AI顛覆K12教育？一個高中輟學生到OpenAI研究科學家的特例

人工智能語言大模型普及使用的今天，如何利用AI學習新的知識或技能，是每個人都要面對的問題。

有的人可能會不假思索地接受AI給出的答案，無論是分析問題還是解決問題，“Ctrl+C”緊跟著“Ctrl+V”仿佛成了習慣；也有的人充分利用了AI的知識庫，完成了自身的“蛻變”。

今天講述一個傳奇的特例：一位來自瑞典的輟學高中生加布里埃爾·彼德松（Gabriel Petersson），通過自創(chuàng)的AI遞歸學習法和項目驅(qū)動的學習模式，成為了OpenAI Sora團隊的研究科學家，負責視頻生成研究。

彼德松的經(jīng)歷堪稱神奇。

高中輟學，沒有學歷，沒有名師，更沒有背景。這個截至2025年底僅23歲的瑞典人，現(xiàn)任OpenAI研究科學家。在博士云集的AI研究領(lǐng)域，顯然是一個異類。

2016年，14歲的彼德松想構(gòu)建一個價格對比網(wǎng)站，他的做法是打開YouTube搜怎么做網(wǎng)頁——邊學邊做出了一個小工具，利用這個工具倒賣寶可夢卡賺到人生的第一桶金，超過2萬美元。

2019年，17歲彼德松從高中輟學，加入表兄在斯德哥爾摩創(chuàng)辦的AI初創(chuàng)公司Depict.ai（YC孵化器支持），負責構(gòu)建電商產(chǎn)品推薦系統(tǒng)，一邊做一邊學習編程、銷售和系統(tǒng)集成。

疫情期間，18歲的他用爬蟲工具和前端搭建了一個手消毒劑價格比較網(wǎng)站，首周收入2.2萬美元。

幾個月后，他進入瑞典最大的云廚房Curb Food擔任臨時CTO,組建了一個7人團隊開發(fā)廚房管理系統(tǒng)。項目上線后，他選擇離開，加入Dataland擔任創(chuàng)始工程師（前端基礎(chǔ)設(shè)施）。

22歲時，彼德松加入AI藝術(shù)生成公司Midjourney擔任軟件工程師，負責從網(wǎng)絡(luò)到數(shù)據(jù)庫的全鏈路開發(fā)。他編寫的圖像處理網(wǎng)絡(luò)被稱為“世界上性能最強”，能平滑渲染數(shù)千張高分辨率圖片。

2024年12月，彼德松加入OpenAI Sora團隊，成為研究科學家，參與視頻生成模型開發(fā)。

2025年9月，作為Sora2.0版本的核心貢獻者之一被正式署名。在他接受了NBC News、PCMag、Business Insider等媒體采訪后，其堪稱的傳奇經(jīng)歷被曝光。

Gabriel最令人稱道的是，他完全通過ChatGPT自學數(shù)學和機器學習，其方法被稱為“用AI學AI”。

老頭觀點：Gabriel是一個天才，他的成功僅僅只是一個特例，多數(shù)人可能無法模仿。但是，他所采用的從任務(wù)出發(fā)的遞歸學習法值得每一個人參考。

根據(jù)網(wǎng)絡(luò)資料，結(jié)合自己的認識，簡單介紹這種學習方法——逐步深入的遞歸式追問學習法。——方法的核心，類似于蘇格拉底式提問法。

以一個可執(zhí)行的軟件項目為例。

給AI提出一個具體的軟件項目要求，讓AI生成代碼。

通常，多數(shù)人在生成代碼后的做法是，如果代碼能夠跑通就直接使用，如果跑不通就會讓AI進行修改，直到跑通為止。

而Gabriel則不同。

如果代碼存在bug，他會讓AI進行修改，并分析bug形成的原因。如果AI的分析他沒有看懂，則會繼續(xù)追問，直到自己完全懂得為止。

即使代碼沒有bug，他也會仔細閱讀每一行代碼，如果代碼中有他看不懂的地方，他會要求AI對代碼及參數(shù)進行詳細解釋，直至弄懂為止。

例如：

“這段代碼為什么報錯？”

“這個參數(shù)的具體作用是什么？請用12歲孩子能懂的方式解釋。”

就這樣，通過不斷地追問，把整個代碼吃透。

最終，他不僅學會了編代碼，對軟件項目整體也有了深刻理解。

再比如他學習擴散模型時，不是先讀論文，更不是從頭開始學，而是問ChatGPT：“如果我想做一個小型視頻生成模型，第一步該搞懂什么？”

AI的回答中，對于看不懂每一句話、每一個概念繼續(xù)追問，比如：“這句我還是不懂，你能假設(shè)我只有12歲再解釋一遍嗎？”

直至追問到最底層的知識，比如：“背后的數(shù)學直覺是什么？能畫個圖嗎？能用高中生能夠理解的語言解釋嗎？”

整個追問過程，嚴格遵循遞歸規(guī)則：徹底解決一個知識點后，才返回上一層追問下一個知識點，確保自己通盤掌握整個知識鏈條。

重點1：為了防止AI幻覺進行交叉驗證

在學習的過程，使用多AI工具驗證同一概念，防止單一AI的“幻覺”誤導(dǎo)。

其具體做法是，對關(guān)鍵概念，分別詢問ChatGPT、Claude等不同模型，對比答案差異，并持續(xù)追問，以保證知識的準確性——把AI當作一個“有耐心的導(dǎo)師”而不是一個只給出“權(quán)威答案”的機器，始終保持批判性思維。

重點2：記錄追問過程，并總結(jié)成自己的知識框架

在與AI的問答過程中進行記錄，特別是把自己的思考和領(lǐng)悟重點記錄下來，最終形成個人知識庫。

小結(jié)

Gabriel遞歸式學習法的核心能力：提問質(zhì)量而非答案數(shù)量，這一點決定了學習效果。——學會提問

常見的錯誤用法：把AI當外包工具直接索要答案，或?qū)е隆八伎纪獍焙团行运季S萎縮。——囫圇吞棗式直接接受答案

正確用法：把AI當作一個可以“無限追問的導(dǎo)師”，通過追問實現(xiàn)“知識的逐步深入學習”。——持續(xù)追問直到知識貫通

適用場境：當缺乏系統(tǒng)化學習資源時，可通過AI工具構(gòu)建個性化學習路徑。——不怕不懂就怕不問

個人要求：在使用這種學習法時，對于個人也有要求。比如，需熟練掌握AI提問技巧，否則可能陷入無效追問；具備知識系統(tǒng)整合的能力，否則可能導(dǎo)致知識零散；有強烈的未知欲和不怕聽不懂的勇氣，否則可能會難度高而放棄……

總的來說，遞歸學習法適合目標驅(qū)動、自我激勵強的學習者，用于快速掌握實用技能、攻克具體項目或探索新領(lǐng)域，可能不適于需要建立嚴謹?shù)摹⑾到y(tǒng)性知識體系的基礎(chǔ)學科學習。

Gabriel的成功不可復(fù)制，但是把“免費知識”轉(zhuǎn)化為“自身能力”，或許是AI時代每個人都需要正視的現(xiàn)實問題。