход в эпоху ИИ.

Если довольствоваться первым ответом ИИ, мы незаметно деградируем.

Но если продолжаем уточнять, требуем от ИИ разъяснения логики и усваиваем понимание, ИИ становится нашим расширением, а не заменой.

Не позволяйте ChatGPT думать за вас — пусть он думает вместе с вами.

Габриэль прошел путь от отчисленного, спящего на диване, до исследователя OpenAI.

Секрета нет — только тысячи вопросов подряд.

В эпоху тревоги по поводу замещения ИИ, возможно, самое практичное оружие — не останавливаться на первом ответе. Продолжайте спрашивать.

Заявление:

1. Данная статья перепечатана с сайта [geekpark], авторские права принадлежат оригинальному автору [Jin Guanghao]. Если у вас есть претензии по поводу перепечатки, свяжитесь с командой Gate Learn, и мы оперативно рассмотрим ваш запрос в соответствии с действующими процедурами.
2. Отказ от ответственности: мнения и выводы, выраженные в статье, принадлежат исключительно автору и не являются инвестиционной рекомендацией.
3. Переводы на другие языки выполнены командой Gate Learn. Если не указан Gate, не копируйте, не распространяйте и не используйте переведенную статью без разрешения.