高中輟學闖進 OpenAI：拒絕Vibe Coding，用 ChatGPT 自學逆襲成 Sora 團隊研究科學家

編譯 | Tina

一行一行讀代碼、拒絕“Vibe Coding”，靠 ChatGPT 反向學數學、擴散模型等。這位參與 Sora 的 OpenAI 研究科學家，用最野路子的方式跑通了視頻生成架構。

在 OpenAI 的 Sora 團隊里，有這樣一個很“不硅谷”的研究科學家：高中輟學，沒有學歷、沒有競賽背景，也不是那種靠 AI 糊代碼的 Vibe Coder。

他來自瑞典一個小鎮，高中沒畢業就離開學校。當年連吳恩達的機器學習課都看不懂、微積分也啃不下去，卻靠著一行行啃擴散模型代碼、用 ChatGPT 反向補數學和 ML，硬生生闖進舊金山，加入了 Sora 視頻模型團隊，做著通常需要博士才能做的研究工作。

他的方法很“野”，卻極其可復制：項目驅動 + AI 遞歸式補洞 + 一行行看代碼的硬功夫。

所以，這篇文章不是在講“輟學生逆襲”，而是在拆解普通人如何在大模型時代，用 AI 把自己升級到博士級能力。

PS：

我們并不鼓吹輟學。過去硅谷熱衷渲染“輟學神話”，但大學所能提供的社交、資源與眼界，其實替代成本極高。Gabriel 自己也坦言，沒有文憑在部分場合下仍是限制，他只是選擇用更極端的方式“硬闖”過去。但如果你正在大學階段，身處安全且資源豐富的環境，并開始運用 Gabriel 學習方法，你的成長速度，很可能會比傳統路徑快上 100 倍，甚至 1000 倍。

以下內容為 Extraordinary.com 創始人 Cel Wen 播客采訪的中文整理，嘉賓為來自瑞典的高中輟學生、現任 OpenAI 研究科學家 Gabriel Petersson。

1 第一次創業：拿著推薦系統和 A/B 測試腳本，一家家敲門賣方案

主持人：今天的嘉賓是 Gabriel Petersson，一位來自瑞典、曾經的高中輟學生，現在是 OpenAI 的 AI 研究科學家，也是 ChatGPT 背后的公司成員。Gabriel 的故事非常吸引人。

我看到你發過一條推文：“五年前，我在幾乎沒有工程經驗的情況下從瑞典高中輟學，加入一家創業公司。今天，我加入了 OpenAI，成為一名研究科學家，與 Sora 團隊一起構建 AGI。”你是怎么做到的？

Gabriel：這故事說來挺長的。我其實一直在琢磨 AI，大概是從看《超級智能》和《生命 3.0》那會兒開始的。那兩本書我特別喜歡，而且作者剛好都是瑞典人，我就覺得：嗯，這里面肯定有點東西。

但當時我一直覺得自己不夠聰明。我稍微查了一點 AI 相關的內容，又不會編程，就老覺得外面全是特別聰明的人，我根本不可能跟他們競爭。最后我干脆去做工程師，在一個創業公司里當了幾年“工程師打工人”。

主持人：你怎么會輟學？在你家鄉、你成長的環境里，大家不都是照常讀書嗎？你怎么有勇氣離開？

Gabriel：說實話，我也不算是“下定決心”，更像是事情自己把我推著走到了那一步。有一天我表哥給我打電話，說他剛認識了一個特別聰明的人，對方有個用 AI 做推薦系統的點子，讓我們馬上一起把這個東西做出來賣給客戶。那個人當時在新加坡做研究，我表哥就說：“我們要立刻開始干了，你趕緊來斯德哥爾摩。”

我還跟他說：“哥們，我今晚有個超級大的派對。”

他說：“不行，現在就來。”

于是我直接買了下一班去斯德哥爾摩的巴士票，去了之后，就再也沒有回學校上課。

主持人：你去了那家創業公司，后來怎么樣了？

Gabriel：我們當時的點子是，給電商做一個產品推薦系統。但問題是，我們幾個人對“創業”一無所知，不懂怎么獲客，也不懂怎么銷售。

一開始我發冷郵件，幾乎沒人理。后來我開始一個個打電話，有時能聊得不錯，但說到底，我只是個 18 歲、沒技術背景的小孩，很難讓人真信任。

再后來，我干脆上門推銷。

我會提前把對方的網站爬下來，訓練一個新的推薦模型，然后把他們原來的推薦結果和我們生成的推薦結果排成一張 A3 大圖打印出來，左邊是他們現在用的，右邊是我們的。

我大概做了一百多份，裝在文件夾里，挨個公司去敲門：“能幫我叫一下電商負責人或者 CEO 嗎？”

他們一看到那張對比圖，第一反應都是震驚：“這些都是你們做的嗎，你是怎么做到的？”接下來問的就是：“那要怎么上線？”

這時候我就說：“沒問題，我們今天就準備好了，可以直接上線。”我隨身帶著一段腳本，可以直接貼進他們網站的瀏覽器控制臺，把原來的推薦結果替換成我們的。腳本里還順帶集成了 A/B 測試，用來對比兩邊帶來的收益。很多時候，第一次見面我就能讓他們現場切到我們的方案——聽起來瘋，但確實很有用。

當然，后來也因此埋下了大坑：我們完全沒考慮可擴展性和可維護性，只想著先把客戶拿下。整個團隊一群 17、18 歲的輟學生，純靠一股蠻勁往前沖。

主持人：你們都在斯德哥爾摩線下做嗎？

Gabriel：對，我們人都在那兒。我住在我表哥的學生公寓里。房子特別小，說是“宿舍”，其實就是普通公寓里分出來的小房間，只是只有學生才有資格住。提交資料時我們還得假裝他還在上大學。我整整一年睡在公共區域撿來的沙發靠墊上。房間又小又臟，但那就是我們的聯合辦公空間。

主持人：大多數人經歷這些會選擇回學校，但你沒有。是什么讓你堅持下來的？

Gabriel：我對現實的認知一直很扭曲。我當時 100% 確信自己會成為億萬富翁，真的，一點懷疑都沒有。我確信我們在做“下一個大項目”，其他事都不重要。于是我拼命干活，一次次熬通宵，滿斯德哥爾摩亂跑做銷售，想盡各種瘋狂的辦法去拿客戶。

2 最快的學習方式不是先把基礎學完，而是被真實項目逼出來

主持人：你一開始不會編程，那你是怎么學的？

Gabriel：主要是被逼出來的，因為我們必須給客戶做各種集成。最早是表哥教我 Java，我們一起寫了一個很爛的回合制“寶可夢”小游戲。后來我上過一個 Udemy 的 Python 課，做了個同樣很糟糕的小游戲。我也試過上 Andrew Ng 的機器學習課，但完全看不懂，只覺得自己太笨了。

真正開始學，是在創業之后，因為你不得不去做那些事：寫爬蟲、做推薦系統、搭 A/B 測試、做各種集成。一旦面前有一個真實的問題，學習反而變得簡單很多。

你會去翻 Stack Overflow，卡住了就去問身邊的朋友。有真實的工作壓力，你就被迫把東西學會。對我來說，沒有壓力的時候幾乎完全學不進去。

主持人：如果你要給另一個高中輟學生提建議，你會說什么？

Gabriel：我算是非常幸運的。我在瑞典一個叫 Vaggeryd 的小鎮長大，身邊一個工程師都不認識。高中時第一次見到程序員，我激動得不行，問他是不是會做網頁。

在那樣一個沒有工程師、沒有創業文化的地方，你很自然會覺得這一切都離自己非常遙遠。而在舊金山，人們覺得創業是正常選項，很大程度上是因為他們身邊所有人都在談論這些事。

我之所以能走出來，是因為遇到了那家創業公司，它給了我真正“下場實戰”的機會，這對我來說是最重要的一次學習經歷。如果別人想走一條類似的路，我會建議他們盡快進入市場，盡快去解決真實的問題，并且真正為結果負責。

現在有了 ChatGPT，你甚至不需要一開始就懂很多技術。你只需要證明自己會提問題、會提需求、愿意親自去做，有很強的能動性。你完全可以說：技術細節我現在不會，但我會問 ChatGPT，我能從那里拿到我需要的任何知識。

知識本身，已經不再是稀缺資源了。

主持人：以前你得先上課、看教材，把路鋪好，現在可以直接帶著問題去問 AI。

Gabriel：對。人類最快的學習方式，其實是自頂向下：先從一個真實任務開始，再一路往下鉆，遇到哪個環節不懂，就現學哪個環節。

但學校沒法大規模這樣教，因為這要求老師隨時判斷你“下一步該學什么”。所以教育體系普遍選擇自底向上：先從數學、線性代數、矩陣這些基礎開始，一層一層往上堆。這樣做很適合規模化教學，但學習效率非常低。

現在有了 ChatGPT，這一點已經被改寫了。大學不再壟斷“基礎知識”的入口。我甚至很難認真對待那些課程體系里還沒有把大模型相關內容納入基礎部分的大學，這種東西理應從很小的年紀就開始接觸。

很多人會說，用這種方式學習“永遠無法真正理解問題本質”，但事實并非如此。你完全可以從任務出發，一路遞歸往下學，照樣能理解得很深。

比如我想學機器學習，我會先問 ChatGPT：我應該做什么項目，讓它幫我設計一個項目計劃，從這里開始。接著，我會先讓它寫出一整段完整的機器學習代碼，肯定會有 bug，那就從修 bug 開始，一點一點把它跑通。等到程序能跑了，我就會盯住某一小塊細節繼續追問：“這一部分具體在做什么？能不能用更直觀的方式解釋一下，這個模塊為什么能讓模型學到東西？”

它會先給出一段解釋，然后提到這里用了矩陣乘法、線性代數。那我就繼續問：“這些東西本質上是怎么工作的？背后的數學直覺是什么？能不能畫幾張示意圖，幫我把這塊機器學習模塊的直覺建立起來？”

這樣學，其實是從“上層任務”往下，把所有該補的基礎一點點補齊，而不是從最底層往上死磕多年。這個轉變，會從根本上改變教育的方式。

主持人：在學校里，關于 AI，有哪些東西是完全沒教，或者教偏了的？

Gabriel：首先，學校里對 AI 的整體認知就已經錯位了。ChatGPT 一出來，學生的第一反應是：“太好了，有個東西能幫我把作業全做了。” 他們只看到這一點。老實說，換成我當學生的時候，大概也會這么想。

老師的第一反應則是：“完了，大家都要用 AI 抄作業，我們得立刻禁止，AI 是個壞東西。”于是就形成了一個互相強化的循環：在學生眼里，AI 等于作弊工具；在老師眼里，AI 等于作弊來源。在這種環境里，幾乎沒人有機會自然地去培養一種直覺：原來 AI 是可以用來“學習”的。這個習慣不會憑空長出來。

現在多少有點讓人開心的變化是，我偶爾跟在瑞典念大學的朋友聊天，他們會說：“我發現可以用 ChatGPT 幫我出小測。我把往年的真題都扔進去，讓它總結這些題目背后共同考察的核心概念，或者讓它再出 10 道類似的新題，這樣我能真正學懂他們到底想教什么。”

學生這邊，開始有少數人摸到門道了。但老師整體上依然非常排斥 AI，這就很說不通。如果老師愿意把敘事換一下，從“AI 會讓你們作弊”變成“我來教你們怎么用 AI 高效學習”，情況會完全不同。

想作弊的學生，不管有沒有 AI，總能找到辦法。如果沒有人告訴他們“AI 其實可以用來學東西”，他們自然只會把它當成糊作業的工具。

老實說，我以前也會想辦法作弊（笑），只不過那時候根本沒人告訴我，這類工具其實可以拿來真正學習。

3 用 AI 自學數學和擴散模型，他一路走進 OpenAI Sora 團隊

主持人：那你是怎么用 AI 來學習的？你是怎么靠 AI 自學數學和機器學習，最后做到現在在 OpenAI 做研究科學家的？

Gabriel：其實和我剛才講的思路差不多。我現在在 OpenAI 的 Sora 團隊，主要做視頻模型。當時我就想先搞懂圖像和視頻模型的基本概念，于是先問 ChatGPT：在這類模型里，最基礎、最核心的概念有哪些？

它會開始介紹，說有自編碼器（autoencoder）、擴散模型（diffusion model）之類的東西。我聽著覺得很眼熟，這些名字到處都能看到，感覺挺酷。下一步我就直接讓它把一個完整的擴散模型代碼寫出來。

它會一下子吐出一大段代碼，我第一反應就是：“這都是什么東西？” 但沒關系，接下來就是一起 debug。我把報錯貼給它，我們一起對著改。隨著代碼慢慢能跑起來，我也開始一點點建立直覺：這里在發生什么，那里在做什么，每一行代碼的作用是什么。

比如在擴散模型里會用到 ResNet 塊（殘差網絡模塊），里面有一堆變換，還有一條殘差連接，讓一部分信息可以直接“穿過去”，從而讓模型更容易學習。一開始我完全不知道這一塊在干嘛，就不停地追問 ChatGPT。

它一開始會給出類似我剛才那種比較高層的解釋，但你腦子里還是有一大堆問號：到底什么意思，“更好學”具體指什么？那就繼續往下追問，問它為什么這樣的結構會讓模型更好訓練，如果不用這類結構會發生什么。它就會開始說明梯度是怎么流動的，在什么情況下會被截斷，在什么結構里會消失，等等。你就這樣一輪一輪往下問，把問題拆得越來越細，直到你真的覺得“哦，我懂了”。

當你覺得自己理解了，還可以反過來把自己的理解用一段話講給模型聽，讓它幫你檢查：“這是我對這個概念的理解，對不對？” 這樣既能校正，又能補上你忽略的細節。

同時，你還能用很多小技巧，比如讓它用“我只有 12 歲”的理解水平來解釋一個概念，或者讓它用一個非常具體的場景打比方，比如“想象你走進一家書店，每本書的擺放方式就是一個向量嵌入”。它會把抽象的概念和現實世界的東西綁在一起，對我這種人特別好理解。

4 “遞歸式補洞”：從一個項目一路補完數學和 ML 基礎

主持人：所以，現在幾乎任何主題，你都可以只靠 ChatGPT 來學。先問它：“如果我要學這個，需要先理解哪些前置知識？” 它會給出一長串清單。然后你從其中一個線頭開始往下拽，就像我學視頻模型時，是先抓住“擴散模型”這一塊，追著問它到底是怎么工作的。

接下來，就是一段一段往下追問：這部分我不懂，這個符號是什么，這個結構為什么要這么設計，這里的數學是怎么推出來的。通過這種不斷追問、不斷校正的過程，把整套東西真正學明白。

我在 X 上看過你發的很多帖子，感覺你就是在不斷用 AI 做這種“再解釋”，直到你真正吃透為止。這有點像費曼學習法：最好的學習方式是把概念重新講給別人聽。而現在，“別人”可以是 AI。你在學擴散模型，前面其實連梯度是什么都不知道，它會順帶給你講微積分、講線性代數。等你自己覺得差不多了，你再把自己的理解講回給模型，它再幫你指出哪些地方還不清楚，如此循環，直到掌握得非常扎實。

Gabriel：我自己把這一整套過程叫作“遞歸式補洞”。如果要用一個詞來概括，我覺得最關鍵的能力是：知道自己哪里沒懂。你可以想象，有一個 AI 模型，或者一個你正在學的領域，你要能敏銳地察覺到：“等等，其實這一塊我并沒有真正理解。” 這不是天生就會的，而是需要刻意訓練的。你得不停地問自己一句話：我是不是真的懂了？

這是第一個信號。第二個信號，是當你不斷提問、反復追問的時候，會在某個瞬間突然有種“啊，原來是這樣”的感覺，像心里有個開關被按下去一樣。一旦你抓住這種“卡嗒一聲”的時刻，你就知道自己真的理解了。接下來，你要做的，就是不斷調整問題、優化提問的方式，讓這種“啊哈時刻”出現得越來越快、越來越頻繁。

第一步，其實是要把“AI 幫我干活”這個誤解，換成“AI 幫我學習”。不要只把它當成一個幫你完成任務的工具，而是要當成一個可以隨時提問、隨時互動的老師。只要完成這一點，你其實已經走完了大半程。之后如果想變得真正厲害，就要回到剛才說的兩點：一是訓練自己識別知識里的“空洞”，也就是到底是哪里沒弄明白；二是訓練自己捕捉“真正理解”的感覺，知道什么時候是“從根上搞懂了”。

你還會不斷發明各種“黑科技式”的用法。因為模型默認的回答方式，是想照顧“大多數人”的體驗，但你自己的最佳學習方式，往往和它的默認回答風格不一樣。所以我經常給它加前置說明，比如：

• “請極度直接、極度具體。”

• “一定要給出所有中間步驟和中間狀態。”

• “務必幫我建立直覺，告訴我為什么會這樣。”

• “如果你不確定，就列出幾個不同方案，說明各自的優缺點、誰試過、為什么有效或無效。”

你要學會通過這樣的提示，讓 AI 更快地把你送到那個“啊哈時刻”。你第一次真正搞懂線性代數，第一次搞懂反向傳播的時候，那種“終于通了”的感覺肯定記得。你要做的，就是讓這種感覺出現得越來越密集，把它當成你學習過程里的目標函數。

主持人：聽起來，在今天這個時代，想保持競爭力、做到某個領域的頂尖，一個關鍵能力就是快速、持續地向 AI 提問，從而快速獲取和吸收信息。

Gabriel：是的。而且還有一個非常重要的習慣：只要腦子里冒出一個問題，就要立刻把它丟給 ChatGPT。

這一點我自己也是花了很久才養成的。還記得最早那批 GPT-3 playground 出來的時候，我表哥就問我，為什么還不用它，我整天都在寫代碼。他反復勸我去試試，我每次都敷衍一句“好，我改天用用”，他幾乎每個月都會再提醒我一次。結果我整整花了一年時間，才真正形成條件反射：一旦遇到問題，第一反應就是“我應該問一下 ChatGPT”。

你會發現，很多人現在還沒做到這點。平時聊天、討論問題的時候，大家腦子里問號一堆，卻沒人打開 ChatGPT。在共享辦公空間，你能看到很多人苦思冥想，你只想跟他們說一句：為什么不先問一下它？

理想的狀態是，只要你在猜、在猶豫、在困惑，問題就應該直接丟給 ChatGPT。它一直在那里，調用成本極低。關鍵在于，你要對“快速獲得那個啊哈時刻”這件事本身產生一種上癮感。

這背后還需要一項硬技能：你得學會用最適合自己的方式去“調教”它。比如，有的人需要大量比喻，有的人需要具體例子，有的人需要圖示和中間步驟，你要找到最貼合自己學習風格的那一種，讓它按照這種方式來講解。

我其實覺得自己挺笨的。很多時候我問完，它解釋了一大段，我還是會說，我還是沒懂，這太難了。那就再問一次，再換一種表達方式。你可以問它，如果這個世界上沒有這些特性，這個概念還會被發明出來嗎，讓它講講在那種情況下人們會怎么做；或者讓它假設聽眾是十二歲的孩子，再解釋一遍；或者讓它畫幾張圖，把你需要理解的分布都畫出來。

你可以用很多非常有創意的方式，從 ChatGPT 里把你需要的信息一點一點“榨”出來。尤其是在早期模型還沒現在這么強的時候，有些東西如果我不會問、不會逼它不停換說法解釋，可能根本學不進去。我會讓它圍著同一個問題換著講、一遍又一遍地講，直到有一次突然“咔噠”一下，整件事在腦子里對上號。

這也是為什么我覺得，ChatGPT 這種東西應該從小學階段就開始教。它本質上是一門新語言。你當然還需要創造力、主動性這些人類特質，但在“獲取知識”這件事情上，我們已經進入了一個完全不同的時代，和過去根本不在一個量級上。

5 沒有博士學位，也能做“博士崗”

Gabriel：舉個非常具體的例子。現在我做的工作，傳統上大家基本都會認為：必須讀到博士才能勝任。雖然也有少數沒讀博的人做到過，但如果你在五年前跟人說：“頂級 AI 實驗室會招一個沒走過傳統學術路子的人，只是他在別的領域做過一些有意思的東西，然后他靠自學就能做研究。” 大多數人都會覺得不可能。

但我們現在就活在這個世界里：我能用 ChatGPT 做一份傳統上需要“聰明人讀很多年博士”才能做的工作。這太夸張了。

有了 ChatGPT 之后，世界發展的速度會快得不可思議。你幾乎可以在任何領域做研究——想做生物、想做硬件，都可以直接開始。

我相信，僅僅是大語言模型一項技術，就會帶來世界 GDP 的兩位數百分比增長。而任何人，只要真的會用 ChatGPT，就能分到一杯羹。現在也就 20 美元一個月，帶推理能力的版本在寫代碼、解釋概念這方面已經非常強了。

主持人：那你在構建世界上最好的視頻模型之一的時候，具體是怎么用 ChatGPT 來一邊工作、一邊學習的？

Gabriel：其實非常簡單。很多人問我這個問題，總覺得背后一定有一套特別復雜、神秘的工作流。

現實中是這樣的：你先看一大堆模型生成的視頻，發現某個地方“看著不太對勁”。接著你就去改模型結構，或者改數據，或者嘗試別的調整。然后重新訓練，再看一輪視頻。邊看邊想：這一次整體效果更好了，很好，這一版可以合入主模型。接下來就問自己：下一個最想修的問題是什么？下一個值得嘗試的方向是什么？

這時候 AI 就特別好用。

我會直接把代碼庫丟給它，讓它基于一個很具體的問題提意見，比如：我現在遇到的是這個問題，這是當前的代碼結構，給我十個可以改進它的思路。

它會給出很多建議，順帶引用一些相關論文，很多好點子，非常適合頭腦風暴。然后你再把這些想法拿去和同事討論，他們都非常厲害，會一起判斷哪些值得真正去嘗試。

主持人：那它是怎么給你推薦論文的？

Gabriel：有時候是模型直接記住了那些著名論文的鏈接，比如 GPT-4.0 甚至更早的版本，就能把常見論文的鏈接直接打印出來，你點開就行。

你也可以開著聯網模式，對它說：“幫我找幾篇討論這個問題的論文。”

當然，我不會從頭到尾一字一句把論文都讀完。我會給 ChatGPT 一套指令，比如：“請列出這篇論文和我已知方法相比，到底做了哪些不同的事情，要非常具體。”

很多論文其實就是在已有技術上加幾個關鍵變化。你只要讓它把這些差異提煉出來，對比一下，有的論文，你一看就知道“這個估計不值得試”；有的論文，你會覺得“這個真不錯”，那才值得你花時間深入閱讀、真正實現。

而在實現階段，我經常是直接把自己現有的代碼丟進去，對它說：“請把這篇論文的方法整合進我的代碼里。”然后復制粘貼開始調試。

當然，我最后還是會認真把代碼一行一行讀一遍。我覺得這點極其重要，你不能只是把一堆代碼往項目里一扔就算完事。

我不是那種“vibe coder”（全靠模型糊代碼的人）。在寫代碼這件事上，我的觀點非常強烈也很挑剔。

主持人：聽起來你的路徑完全不一樣。如果你真想把東西做扎實，尤其是站在一個領域前沿，你就必須把所有細節都搞懂，對吧？

Gabriel：對，我想把所有基礎都搞明白。很多人第一反應是：“哦，你就是想走捷徑，不是真的想搞懂，只想靠一堆 AI 垃圾代碼混過去。”但在我看來，正確的捷徑是：用捷徑去搞懂所有基礎。這個區別非常重要。

現在好像只有兩派：

• 一派是：“AI 幫我干完所有活，我自己什么都不想學”；

• 另一派是：“必須去讀大學，基礎知識只掌握在學院手里，必須由教授一點點教起。”

而我大概卡在中間：我覺得基礎都很重要，你確實要學；但 AI 又是一個極好的工具，你應該用它來理解一切，用它來增強大腦、增強自己的能力，形成一種人類與 AI 的共生。

6 從斯德哥爾摩到舊金山：靠一身“野路子技能”闖進灣區

主持人：你在斯德哥爾摩、離開第一家創業公司之后，是怎么一步步來到舊金山的？中間經歷了什么？

Gabriel：我一直知道自己想繼續在創業公司工作，也一直盯著舊金山——因為我認識的最厲害的人都搬來了這里，大家口中最好的公司也都在這里。我很快意識到，自己應該把“盡快提升學習速度”當成首要目標。可惜那會兒還沒有 ChatGPT。現在想想，如果在我開始學東西時就有 ChatGPT，我現在可能已經是億萬富翁了（笑）。

在那之前，最好的辦法就是：去和最頂尖的人一起工作。

那怎么做到呢？你就盡可能多地和公司聊，多面試、多交流。反過來“面試”面試你的人：

• 你之前做過什么？

• 你們團隊會認真做 code review 嗎？

• 你會不會在 PR 里指出我所有錯誤、告訴我哪里寫得不好？

后來我確實加入了幾家有非常優秀工程師的公司。我也刻意盡量以“合同工”的形式工作。因為我覺得：很多人職業生涯里最大的錯誤，就是在早期待在同一家公司太久。這是我看到的最嚴重、也最常見的問題。

主持人：聽起來，你在輟學一年左右、離開第一家公司之后，就一直在尋找你心目中“最強的團隊、最強的工程師”，去他們那里工作一段時間，學到東西之后，再尋找下一次機會和更合適的團隊？

Gabriel：差不多這樣。我那段時間幾乎只接合同崗位，就是為了讓自己“機動性”非常強，可以隨時換到更適合學習的環境。

• 你盡量去找最好的團隊；

• 盡量貼著這些最強的人一起工作；

• 在工作內容上保持自己的主見，不要只接沒人愿意做的雜活，因為那學不到東西；

• 對幫你做 code review 的人，表達非常多的感謝——那是最好的反饋來源。

你要主動去“追著反饋跑”。比如直接跟對方說： “我特別喜歡你給我的這些 review，你以后能不能幫我看所有 PR？” 對方往往會有點震驚：“哇，第一次有人說喜歡被挑毛病。”

主持人：是，很多人一工作，就覺得“我已經受完教育了，不想再被人挑錯”。但對你來說，你是一個沒學歷、沒背景的年輕人，幾乎一無所有。

Gabriel：對，我沒有任何光環，沒有文憑。對我來說，唯一的學習路徑，就是盡量加入最好的團隊，保持高度機動，多換環境，然后死磕反饋。

你甚至可以主動打電話給那個給你提了很多意見的工程師，說：你的代碼 review 非常好，我們能不能開個會，把每一條評論都過一遍？從這樣的對話里，你會學到大量第一性原理和工程直覺。要成為一個真正優秀的工程師是很難的，這個領域太寬了，需要掌握的底層規律和直覺非常多。你懂了之后，它們看著都很簡單，但在此之前，其實很難真正學會。

過去，這些東西你只能從資深工程師、老師身上學，現在有了 AI，你在任何公司、任何時間點，都可以按需獲得這種“輔導”。想象一下：凌晨四點，你還在寫代碼、做實驗、寫論文，你隨時都能把東西丟給 AI，讓它幫你審代碼、解釋原理、分析為什么這種設計更好。我現在就是這么干的。

我認為，當你發現一件事情在你身上“特別有效”，就應該把它發揮到極致。對我來說，就是盡可能多地提問。一天問它一百個問題也沒問題。

我瀏覽器里總是開著 ChatGPT，一邊寫代碼一邊隨手扔過去，讓它看一眼：這樣寫好嗎？這里會不會有 bug？有沒有更簡潔的寫法？有時候它會說看起來沒問題，有時候會指出一個 bug，或者告訴你可以用更簡單的方式實現。你就這樣不斷地學。

主持人：如果你每天都能圍繞真實問題提上幾十上百個高質量問題，你的成長速度會遠遠超過 99.9% 的人——而你“只是一個高中輟學生”。

Gabriel：當然，我還是覺得人類給的建議非常重要，尤其是在觀點和判斷層面。畢竟模型是吃全網數據長大的，里面有各種各樣的立場和偏見，有時候難免會有奇怪的看法。和真正厲害的人一起工作，依然非常有價值。只不過現在，你已經可以用 AI 獲得他們大概 95% 的知識增益。

7 沒學歷，怎樣敲開 OpenAI 這類頂級團隊的大門？

主持人：一方面，和最厲害的人共事，拿他們的反饋；另一方面，隨時隨地不斷追問 AI，對任何你想解決的問題、任何你想掌握的概念，建立起非常深入的理解。你一邊從這些資深工程師身上學習，一邊在不同公司做合同工，有 YC 公司，也有其他創業公司。那在你沒有學歷、沒有高中畢業證的前提下，你是怎么最后來到美國的？

Gabriel：這要從我加入的一家公司 Dataland 說起。我們做的是類似 Airtable，但性能更好、更偏開發者、也更容易擴展的那種“表格數據庫”。

對我來說，這是職業生涯里一個非常關鍵的選擇。在那里，我遇到了一位非常厲害的工程師，他既熱衷教人，又對“寫出干凈、正確的代碼”極度執著。

對我來說，這簡直是完美組合：我寫代碼，他在一個 PR 里能給我提上百條評論，隨時可以打電話問他“這段應該怎么寫得更好”。他會從第一性原理講起，解釋為什么要這樣設計、這樣抽象、這樣拆分，這種指導非常寶貴。那段時間我人在瑞典遠程工作，他在紐約。慢慢地，我就開始認真想：“我真的很想去美國。”

當時我們短暫啟動過一個偏“實習性質”的簽證方案，大家都覺得，以我這種背景，拿一些“高門檻簽證”不太現實，聽上去像是只有特別頂級學術成就的人才有機會。后來公司 pivot，我選擇離開，開始認真想下一步。我用短期停留身份來舊金山待了幾個月，到處和人聊天，看這里的人都在做什么、在哪些公司、讀什么書，一邊探索、一邊找機會。最后，我加入了 MidJourney。

加入 MidJourney 之后，我才真正覺得：“也許我真的可以試著申請高門檻簽證。”結果發現，路徑比我想象中靈活得多。比如，在我的材料里，就用到了我在 Stack Overflow 上的回答。

我表哥以前還吐槽過：“你老在 Stack Overflow 上回答問題，是不是在浪費時間？”我當時只說：“說不定以后會有用。”結果后來真的派上用場：

• 我的回答累積了幾百萬次瀏覽；

• 很多同行會去審查、糾正你的答案，不靠譜的內容會被踩、被刪；

• 如果有大量點贊，就說明你確實幫到了很多人。

這些都可以作為“你對這個領域有實質貢獻”的證據。類似的，GitHub、Stack Overflow 其實都是向世界證明你實力的很好載體，也可以成為你進入頂級公司、來到美國的重要籌碼。

主持人：MidJourney 是全球最知名、也是最強的 AI 圖像生成公司之一。你是怎么進去的？

Gabriel：這個過程其實很難“按步驟設計”。你很難下定一個目標，說“我要去那家公司”，然后按路線圖一路走到終點。你真正能做的，是在各個地方不斷給自己制造小概率的機會。

把自己做過的東西發出來，認認真真做幾個扎實的 demo，盡可能多去認識人、多參加活動，多跟人聊，然后請別人幫你引薦，而且最好是當場把這件事敲定。比如對方說可以介紹你給某個人，你就順勢說：那我們現在就發封郵件？這種做法能動性很高，會逼著事情真的發生。

同時，你要非常清楚地表達：你能為對方創造什么價值，讓別人意識到你不是一個完全空白的“nobody”。客觀說，我本身就是一個 nobody，只是來自瑞典小鎮的高中輟學生。但只要你手里有拿得出手的東西，比如我當時做過一個叫 FastGrid 的項目，一個高性能的 Web 表格組件。

只要遇到我覺得可能會有交集、或者將來能互相幫忙的人，我都會順手打開給他們看：這是我做的，你可以點一點試試。對方通常都會說一句：這也太酷了吧。

一旦他們意識到你確實有真本事，就會愿意把你介紹給他們那些在創業、在招人的朋友。因為如果你最后被對方錄用了，那個幫你引薦的人也能收獲一份“社交紅利”——別人會記得：這次招到的好人，是他介紹來的。

主持人：如果像你當年那樣，來自瑞典某個偏遠小鎮，是一個“完全沒有背景的 nobody”，要怎么向重要的人證明自己的價值？

Gabriel：我給的第一條建議是：做一個非常非常好的 Demo，而且要足夠簡單。

做一個好 demo 的難點，其實不在技術復雜度，而在于：

1. 3 秒鐘之內，讓別人看懂你做的是什么；

2. 3 秒鐘之內，讓別人看出你會寫代碼、而且寫得不差。

你可能有上百個競爭者，對方只會隨手點開你一個鏈接，你只有這一次機會。這個 demo 必須讓人一眼明白自己在看什么，以及你大概有多能打。

公司本質上只關心一件事：能不能賺錢。你只要讓他們快速意識到你會寫代碼，而且你能幫他們賺錢，他們就會認真看你。很多人說“公司只招有學歷的”，往往不是因為公司迷信文憑，而是壓根沒有人真正向他們證明過“我能把這份工作干好”，他們只好退而求其次，用學歷、名校、實習頭銜這些“代理信號”來判斷。

所以你會看到面試場上都是類似的介紹：我讀過某某名校，在某某公司實習，把流水線優化了 30%。HR 聽完很難判斷什么，只會按這些標簽往前篩。你爸媽和老師會告訴你這些東西很重要，但對真正拍板的人來說，這些只是在沒人拿出“硬證明”時的次優選擇。

對公司里不同角色來說，關注點也不一樣。CEO 只在乎你能不能幫公司掙錢；層級往下走，負責招聘的人和實際業務結果的聯系越來越弱，他們更在乎“不要背鍋”，于是就會傾向于說：“我招的是名校生，出了問題也不能怪我。”

所以我一般會建議兩件事：盡量不要只和不懂技術的招聘官周旋，因為他們只能看文憑和名頭；盡量直接去找真正做事的人，比如技術負責人、團隊 leader、創始人。很多人不知道，其實你完全可以直接去跟這些人聊，去技術活動現場，去找正在創業、在招人的人。

幾乎所有創業公司都渴望高能動性、肯自學的人。如果你真的很會用 ChatGPT，遇到一個創業者，你可以主動上去聊天，順手給一個實打實的技術建議，然后說：我很想試著和你們合作，要不要先試著一起做一周，就算免費也沒關系。

一旦你有機會實際展示自己的能力，后面的路就會好走得多。

我一般會用一種很輕松的方式開頭，比如說：一起試試會很好玩。我剛好有一些想法，可以和你們一起做，你這邊不需要任何承諾，也不用花太多時間，就當多拿一個“我是不是有用”的數據點。幾乎所有人都會答應，因為他們會想：我啥也不用投入，還能看看你值不值得長期合作，何樂而不為。

說實話，如果你是一個真的會動腦子的人，甚至都不需要“懂很多東西”，只要你足夠聰明、會用 ChatGPT，理論上你明天就能找到一份工作。

很多人擔心“這是不是很冒險，我還想上大學，我還想保留別的選擇”。其實完全可以無風險地做：你照樣申請大學、照樣去上課，只是在上學期間多花一些時間投簡歷、找項目而已。一旦你拿到第一份真正的工作，之后幾乎沒人再關心你的文憑。你已經有了實際戰績，相比之下，學位還能起多大作用？你在公司里解決的問題，遠比你在學校學完一門線性代數要難。

當然，我說的是那些真的想在事業上全力以赴的人。對很多人來說，上大學依然是很好的選擇。我也會跟不少朋友說：去上大學吧，那段時間會很開心，也能學到不少東西。大學教的東西并不是沒有價值，只是教學方式非常低效。

你會遇到很多很酷的人，但如果你來到舊金山，在公司上班、參加各種技術活動，遇到的人大概率會更有趣。大學能給你的東西，社會和行業同樣能給你，只是后者效率更高。

所以最后還是回到一個問題：你想過什么樣的人生。如果你是那種極度有野心的人，我會建議你盡快離開純粹的學校環境，盡快進入真實世界。當然你也可以走“安全模式”：先入學，把退路留好，一邊讀書一邊找工作。如果你真的這么在乎職業發展、這么想跑得更快，那這幾乎是顯而易見的選擇。對我來說，如果當年沒有人把我“拽出去”，我自己也會想辦法從高中退學。

8 大學更像是一種“成人托兒所”

Gabriel：有點爭議地說，我會把大學看成一種“成人托兒所”。

你有一大群需要為自己人生做決策的人，他們不想做決定。這時候系統對他們說：“沒關系，你可以先上大學。”尤其是在瑞典，你甚至不用付學費，還會拿到補貼。大家的心態就變成：“太好了，我可以拿著錢，把做決定這件事再往后推幾年。”

學校還會提供各種“你暫時不用決定未來職業”的專業，比如什么“工業經濟”“土木工程”之類的，你根本不用想清楚自己以后具體做什么，只要繼續在一個模糊的大方向里混五年就行。人們非常喜歡不斷推遲決策。

“我不想現在就選定我要干一輩子的事情。”雖然這不是真的，但感覺上就像在給人生蓋章。比如，一個人做了五年律師，哪怕他后來轉行做市場、收入更高、人也更開心，周圍人還是會問：“你就這么浪費了五年？”

這在我看來非常奇怪。他明明提高了自己的幸福感，甚至就算收入降了一點，只要他覺得更快樂，這都是好事。到頭來，人生的核心還是“自己開不開心”。

9 給不知道自己該干什么的 18 歲年輕人的建議

主持人：如果有人 18 歲，不管是在高中、在大學，還是剛大學畢業，他們完全不知道自己要做什么，你會對他說什么？

Gabriel：這種狀態太常見了。我遇到過很多這樣的人，我自己也經歷過。對我來說，大概從小學高年級就開始了。我當時只知道一件事：我想賺錢，我想做生意，我想“人生成功”，但我完全不知道那到底意味著什么。我甚至不知道什么是創業公司，只好上網搜索：How do I make money online（怎么在網上賺錢）？結果跳出來的基本都是各種問卷網站，我就開始點問卷，心想：“天哪，我居然真的在網上賺到錢了。”

問題在于，你完全不知道從哪里開始，也沒有人會教你從哪里開始。大家只會說：“去上大學吧，等八年、十年之后再開始做事。”

有些人會比較幸運，比如從玩 Minecraft 開始，自己搭服務器、賣服務，突然發現：“我靠，這居然能賺錢。”從那一刻起，你其實已經在運行業務了，也開始用對的視角思考問題：做點東西 → 有人愿意為之付費 → 繼續放大。這類人從此大概率會順利很多，因為他們已經不再是抽象地“想成功”，而是在實踐里碰到了正確的框架。

我現在會給年輕人的建議是：試著來一次“信仰之躍”，嘗試成為一名軟件工程師。尤其是在今天這個時代，有了 ChatGPT 和各種 demo 工具，這是一個非常不錯的切入點。你完全可以先從做游戲開始。

軟件工程有一個巨大的優勢，就是你能非常容易地展示自己的成果：做一個小游戲，給自己的故事寫一段介紹，講清楚你的能動性有多強、學習速度有多快，再截幾張圖，展示你是如何用 ChatGPT 自學、如何一步步把東西做出來的。

把這些東西整理好，一口氣發給五百個人。一定會有人說：“好，我愿意給你一次機會。你現在小時薪可能只有十美元，但你是一個值得押注的、還沒被發現的人才。”對公司來說，這也很劃算：你會在實戰中學到很多東西，會直接和真正干活的人一起工作；而對你自己來說，你越快進入一個“真實環境 + 真實問題 + 真金白銀與責任”交織在一起的世界，你的成長就越快，滾雪球就越早開始。從那之后，你基本就已經走上正軌了。

主持人：真正難的是那第一跳：從學校、從純粹的舒適區，跨到一個真實的工作場景或真實項目里去。

Gabriel：是的。剛才說過，一條經典路徑是學編程。另一條同樣典型的是做市場營銷。如果你想做 marketing，首先要想清楚的是：我要怎么“推銷我自己”。

如果讓我回到 16 歲，我可能會先給一堆公司發郵件，說自己可以幫他們做營銷——大概率沒人回。誰會回復一個完全隨機的高中生？

但如果你換一種做法：直接打開他們的網站，把現有內容截下來，做一個“免費的優化版本”，然后再發過去：“嗨，我剛幫你改了一版頁面 / 做了一張圖 / 重寫了一段文案。”對方看到的時候會想：“哦，這個人已經真的幫我做了點東西。”

說實話，大家對“什么算是有價值的工作”的門檻其實非常低。世界上有成噸的問題等著人來解決，你只要先替他們解決其中一個，就已經算是“錄用了一半”。接下來對方只需要順水推舟，說一句：“那我們先按小時給你一個合同工的機會試試。”你已經用實際成果證明自己能干，他們做決定就會輕松很多。

10 “用 AI 學 ML”一點也不丟人

主持人：我這里還有幾條你在 X 上發的、挺有爭議的推文，想讓你展開講講。其中一條是：

“跟我的教授 o1-preview 一起學機器學習：先定一個要做的東西。寫代碼。Debug，讓它跑起來。讓它解釋每一步、解釋背后的直覺。把主要直覺再用‘我 12 歲能聽懂’的方式講給我，并把所有細節都展開。如果反過來學，那會難到爆炸。”

Gabriel：對，當時我特別想把 ML 學到極致，所以就總結出這么一條“學習路徑”。

從一個具體問題開始，你可以直接問 ChatGPT：我應該做什么樣的項目？它會給你一個不錯的起點。然后讓它先把代碼全寫出來，你再去看、去改、去理解。等這份代碼你基本吃透了，再往下拆每一個模塊，去問：這一塊具體是怎么讓模型學到東西的？背后的數學直覺是什么？就這樣一層一層遞歸往下鉆。

當時我有一個非常強烈的感受：如果要我從數學那一端、從各種先修課開始，慢慢往上爬，難度會離譜地大，而且會極其耗時間。

主持人：是啊，傳統路徑基本都是這樣：想上某門高階課，得先修完一長串先修課。久而久之就會讓人產生一種錯覺，好像知識是一條無窮無盡的階梯，你必須把每一級都按部就班地爬完，才能往上一點點挪。我很喜歡你這種“去他的前置條件”的思路：我可以學任何東西，可以從頂層問題開始，一路遞歸往下，而不是被“我還只是大一，我不配碰這些知識”這種心理框架困住。

Gabriel：對我來說，這是對“知識”這件事的一個巨大心態轉變。

我在 X 上經常看起來像是在攻擊學術界，但我并不是在否定學術本身。很多了不起的事情、很多重要論文，確實都是從學術界出來的，這些工作非常了不起。

我反對的是另一件事：那種認為“基礎只能通過傳統路徑、從底層慢慢往上學”的觀點。很多人會極力捍衛這套敘事，甚至到了要跟你“拼命辯護”的程度，說你這樣學永遠不可能真正理解本質。

我會想，為什么這會讓人這么憤怒？在我看來，很大一部分原因在于：當一個人花了很多年時間，用一種低效的方式走完一套路徑，然后被告知“其實有更快的方法”，自尊會受到很大的沖擊。

他們可能花了十年，按傳統路線一路讀上來。然后突然冒出來一個高中輟學生，靠 ChatGPT 自學，把他們在做的工作也干了，這當然很難接受。

所以當我寫這些東西的時候，確實會刺痛一些人的感受，說實話，這里面是有一點“故意的”。因為正是這些被自尊裹著的舊觀念，在把后來者擋在門外。

一個 17 歲想學 ML 的人，去問那些按傳統路徑走出來的人，對方往往會說：你得先花很多年，你要上一堆課，你要去某所大學跟某位教授。問題在于，這并不是唯一的真相。你當然可以這么做，如果你真的覺得那樣很好玩，那完全沒問題。但我要說的是：還有更簡單、更直接的路徑。如果我們敢于戳破那層觀念，就會有更多人能走一條類似我這樣的路。

還有一條推文是：

“大學不再壟斷基礎知識。下面是我作為一個高中輟學生，如何用 ChatGPT 學會擴散模型主要直覺的方式。”里面寫的路線，其實就是我剛才講的這一套。

我最核心的觀點就是：大學不再擁有“基礎知識”的獨家權力。真正重要的是：你有沒有對自己的好奇心和學習負責的“能動性（agency）”。 如果你有，你幾乎可以學任何東西。

大學當然希望繼續壟斷你的學習路徑。想象一下：如果一個教授一輩子的職業，就是反復向人強調“上大學有多重要”，但突然有一天大家發現其實不那么必要了，你覺得他會怎么做？

他會用盡一切辦法維持原有秩序：如果最聰明的人都選擇自學，不去讀他的課，那大學里的“聰明學生密度”會下降；大學的地位和光環會被削弱； 他的個人身份認同也會動搖。所以他們會竭盡全力證明：“你還是需要我們。”

主持人：是啊，對于很多在體系里的人來說，這幾乎是在動他們的根基：“我花了 10 年讀書，背上了 40 萬美元的學貸，好不容易把論文熬完拿到博士。現在你告訴我，有個叫 Gabriel Petersson 的高中輟學生，用 ChatGPT、在沒有任何正式 ML 或數學訓練的情況下，做著傳統上只有博士才能做的工作？”

Gabriel：那條推文大概是這么寫的（笑）：

“我現在在做一份傳統上只有博士才能勝任的工作，但我沒有系統學過 ML 或數學，只是靠 ChatGPT 自學。我真不知道，還有什么更好的證據能證明 ChatGPT 已經達到了 PhD 級別。”當然，話雖這么說，我對教授和科研工作者本身是非常尊敬的。他們為世界做了很多了不起的貢獻，做了很多重要研究。

我反對的只是那套附著在舊體系上的觀念——比如說：“學擴散模型必須先從底層數學一步步往上爬。” 我會用一句很簡短的話來概括：“用自頂向下的方式學擴散模型，3 天就夠；用自底向上的方式，從大學開始一步步學，需要 6 年。”

如果按照傳統路徑，要學擴散模型，起碼得先上：

• 微積分 1、2；

• 線性代數；

• 初級機器學習課程……

你很可能要在體系里泡 6 年，才第一次在課堂上看到“擴散模型”這幾個字。問題是：你六年前根本不知道自己會不會喜歡擴散模型。

我認識太多人，選專業時只覺得：“AI 聽起來挺酷，我去上這門課吧。”結果他們直到讀了三年，才第一次真正接觸到“AI 具體在做什么”，這完全是反直覺的。

按理說，你應該先用三天時間：

• 直接從 ChatGPT 那里學完“擴散模型是什么”；

• 真正看一看這玩意兒的日常工作狀態是什么樣；

• 然后再決定要不要為了它去讀 3～6 年書。

就算你最后還是決定上大學，那也應該是一個信息充分的選擇——你已經知道自己要學的東西是什么、為什么有趣，而不是盲選一個聽起來很酷的 buzzword。

主持人：我特別喜歡看到有人在別人難以置信的時間框架內，完成別人覺得“不可能”的學習曲線。大部分人會說：“天啊，我花了那么久才摸到點邊。”而你就是一個活生生的反例——只要你真的相信自己能學很快，愿意不停地問問題、不停地往下鉆，你幾乎可以無限次復制這種“加速學習”的過程。你可以像你現在這樣，在世界頂尖的 AI 實驗室工作。

Gabriel：其實它簡單得可怕。

歸根到底只有一個核心事實：公司想要的，是能做出很酷東西的人。你要做的，就是證明你能做出很酷的東西。

把你以前聽過的求職建議全部丟掉，先從這個最簡單的真相開始，再往上加其他東西，就從這個事實出發。

主持人：這也正好對應你一條推文：

“公司只想賺錢。你要做的，就是證明你能幫他們賺錢。把你過去聽過的所有求職建議都丟掉，從這句簡單的話重新開始。”

Gabriel：我覺得，很多人給職業建議時，和現實是嚴重“錯位”的。

想象一下：一個人在大學里讀了 5 年，對自己的選擇挺滿意，覺得“我確實學到了不少東西”。這時有個年輕人跑來問他：我想有一份很好的職業，我該怎么走？

但如果這個人一生只走過一條路，而且身邊所有想做軟件工程的人也幾乎都是同一條路，于是他很自然會說：我真心建議你也去讀 5 年大學，走和我一樣的路。他是好意的，真心相信自己在幫你。

但問題在于，這種建議，在決策上幾乎沒有信息量。

• 他只體驗過一種路徑，從沒和其他路徑做過真正的對比；

• 即便他嘗試比較，他在心理上也很難承認“也許我浪費了時間”，所以會本能地維護自己走過的那套體系。

人的很多觀點，幾乎都和自己的利益和經歷綁在一起。因此，我通常會建議：把大多數“人生建議”都當作噪音處理。

我能從高中輟學，很大程度上就是因為我把這些建議當成噪音，沒有太當真。我從來不太指望別人替我想清楚路要怎么走。我知道大部分人都是好心的，也真心相信自己在幫你，但多數建議對你而言并沒有什么實際幫助，甚至有時候還是反向的信號。

比如你去問一個一路按部就班念完大學、從未認真思考過自己職業路徑的人，他自然會把那套“默認劇本”再講一遍給你聽。這不是惡意，只是信息含量接近于零。

主持人：那他們應該怎么判斷：誰的建議值得聽？誰可以當“導師”？

Gabriel：老實講，我真正會聽建議的人，少到可以用一只手數完。我表哥就是其中一個。我們思維方式非常接近，想要的東西也高度一致，而且他比我大很多。 他讀過大學，走過那條路； 他知道自己在哪些地方“走彎路了”； 他能明確告訴我：“你跟我想要的東西一模一樣，你走我這條路只是在浪費時間。”

對我來說，這是一個非常強的信號：“一個和我高度同頻、又比我走在前面的人，告訴我：他覺得自己當年有一段時間是浪費的。” 很多本來需要他花幾年踩坑才得出的結論，我可以直接拿來。我很多早期的選擇，都是高度參考他的經驗做出的。

11 別被“偽努力”困住：只有現實世界的項目，才算真正的進步

主持人：那對于那些 16、17 歲很有沖勁，但不知道怎么辦的人，你會怎么說？

Gabriel：我太理解那種狀態了。一邊刷著 YouTube 上各種“勵志視頻”，看完的時候熱血沸騰，心想：我看到了秘密，我被點燃了，從今天起我要一直有動力。結果第二天一醒來，完全想不起來自己昨天到底在激動什么。

這種視頻對有野心的人來說，其實是個陷阱：你在什么都沒做的時候，獲得了“好像做了點什么”的錯覺。

同樣的，還有對“好習慣”的過度迷戀。讀書當然很好，鍛煉很好，早起、冥想、時間管理也都很好。但如果你沒有在推進一件真正重要的事情，這些習慣就只是讓你“感覺很勤奮”的裝飾品而已，看上去很自律，實際上對你的人生路徑幾乎沒有影響。

真正重要的是：開始在現實世界里工作，解決真實的問題。世界上有成千上萬的創業公司，非常樂意有人來“免費幫忙”。你完全可以主動伸手，比如去 LinkedIn 上找創業者，尤其是那些還在隱身狀態的創業團隊，一口氣給他們發消息，說自己想試著和他們一起做點事，這個周末可以先免費干一干，哪怕從最簡單的活開始。

你的第一目標，就是盡快拿到第一段“真實世界經驗”：真實的公司、真實的同事、真實的需求和用戶、真實的錢。這些東西，才是真正會改變你人生軌跡的變量。

我在小學、初中、高中花了無數時間看書、練習各種好習慣、早起跑步，當時覺得自己特別自律、特別高效。但如果把那些努力和“現實中的產出”對照起來，結論其實挺殘酷的：如果這些努力不是用在一件真正往前推進的事情上，它們幾乎沒有任何長遠價值。

對我，以及很多和我類似的人來說，正確的關注點只有一個：盡可能快地拿到第一份真正的工作。這個過程很難，需要你付出大量行動，但你的視線應該始終牢牢鎖定在這一點上。

主持人：你還有一條很多人轉發的推文。你怎么理解它？

“世界上 70% 的人都處于一種長期的輕度痛苦狀態，因為只要存在‘什么都不做’這個選項，他們就會對任何需要心理上用力的決定過敏。”

Gabriel：我真心覺得，如果大家能理解這點并付諸行動，全世界的幸福感可以提升 20%。人一到需要“心理上很用力”的時刻，就非常容易做出糟糕的決定。更糟糕的是，大腦甚至不會告訴你“我現在是在逃避”。

舉個例子：你現在在一家公司里工作，你其實并不喜歡； 理智上你知道：外面可能有更適合你的機會、薪水更高、同事更強；但要換工作，你需要：投簡歷、準備面試題，很痛苦； 參加面試，被拒絕的風險很難受； 拿到 offer 后還要談薪資，也是心理壓力； 最難的是：你要和現任老板說“我要離職”。 這些對絕大多數人來說都極其不舒服。

于是，在你還沒認真想清楚之前，大腦就先幫你把這條路屏蔽掉了，它會自動生成一套說辭，“其實我現在這份工作還行。” “我現在學到的東西已經很多了。” “這可能已經是我能得到的最好情況了。” 哪怕你是一個非常有野心的人，你的大腦還是會不停說服你：“我現在應該已經處在一個對自己很有利的位置了。”

哪怕這只是你人生中的第一份、信息極度不充分的工作，你依然會自我催眠：“我在這里學得最多。”

但真實情況往往不是這樣。

真正重要的是：

能不能對自己誠實，真的去審視：“我現在拿到的是不是我可能拿到的最好組合？”“我是不是只是因為‘換一個選擇太痛’才不動？”

很多人只想要一個體面的工資、好同事、還不錯的生活方式，這完全沒問題。但要做到這點，很可能你需要做一些非常不舒服的決定——比如離職、搬城市、跨國。

我有一個瑞典朋友，他在當地拿的算是“不錯的工資”，比平均水平高 50%。在瑞典那已經算“生活不錯”了。我反復跟他說：“你為什么不來舊金山試試？你可以把收入提升 10 倍，同時跟更強的人一起，做全世界在用的產品。”

他每次都有各種理由搪塞：簽證麻煩、怕換環境、不確定能不能適應等等。哪怕他非常信任我這個朋友，他的大腦還是在替他回避“這件事值得認真考慮”的事實。最后我受不了了，直接把他拉去和一家公司的創始人見面，讓他們開始面試流程。

一旦進了面試，這件事就“有了動量”：公司會主動拉他往前走； 面試流程會推進； 最后 offer 會放在桌上，他只需要做“簽字 or 不簽”這一個決定。 最終的結果是：他直接把收入提高了 10 倍。 而這件事，我最早大概在一年前就開始勸他。如果你把那一年的“損失”算成錢，那幾乎就是一整套瑞典的房子的價格。他失去了一套房子，只因為沒有邁出那一步。就是“沒有去投舊金山的簡歷”這么一件簡單的事。

12 收尾：給“過去的自己”的一封信

主持人：和你聊天太開心了。你的很多觀點看起來“很犀利”，但背后其實是非常誠實、也非常有用的觀察。你從高中起就幾乎一直在“自己思考”，這一路走到現在，把這些經驗提煉出來再分享給別人，本身就是很不容易的事情。

Gabriel：我也很開心能聊這些。我一直在想，如果幾年前有人把我現在說的這些話講給當時的我聽，我可能能早四年來到現在的位置。當然，那是從我的視角出發——每個人的欲望、目標都不一樣。如果有些人聽了之后覺得：“這說的不就是我嗎？我也想這樣做。” 那對他們來說，這些東西可能就會變得極其有價值。

主持人：對我來說，這期節目本質上就是你在對“過去的自己”說話。你出生在瑞典一個“什么都沒有”的小地方； 高中輟學； 沒有傳統意義上的好學歷；靠著互聯網、靠著自己的好奇心和行動能力， 走到了全球最頂尖的 AI 公司之一，做著原本“默認只屬于博士”的工作。而那些“起點很低”“家在世界另一頭”的人，只要有網、有 ChatGPT，其實都能復制同一條路徑。我希望這期節目，能成為很多人的一個分水嶺：聽完之后，他們的人生軌跡，真的會朝更好的方向偏轉一點。

Gabriel：我也希望如此，那會非常酷。我還想補充最后一點，也是我在瑞典時最大的心理障礙之一：“我覺得自己不夠聰明。”

我小時候經常覺得自己是個傻子，當然不是真的“完全沒智商”，我知道自己在數學上比同齡人好很多，但當你看到那些在造火箭、在做巨大項目的人時，會有一種非常強烈的落差感： “我怎么可能做到他們做的那些事？我跟他們之間一定有一道不可逾越的鴻溝。”

實際上，我們大多數人都嚴重低估了自己能做到的事情。我可以很大膽地說：只要你現在在聽這種內容，你很可能已經在“人群前 1%”了。

絕大部分人，是不會主動花一個小時，認真聽一段討論“怎么改變自己人生路徑”的訪談的。但你在聽。這本身就是極強的“能動性”信號。

而那“前 1%”，恰好也是未來最有可能：

• 在全球前 200 家公司的創始團隊里，

• 或者在最前沿的實驗室、研究組里，

• 或者在真正推動行業前進的那批人里。

你只需要沿著這條路，繼續往前走。你可以來到舊金山，在頂尖公司工作；也可以自己創辦一家頂尖公司。世界上還有太多事情等著被做。

主持人：太棒了。Gabriel，非常感謝你今天的時間。

Gabriel：也謝謝邀請我來聊天。

主持人：老實說，我覺得你是這個世界上，最會用 AI 學習的人之一，更多人應該知道你是怎么做到的。

Gabriel：我還在努力。也希望未來會有比我更厲害很多的人，然后我可以反過來向他們學習。

https://www.youtube.com/watch?v=vq5WhoPCWQ8

聲明：本文為 InfoQ 整理，不代表平臺觀點，未經許可禁止轉載。

InfoQ 2025年終榜單以“洞察 AI 變革，見證智能未來”為主題，我們誠邀各企業和團隊分享自己在 AI 領域的最新成果和杰出項目。無論是在AI基礎設施的搭建，工程與部署的創新，還是智能體生產力的提升與行業應用的拓展，我們期待與您共同展現AI技術與產業結合的無限可能。如有興趣，歡迎掃描下方二維碼積極提報！