17歲輟學，5年進OpenAI：用ChatGPT學會博士級AI
拆解Gabriel的"自頂向下學習法"，提供可複製的學習框架
2024年12月，OpenAI的Sora團隊來了個新人。
22歲。瑞典人。高中輟學，沒有學位。
職位是Research Scientist（研究科學家）——這個職位傳統上只有博士才能做。
他叫Gabriel Petersson。
兩週前（2025年11月28日），他在Extraordinary播客上公開分享了自己的故事。我聽完之後，第一反應是：這不可能。
17歲輟學，22歲進OpenAI做研究。
中間只有5年。
沒有大學。沒有導師。沒有實驗室。
他是怎麼做到的？
答案很簡單，也很瘋狂：他用ChatGPT，把自己從零基礎訓練成了博士級AI工程師。
今天我想深入拆解他的學習方法。不是勵志雞湯，而是可複製的框架。
一、傳統學習路徑：為什麼需要10年？
先說傳統路徑。
如果你想成為OpenAI Sora團隊的研究科學家，正常路徑是什麼？
標準路徑：
- 4年本科（計算機/數學/物理）
- 2年碩士（機器學習方向）
- 3-5年博士（影片生成/擴散模型研究）
- 可能還需要1-2年博後
加起來至少10年。
這10年在幹什麼？
第一階段：打基礎（4-6年）
你要學高等數學、線性代數、機率論、資料結構、演算法、計算機體系結構...
這些是基礎。
你不懂這些，就看不懂論文，寫不了程式碼，跑不了模型。
所以你得先學。
第二階段：專業化（2-3年）
基礎打好了，開始學專業課。
機器學習、深度學習、計算機視覺、自然語言處理...
每門課都有一堆公式、演算法、論文。
你得一個個啃下來。
第三階段：做研究（3-5年）
前面7-8年學的都是別人的成果。
現在你要做自己的研究了。
選方向、讀論文、跑實驗、寫論文...
運氣好的話，3年畢業。運氣不好，5年也正常。
為什麼這麼慢？
因為傳統教育是**自底向上（Bottom-Up）**的。
先學微積分，再學線性代數，再學機率論...
先打地基，再建框架，最後蓋樓。
邏輯很嚴密。但問題是：
你學了3年微積分，可能還不知道它能幹嘛。
你學了5年程式設計，可能還沒做出一個真正能用的產品。
知識和應用，脫節太久了。
很多 人學到一半，就放棄了。因為看不到意義。
二、Gabriel的路徑：自頂向下，5年夠了
Gabriel走的是完全相反的路。
他不是先學理論，而是先做東西。
2019年。17歲。輟學。
加入Depict.ai（YC孵化的創業公司），創始團隊成員。
第一個任務：做產品推薦系統。
他完全不懂機器學習，甚至不太會寫程式碼。
但他必須做出來。因為這是工作。
怎麼辦？
Step 1: 從問題開始
Gabriel沒有去翻《機器學習導論》。
他直接問ChatGPT："我該做什麼專案？"
ChatGPT告訴他：你可以做個產品推薦系統。
然後他又問："怎麼做？"
ChatGPT給了他一個初始程式碼框架。
Step 2: 讓AI生成程式碼
Gabriel沒有完全理解這些程式碼。
但他先跑起來再說。
程式碼有bug？沒關係，問ChatGPT怎麼修。
缺少某個庫？問ChatGPT怎麼裝。
不懂某個函式？問ChatGPT是什麼意思。
他沒把自己當學生。他是在解決實 際工作問題。
Step 3: 逐行研究程式碼
專案跑通了，但Gabriel沒有停。
他開始逐行研究程式碼。
這個函式是幹嘛的？為什麼要這麼寫？背後的原理是什麼？
不懂的地方，繼續問ChatGPT。
遇到數學公式，讓ChatGPT解釋。
遇到ML概念，讓ChatGPT講清楚。
Step 4: 遞迴地向下鑽取
Gabriel用了一個很形象的說法：
"你從問題開始，遞迴地向下鑽取。"
什麼意思？
你不是從理論開始往上堆。而是從實際問題往下挖。
遇到不懂的，就往下挖一層。再遇到不懂的，再往下挖一層。
直到你真正理解了。
案例：如何學習擴散模型
Gabriel後來加入Midjourney，開始接觸影象生成。
他想學擴散模型（Diffusion Model）——這是DALL-E、Stable Diffusion、Sora的核心技術。
傳統路徑是什麼？
- 先學機率論、統計學
- 再學貝葉斯推斷
- 再學生成模型理論
- 再學擴散模型論文
- 最後才動手寫程式碼
可能需 要1-2年。
Gabriel怎麼做？
- 找到擴散模型的開原始碼（比如Stable Diffusion）
- 逐行閱讀程式碼
- 遇到不懂的數學符號，問ChatGPT
- 遇到不懂的演算法，問ChatGPT
- 邊改程式碼邊理解原理
- 在實際專案中應用和改進
可能需要幾周到幾個月。
關鍵區別是什麼？
傳統路徑：理論→理論→理論→實踐
Gabriel路徑：實踐→理論→實踐→理論
知識和應用，隨時在驗證。
三、為什麼這種方法現在可行？
Gabriel不是第一個想這麼學的人。
很多人都試過"邊做邊學"。
但為什麼現在才有Gabriel這樣的案例？
因為有三個關鍵變化。
變化1：ChatGPT成為了真正的導師
2022年11月之前，你想自學AI，只能靠搜尋引擎（找到答案要翻10頁）、Stack Overflow（問題太具體沒人回答）、論文（看不懂沒人解釋）。
2022年11月之後，情況變了。
ChatGPT出來了。它能解釋任何概念，從最基礎到最前沿。能生成程式碼，並且解釋每一行在幹嘛。能除錯錯誤，告訴你哪裡錯了為什麼錯。你缺什麼數學 背景，它就教什麼。
Gabriel的原話：
"Universities don't have, like, a monopoly on foundational knowledge anymore. You can just get any foundational knowledge from ChatGPT."
大學不再壟斷基礎知識。你可以從ChatGPT獲得任何基礎知識。
這句話聽起來很狂。但確實如此。
我自己用Claude Code做開發時，也有這種感受。很多時候，我甚至覺得Claude比大學老師講得還清楚。
不是說大學老師不行。而是AI有幾個獨特優勢：
根據你的水平調整解釋深度。你是小白，它就講得簡單點。你是進階，它就講得深入點。
無限耐心地回答你的重複問題。同一個問題問10遍，它也不會煩。
24/7隨時可用。凌晨3點卡住了，也能問。
變化2：創業門檻降到史上最低
Sam Altman（OpenAI CEO，自己也是斯坦福輟學生）在2025年10月說：
"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."
我嫉妒現在這一代20歲的輟學生。你能構建的東西數量、這個領域的機會是如此之廣。
為什麼？
AI降低了創新門檻。
以前做個推薦系統，你需要招一個ML工程師、買一堆伺服器、訓練模型、部署上線。
現在呢？直接用現成的API就行。OpenAI、Anthropic、阿里雲百鍊...都有。
甚至可以讓ChatGPT幫你寫程式碼、部署、測試。全程都能輔助。
小團隊，甚至 個人，都能做出以前大公司才能做的東西。
這就是Gabriel的機會。
他17歲加入Depict.ai時，整個團隊都是17-18歲的輟學生。
但他們做出來了。因為工具夠強大。
變化3：公司更看重能力，而不是學歷
Gabriel說：
"公司現在更看重結果和生產能力，而不是正式資格。最重要的是解決問題和創造價值。"
這不是他一個人的觀點。
Y Combinator的資料：
- 兩年前，YC孵化的創業公司中，只有10%是學生或應屆畢業生
- 2025年，這個比例漲到了30%
Andreessen Horowitz（矽谷頂級VC）直接說：
"這是十年來大學輟學生創業的最佳時機。"
為什麼？
因為AI讓"學位"和"能力"脫鉤了。
以前，學位是能力的證明。你沒學位，公司怎麼知道你行不行？
現在，GitHub是能力的證明。你做過什麼專案、貢獻過什麼開原始碼，一看就知道。
Gabriel進OpenAI，不是因為他有學位。
而是因為他做出了東西。
在Midjourney做了世界上最高效能的Web影象網格。在Dataland做了最高效能的Web表格。
程式碼和產品，就是最好的簡歷。
四、這種方法適合誰、不適合誰？
看到這裡，你可能會想：我也可以這樣學嗎？
答案是：不一定。
Gabriel的方法不是萬能的。它有適用場景。
✅ 適合的場景
1. 快速迭代的工程領域
軟體開發、AI工程、產品設計...
這些領域的特點是：
- 錯了可以立即調整（不會有生命危險）
- 有明確的反饋（程式碼要麼跑通，要麼報錯）
- 開源資源豐富（GitHub上一堆程式碼可以學）
2. 目標明確的技能學習
你知道自己要做什麼（比如做個推薦系統、搞個影片生成工具）。
不是為了學習而學習。是為了做出來。
3. 有極強執行力的人
Gabriel17歲輟學，加入創業公司。
工作壓力巨大，必須快速出成果。
這種壓力，反而成了學習的驅動力。
如果你沒有外部壓力，很可能三天打魚兩天曬網。
❌ 不適合的場景
1. 需要系統性基礎的領域
理論物理、純數學、基礎科學研究...
這些領域的特點是：
- 錯誤理解會導致嚴重後果
- 需要長期積累和深度思考
- ChatGPT的知識可能不夠前沿
2. 需要嚴格認證的專業
醫學、法律、建築...
這些領域不是你會做就行， 還要有執照、認證。
你不能用ChatGPT學了3個月，就去給人看病。
3. 缺乏自驅力的人
如果你需要老師監督、同學陪伴、考試督促，傳統教育可能更適合你。
自學需要極強的自律和執行力。
Gabriel成功的其他因素
說實話，Gabriel的成功不只是因為ChatGPT。
還有很多其他因素。
運氣和時機。2019年輟學，正好趕上AI創業浪潮。如果早10年，可能沒這個機會。
環境和資源。矽谷/舊金山的創業環境，YC生態系統的支援，接觸到頂尖團隊和專案。這些都是加分項。
個人特質。極強的執行力（17歲就敢輟學），願意承擔風險，能在高壓環境下快速成長。
這些都是ChatGPT教不了的。
五、給你的3個行動建議
如果你想借鑑Gabriel的方法，該怎麼開始？
建議1：選一個"略高於當前能力"的專案
不要選太簡單的（學不到東西）。
也不要選太難的（做不出來會放棄）。
標準是什麼？你大概知道怎麼做，但需要學一些新東西才能做出來。
舉幾個例子：
會Python？試著做個Web爬蟲。
會前端？接入OpenAI API做個聊天介面。
會資料分析？用機器學習做個預測模型。
關鍵是有具體的產出目標。不是學習XX技術，而是做出XX東西。
建議2：用ChatGPT/Claude，但別完全依賴
ChatGPT能幫你生成初始程式碼、解釋不懂的概念、除錯錯誤、補充背景知識。
但你自己要做三件事：
第一，逐行理解程式碼。別直接複製貼上。
第二，驗證AI的回答。AI也會犯錯。
第三，深入底層原理。知道為什麼，不只是怎麼做。
我自己用Claude Code寫程式碼時，有個習慣：
AI生成程式碼後，我會逐行閱讀，理解每一行在幹嘛。遇到不懂的，追問到底。
這個過程，就是學習。
建議3：做出來，放到GitHub上
不要只是"學會了"。
要有實際產出。
做個小專案，放到GitHub上。
即使很簡陋，也是你的作品。
為什麼？
一是強制你做完。不是學一半就放棄。
二是可以獲得反饋。別人的評論、Issues、PRs，都是學習機會。
三是成為你的簡歷。比學歷更有說服力。
Gabriel進OpenAI，不是因為他有學位。
而是因為他在Midjourney、Dataland做出了世界級的產品。
程式碼和產品，就是最好的證明。
六、學位的價值正在改變
寫到這裡，我想說清楚一件事：
Gabriel的故事不是在鼓勵你輟學。
輟學是極端選擇，風險巨大。
Gabriel成功了，但可能有一萬個輟學生失敗了。
這篇文章想說的是：
學習方式正在改變。
以前，學位是知識的唯一通道。
現在，AI讓自學成為可能。
以前，學位是能力的唯一證明。
現在，作品和程式碼也能證明你的能力。
學位不是沒用，而是不再唯一。
如果你在讀大學，不用焦慮。
大學提供的不只是知識。還有系統化的訓練、人脈和資源、相對安全的試錯環境。這些都很valuable。
如果你已經工作，想轉型AI，也不用回去讀學位。
你可以用Gabriel的方法。選個專案，邊做邊學，用ChatGPT補充知識，做出作品證明自己。
關鍵不是學位，而是持續學習的能力。
AI時代，技術更新太快了。
你今天學的，可能明年就過時。
比學歷更重要的，是你能不能快速學會新東西。
Gabriel17歲學會了推薦系統。18歲學會了資料視覺化。20歲學會了影象生成。22歲學會了影片生成。
他不是天才。
只是找到了高效學習的方法。
這個方法，你也可以用。
如果你想了解更多Gabriel的故事，可以聽他在Extraordinary播客上的分享（2025年11月28日）。
如果你對AI學習有自己的經驗，歡迎在評論區分享。