17岁辍学，5年进OpenAI：用ChatGPT学会博士级AI
拆解Gabriel的"自顶向下学习法"，提供可复制的学习框架
2024年12月，OpenAI的Sora团队来了个新人。
22岁。瑞典人。高中辍学， 没有学位。
职位是Research Scientist（研究科学家）——这个职位传统上只有博士才能做。
他叫Gabriel Petersson。
两周前（2025年11月28日），他在Extraordinary播客上公开分享了自己的故事。我听完之后，第一反应是：这不可能。
17岁辍学，22岁进OpenAI做研究。
中间只有5年。
没有大学。没有导师。没有实验室。
他是怎么做到的？
答案很简单，也很疯狂：他用ChatGPT，把自己从零基础训练成了博士级AI工程师。
今天我想深入拆解他的学习方法。不是励志鸡汤，而是可复制的框架。
一、传统学习路径：为什么需要10年？
先说传统路径。
如果你想成为OpenAI Sora团队的研究科学家，正常路径是什么？
标准路径：
- 4年本科（计算机/数学/物理）
- 2年硕士（机器学习方向）
- 3-5年博士（视频生成/扩散模型研究）
- 可能还需要1-2年博后
加起来至少10年。
这10年在干什么？
第一阶段：打基础（4-6年）
你要学高等数学、线性代数、概率论、数据结构、算法、计算机体系结构...
这些是基础。
你不懂这些，就看不懂论文，写不了代码 ，跑不了模型。
所以你得先学。
第二阶段：专业化（2-3年）
基础打好了，开始学专业课。
机器学习、深度学习、计算机视觉、自然语言处理...
每门课都有一堆公式、算法、论文。
你得一个个啃下来。
第三阶段：做研究（3-5年）
前面7-8年学的都是别人的成果。
现在你要做自己的研究了。
选方向、读论文、跑实验、写论文...
运气好的话，3年毕业。运气不好，5年也正常。
为什么这么慢？
因为传统教育是**自底向上（Bottom-Up）**的。
先学微积分，再学线性代数，再学概率论...
先打地基，再建框架，最后盖楼。
逻辑很严密。但问题是：
你学了3年微积分，可能还不知道它能干嘛。
你学了5年编程，可能还没做出一个真正能用的产品。
知识和应用，脱节太久了。
很多人学到一半，就放弃了。因为看不到意义。
二、Gabriel的路径：自顶向下，5 年够了
Gabriel走的是完全相反的路。
他不是先学理论，而是先做东西。
2019年。17岁。辍学。
加入Depict.ai（YC孵化的创业公司），创始团队成员。
第一个任务：做产品推荐系统。
他完全不懂机器学习，甚至不太会写代码。
但他必须做出来。因为这是工作。
怎么办？
Step 1: 从问题开始
Gabriel没有去翻《机器学习导论》。
他直接问ChatGPT："我该做什么项目？"
ChatGPT告诉他：你可以做个产品推荐系统。
然后他又问："怎么做？"
ChatGPT给了他一个初始代码框架。
Step 2: 让AI生成代码
Gabriel没有完全理解这些代码。
但他先跑起来再说。
代码有bug？没关系，问ChatGPT怎么修。
缺少某个库？问ChatGPT怎么装。
不懂某个函数？问ChatGPT是什么意思。
他没把自己当学生。他是在解决实际工作问题。
Step 3: 逐行研究代码
项目跑通了，但Gabriel没有停。
他开始逐行研究代码。
这个函数是干嘛的？为什么要这么写？背后的原理是什么？
不懂的地方，继续问ChatGPT。
遇到数学公式，让ChatGPT解释。
遇到ML概念，让ChatGPT讲清楚。
Step 4: 递归地向下钻取
Gabriel用了一个很形象的说法：
"你从问题开始，递归地向下钻取。"
什么意思？
你不是从理论开始往上堆。而是从实际问题往下挖。
遇到不懂的，就往下挖一层。再遇到不懂的，再往下挖一层。
直到你真正理解了。
案例：如何学习扩散模型
Gabriel后来加入Midjourney，开始接触图像生成。
他想学扩散模型（Diffusion Model）——这是DALL-E、Stable Diffusion、Sora的核心技术。
传统路径是什么？
- 先学概率论、统计学
- 再学贝叶斯推断
- 再学生成模型理论
- 再学扩散模型论文
- 最后才动手写代码
可能需要1-2年。
Gabriel怎么做？
- 找到扩散模型的开源代码（比如Stable Diffusion）
- 逐行阅读代码
- 遇到不懂的数学符号，问ChatGPT
- 遇到不懂的算法，问ChatGPT
- 边改代码边理解原理
- 在实际项目中应用和改进
可能需要几周到几个月。
关键区别是什么？
传统路径：理论→理论→理论→实践
Gabriel路径：实践→理论→实践→理论
知识和应用，随时在验证。
三、为什么这种方法现在可行？
Gabriel不是第一个想这么学的人。
很多人都试过"边做边学"。
但为什么现在才有Gabriel这样的案例？
因为有三个关键变化。
变化1：ChatGPT成为了真正的导师
2022年11月之前，你想自学AI，只能靠搜索引擎（找到答案要翻10页）、Stack Overflow（问题太具体没人回答）、论文（看不懂没人解释）。
2022年11月之后，情况变了。
ChatGPT出来了。它能解释任何概念，从最基础到最前沿。能生成代码，并且解释每一行在干嘛。能调试错误，告诉你哪里错了为什么错。你缺什么数学背景，它就教什么。
Gabriel的原话：
"Universities don't have, like, a monopoly on foundational knowledge anymore. You can just get any foundational knowledge from ChatGPT."
大学不再垄断基础知识。 你可以从ChatGPT获得任何基础知识。
这句话听起来很狂。但确实如此。
我自己用Claude Code做开发时，也有这种感受。很多时候，我甚至觉得Claude比大学老师讲得还清楚。
不是说大学老师不行。而是AI有几个独特优势：
根据你的水平调整解释深度。你是小白，它就讲得简单点。你是进阶，它就讲得深入点。
无限耐心地回答你的重复问题。同一个问题问10遍，它也不会烦。
24/7随时可用。凌晨3点卡住了，也能问。
变化2：创业门槛降到史上最低
Sam Altman（OpenAI CEO，自己也是斯坦福辍学生）在2025年10月说：
"I'm envious of the current generation of 20-year-old dropouts. The amount of stuff you can build, the opportunity in this space is so incredibly wide."
我嫉妒现在这一代20岁的辍学生。你能构建的东西数量、这个领域的机会是如此之广。
为什么？
AI降低了创新门槛。
以前做个推荐系统，你需要招一个ML工程师、买一堆服务器、训练模型、部署上线。
现在呢？直接用现成的API就行。OpenAI、Anthropic、阿里云百炼...都有。
甚至可以让ChatGPT帮你写代码、部署、测试。全程都能辅助。
小团队，甚至个人，都能做出以前大公司才能做的东西。
这就是Gabriel的机会。
他17岁加入Depict.ai时，整个团队都是17-18岁的辍学生。
但他们做出来了。因为工具够强大。
变化3：公司更看重能力，而不是学历
Gabriel说：
"公司现在更看重结果和生产能力，而不是正式资格。最重要的是解决问题和创造价值。"
这不是他一个人的观点。
Y Combinator的数据：
- 两年前，YC孵化的创业公司中，只有10%是学生或应届毕业生
- 2025年，这个比例涨到了30%
Andreessen Horowitz（硅谷顶级VC）直接说：
"这是十年来大学辍学生创业的最佳时机。"
为什么？
因为AI让"学位"和"能力"脱钩了。
以前，学位是能力的证明。你没学位，公司怎么知道你行不行？
现在，GitHub是能力的证明。你做过什么项目、贡献过什么开源代码，一看就知道。
Gabriel进OpenAI，不是因为他有学位。
而是因为他做出了东西。
在Midjourney做了世界上最高性能的Web图像网格。在Dataland做了最高性能的Web表格。
代码和产品，就是最好的简历。
四、这种方法适合谁、不适合谁？
看到这里，你可能会想：我也可以这样学吗？
答案是：不一定。
Gabriel的方法不是万能的。它有适用场景。
✅ 适合的场景
1. 快速迭代的工程领域
软件开发、AI工程、产品设计...
这些领域的特点是：
- 错了可以立即调整（不会有生命危险）
- 有明确的反馈（代码要么跑通，要么报错）
- 开源资源丰富（GitHub上一堆代码可以学）
2. 目标明确的技能学习
你知道自己要做什么（比如做个推荐系统、搞个视频生成工具）。
不是为了学习而学习。是为了做出来。
3. 有极强执行力的人
Gabriel17岁辍学，加入创业公司。
工作压力巨大，必须快速出成果。
这种压力，反而成了学习的驱动力。
如果你没有外部压力，很可能三天打鱼两天晒网。
❌ 不适合的场景
1. 需要系统性基础的领域
理论物理、纯数学、基础科学研究...
这些领域的特点是：
- 错误理解会导致严重后果
- 需要长期积累和深度思考
- ChatGPT的知识可能不够前沿
2. 需要严格认证的专业
医学、法律、建筑...
这些领域不是你会做就行，还要有执照、认证。
你不能用ChatGPT学了3个月，就去给人看病。
3. 缺乏自驱力的人
如果你需要老师监督、同学陪伴、考试督促，传统教育可能更适合你。
自学需要极强的自律和执 行力。
Gabriel成功的其他因素
说实话，Gabriel的成功不只是因为ChatGPT。
还有很多其他因素。
运气和时机。2019年辍学，正好赶上AI创业浪潮。如果早10年，可能没这个机会。
环境和资源。硅谷/旧金山的创业环境，YC生态系统的支持，接触到顶尖团队和项目。这些都是加分项。
个人特质。极强的执行力（17岁就敢辍学），愿意承担风险，能在高压环境下快速成长。
这些都是ChatGPT教不了的。
五、给你的3个行动建议
如果你想借鉴Gabriel的方法，该怎么开始？
建议1：选一个"略高于当前能力"的项目
不要选太简单的（学不到东西）。
也不要选太难的（做不出来会放弃）。
标准是什么？你大概知道怎么做，但需要学一些新东西才能做出来。
举几个例子：
会Python？试着做个Web爬虫。
会前端？接入OpenAI API做个聊天 界面。
会数据分析？用机器学习做个预测模型。
关键是有具体的产出目标。不是学习XX技术，而是做出XX东西。
建议2：用ChatGPT/Claude，但别完全依赖
ChatGPT能帮你生成初始代码、解释不懂的概念、调试错误、补充背景知识。
但你自己要做三件事：
第一，逐行理解代码。别直接复制粘贴。
第二，验证AI的回答。AI也会犯错。
第三，深入底层原理。知道为什么，不只是怎么做。
我自己用Claude Code写代码时，有个习惯：
AI生成代码后，我会逐行阅读，理解每一行在干嘛。遇到不懂的，追问到底。
这个过程，就是学习。
建议3：做出来，放到GitHub上
不要只是"学会了"。
要有实际产出。
做个小项目，放到GitHub上。
即使很简陋，也是你的作品。
为什么？
一是强制你做完。不是学一半就放弃。
二是可以获得反馈。别人的评论、Issues、PRs，都是学习机会。
三是成为你的简历。比学历更有说服力。
Gabriel进OpenAI，不是因为他有学位。
而是因为他在Midjourney、Dataland做出了世界级的产品。
代码和产品，就是最好的证明。
六、学位的价值正在改变
写到这里，我想说清楚一件事：
Gabriel的故事不是在鼓励你辍学。
辍学是极端选择，风险巨大。
Gabriel成功了，但可能有一万个辍学生失败了。
这篇文章想说的是：
学习方式正在改变。
以前，学位是知识的唯一通道。
现在，AI让自学成为可能。
以前，学位是能力的唯一证明。
现在，作品和代码也能证明你的能力。
学位不是没用，而是不再唯一。
如果你在读大学，不用焦虑。
大学提供的不只是知识。还有系统化的训练、人脉和资源、相对安全的试错环境。这些都很valuable。
如果你已经工作，想转型AI，也不用回去读学位。
你可以用Gabriel的方法。选个项目，边做边学，用ChatGPT补充知识，做出作品证明自己。
关键不是学位，而是持续学习的能力。
AI时代，技术更新太快了。
你今天学的，可能明年就过时。
比学历更重要的，是你能不能快速学会新东西。
Gabriel17岁学会了推荐系统。18岁学会了数据可视化。20岁学会了图像生成。22岁学会了视频生成。
他不是天才。
只是找到了高效学习的方法。
这个方法，你也可以用。
如果你想了解更多Gabriel的故事，可以听他在Extraordinary播客上的分享（2025年11月28日）。
如果你对AI学习有自己的经验，欢迎在评论区分享。