
Я бросил школу, учился с помощью ИИ и стал исследователем в OpenAI.
Автор: Цзинь Гуанхао
Недавно я посетил AI-мероприятие в Шанхае.
На самом событии много говорили о внедрении искусственного интеллекта.
Но больше всего меня впечатлил метод обучения, которым поделился один опытный инвестор.
Он сказал, что этот метод спас его и изменил его критерии оценки людей при инвестициях.
В чём же суть? Научиться «задавать вопросы».
Если вы заинтересовались каким-либо вопросом, общайтесь с DeepSeek, продолжайте общение, пока модель не перестанет давать ответы.
Эта техника «бесконечного задавания вопросов» произвела на меня сильное впечатление, но после мероприятия я быстро забыл об этом.
Я не пробовал и даже не вспоминал об этом.
Лишь недавно я наткнулся на историю о том, как Габриэль Петерссон, бросив школу, с помощью ИИ получил должность в OpenAI.
Только тогда я внезапно осознал, что именно означало сказанное им «допрашивать до конца» в эпоху ИИ.

Интервью с Габриэлем в подкасте | Источник изображения: YouTube
01 «Бросил школу в старших классах», став исследователем OpenAI
Габриэль из Швеции, бросил учебу, не закончив старшую школу.

Профиль Габриэля в соцсетях | Источник изображения: X
Ранее он считал себя слишком глупым, чтобы работать в сфере ИИ.
Переломный момент наступил несколько лет назад.
Его двоюродный брат основал стартап в Стокгольме, занимавшийся рекомендательной системой для электронной коммерции, и попросил помочь.
Габриэль отправился туда без технического образования и практически без сбережений. В начале пути он целый год спал на диване в общественной комнате отдыха компании.
Но за этот год он многому научился. Не в школе, а благодаря давлению реальных задач: программирование, продажи, системная интеграция.
Позже, чтобы оптимизировать эффективность обучения, он перешел на контрактную работу. Это позволяло ему гибче выбирать проекты, искать сотрудничества с лучшими инженерами и активно запрашивать обратную связь.
При подаче на американскую визу перед ним встал неловкий вопрос: такие визы требуют подтверждения «исключительных способностей» заявителя в своей области, обычно подтверждаемых академическими публикациями или цитированиями статей.
Как у бывшего школьника могут быть подобные документы?
Габриэль придумал решение: он структурировал свои качественные технические посты на профильных форумах и предоставил их в качестве замены доказательствам «академических достижений». Удивительно, но миграционная служба приняла такой подход.
Оказавшись в Сан-Франциско, он продолжил самостоятельно изучать математику и машинное обучение с помощью ChatGPT.
Сейчас он является научным сотрудником в OpenAI и участвует в создании видео-модели Sora.
Дойдя до этого момента, вы наверняка задаетесь вопросом: как же ему это удалось?

Мысли Габриэля | Источник изображения: X
02 Рекурсивное восполнение знаний: нелогичный на первый взгляд метод обучения
Ответ кроется в «бесконечном задавании вопросов»: выберите конкретную проблему и с помощью ИИ разберитесь в ней до конца.
Метод обучения Габриэля противоречит интуиции большинства людей.
Традиционный путь обучения строится «снизу вверх»: сначала база, потом применение. Например, если вы хотите изучить машинное обучение, нужно начать с линейной алгебры, теории вероятностей и математического анализа, затем перейти к статистическому обучению и глубокому обучению, и только потом приступать к реальным проектам. Этот процесс может занять годы.
Его же метод — «сверху вниз»: начинается с конкретного проекта. Возникает проблема — решаем её. Обнаруживается пробел в знаниях — восполняем его.
В подкасте он отметил, что раньше этот метод было сложно масштабировать, так как требовался всезнающий учитель, который мог бы в любой момент подсказать: «Что именно нужно подтянуть дальше?».
Но теперь таким учителем стал ChatGPT.

Мысли Габриэля | Источник изображения: X
Как именно это работает? Он привел пример: как изучить диффузионные модели.
Шаг первый: начинаем с макропонятий. Он спрашивает ChatGPT: «Хочу изучить видео-модели, какое их самое главное понятие?», и ИИ отвечает: автоэнкодер.
Шаг второй: код прежде всего. Он просит ChatGPT сразу написать код диффузионной модели. Поначалу многое непонятно, но ничего страшного — просто запускаем код. Если он заработал, уже есть основа для отладки.
Шаг третий, самый главный: рекурсивное задавание вопросов. Он пристально смотрит на каждый модуль в коде и задает по нему вопросы.
Таким образом он погружается в логику всё глубже, пока не разберется в основах полностью. Затем возвращается на уровень выше и продолжает задавать вопросы по следующему модулю.
Этот процесс он называет «рекурсивным восполнением знаний».

Рекурсивное восполнение знаний | Источник изображения: nanobaba2
Это гораздо быстрее традиционного обучения в течение шести лет. Базовое чутьё можно заложить всего за три дня.
Если вы знакомы с сократовским методом, то заметите, что по сути здесь тот же подход: последовательными вопросами мы приближаемся к сути вещей, где каждый ответ становится отправной точкой для следующего вопроса.
Просто сейчас объектом для задаваемых вопросов стал ИИ. Благодаря его почти всезнанию, он постоянно выражает суть вещей простым и понятным для вопрошающего языком.
По факту, применяя такой подход, Габриэль проводил «извлечение знаний» у ИИ, познавая истинную суть вещей.
03 Почему большинство из нас, пользуясь ИИ, на самом деле деградирует
Прослушав подкаст, история Габриэля породила у меня вопрос:
Почему, используя одни и те же инструменты ИИ, он добивается таких успехов в обучении, в то время как многие после работы с ИИ начинают ощущать регресс собственных навыков?
Это не просто моё субъективное ощущение.
Исследование Microsoft Research 2025 года показывает [1]: чем чаще люди используют генеративный ИИ, тем заметнее снижается их способность применять критическое мышление.
Иными словами, когда мы передаем процессы мышления на аутсорсинг ИИ, наши собственные когнитивные способности начинают атрофироваться.
Навыки подчиняются правилу «пользование укрепляет, неиспользование разрушает»: пока мы используем ИИ для написания кода, наши руки и мозг постепенно теряют эти способности.
Подход к работе «vibe coding» с помощью ИИ кажется очень эффективным, но в долгосрочной перспективе навыки программирования самих разработчиков снижаются.
Вы передаете задачу ИИ, он выдаёт гору кода, вы её запускаете, всё работает, удовольствие. Но стоит вам отключить ИИ и вручную прописать ключевую логику, как многие обнаружат, что их разум пуст.
Более показательный пример пришел из медицины. Исследование показало [2], что через три месяца после внедрения ИИ-ассистентов у врачей снизились навыки проведения колоноскопии на 6%.
Цифра кажется небольшой, но вспомните: речь идет о реальной клинической диагностике, от которой зависят здоровье и жизнь пациентов.
Здесь возникает вопрос: почему одни с помощью одних и тех же инструментов становятся сильнее, а другие слабеют?
Всё зависит от того, что именно вы видите в ИИ.
Если вы рассматриваете ИИ лишь как инструмент для выполнения поручений — пусть пишет за вас код, статьи или принимает решения, — ваши навыки действительно начнут деградировать. Вы пропускаете этап размышлений, получая готовый результат. Результат можно копировать и вставлять, но способность мыслить сама по себе ниоткуда не берется.
Но если вы относитесь к ИИ как к тренеру или наставнику, используете его для проверки своего понимания, задавая вопросы в зонах незнания и заставляя четко формулировать размытые концепции, то вы фактически ускоряете собственный цикл обучения.
В основе метода Габриэля лежит не фраза «Пусть ИИ учит меня вместо меня», а «Пусть ИИ учит меня вместе со мной». Он всегда выступает в роли активного вопрошающего, а ИИ лишь предоставляет обратную связь и материалы. Каждый вопрос «почему?» исходит от него самого, каждый слой понимания он раскрывает собственными усилиями.
Это напоминает старую истину: лучше дать удочку, чем рыбу.

Рекурсивное восполнение знаний | Источник изображения: nanobaba2
04 Практические выводы
Добравшись до этой точки, некоторые могут спросить: я не занимаюсь исследованиями ИИ и не программист. Как эта методика применима ко мне?
Я считаю, что методику Габриэля можно абстрагировать до более универсального пятиэтапного фреймворка. Любой человек способен освоить любую новую область с помощью ИИ.
1. Отталкивайтесь от реальных задач, а не открывайте учебник с первой главы.
Чему хотите научиться? Начинайте делать это сразу. Подтягивайте знания только там, где возникнет тупик.
Так полученные знания получают контекст и цель, что намного эффективнее изолированного заучивания понятий.

Мысли Габриэля | Источник изображения: X
2. Воспринимайте ИИ как преподавателя, обладающего вечным терпением.
Вы можете задать ему абсолютно любой, даже самый простой вопрос. Попросите объяснить одну и ту же концепцию разными способами или попросите «объяснить как для пятилетнего ребенка».
Оно никогда не посмеется над вами и не потеряет терпения.
3. Задавайте вопросы активно, пока не сформируете интуитивное понимание. Не довольствуйтесь поверхностным знанием.
Можете ли вы пересказать концепцию своими словами? Привести пример, которого не было в исходных материалах?
Можете ли вы объяснить это человеку, далекому от темы? Если нет — продолжайте задавать вопросы.
4. Обратите внимание на ловушку: ИИ также склонен к «галлюцинациям» (генерации ложной информации).
В процессе рекурсивного задавания вопросов, если ИИ неверно объясняет базовые концепции, вы можете заблудиться еще сильнее.
Поэтому рекомендуется использовать несколько ИИ-сервисов для перекрестной проверки на ключевых этапах, чтобы фундамент ваших запросов оставался надежным.
5. Фиксируйте процесс своих запросов.
Это позволит создать полезные знания, которые можно использовать повторно: в следующий раз при столкновении со схожей задачей у вас будет полное описание логики размышлений.
С традиционной точки зрения ценность инструмента заключается в снижении препятствий и повышении эффективности.
Но в обучении всё наоборот: умеренное сопротивление и необходимое трение являются предпосылками для обучения. Если всё происходит слишком гладко, мозг переходит в режим энергосбережения и ничего не запоминает.
Рекурсивные вопросы Габриэля по своей сути генерируют это трение.
Он постоянно спрашивает «почему», загоняет себя на грань непонимания, а затем постепенно заполняет образовавшиеся пробелы.
Этот процесс крайне некомфортен, но именно этот дискомфорт позволяет знаниям прочно закрепиться в долгосрочной памяти.
05 Будущие тренды на рынке труда
В наше время монополия формального образования разрушается, но порог компетенций незаметно повышается.
Большинство видит в ИИ лишь «генератор ответов», в то время как немногие единицы, вроде Габриэля, используют его как «тренажер для мышления».
Похожие применения уже возникают в различных сферах.
Например, в приложении Jimeng (即刻) я видел, как многие родители используют nanobanana для помощи детям с домашними заданиями. Они не просят ИИ сразу выдавать ответ, а предлагают ему сгенерировать шаги решения, шаг за шагом демонстрируя ход мысли, после чего вместе с ребенком анализируют логику каждого шага.
Таким образом дети усваивают не сам ответ, а методику решения задач.


Промпт «Решите данный интеграл и запишите полное решение на доске» | Источник изображения: nanobaba2
Некоторые используют функции Listenhub или NotebookLM для преобразования длинных статей или научных работ в формат подкастов. Два голоса ИИ ведут диалог, комментируют и задают вопросы. Одни считают это ленью, но другие заметили: после прослушивания такого диалога возвращение к исходному тексту значительно повышает эффективность понимания.
В процессе диалога естественно возникают вопросы, которые заставляют задуматься: а действительно ли я понимаю эту мысль насквозь?

Трансподкаст с интервью Габриэля | Источник изображения: notebooklm
Это указывает на будущий карьерный тренд: специализация плюс широкие смежные навыки.
Раньше для создания продукта требовалось знание фронтенда, бэкенда, дизайна, DevOps и маркетинга. Сегодня вы можете, подобно Габриэлю, используя метод «рекурсивного заполнения пробелов», быстро освоить 80% необходимых знаний в слабых областях.
Если вы изначально программист, то с помощью ИИ подтянув дизайн и бизнес-логику, сможете стать продакт-менеджером.
Если вы хороший автор контента, благодаря ИИ вы быстро компенсировали пробелы в программировании и превратились в независимого разработчика.
Основываясь на этом тренде, можно сделать вывод: «Вероятно, в будущем станет больше компаний, работающих в формате одного человека».
06 Верните себе контроль
Теперь, вспоминая слова того опытного инвестора, я наконец понял, что он хотел сказать на самом деле.
«Задавайте вопросы, пока модель не перестанет давать ответы.»
Эта фраза стала прекрасным ментальным инструментом в эпоху ИИ.
Если мы ограничиваемся первым же ответом ИИ, мы незаметно деградируем.
Но если мы через углубленные вопросы заставляем ИИ детально раскрыть логику, а затем интегрируем это в собственное чутьё — тогда ИИ действительно станет нашим внешним расширением, а не мы станем его слугами.
Не давайте ChatGPT думать за вас. Позвольте ему думать вместе с вами.
От бывшего школьника, спавшего на диване, Габриэль вырос до исследователя OpenAI.
Секрета тут не было: только тысячи и тысячи задаваемых вопросов.
В эпоху тревог, связанных с заменой людей ИИ, самым надежным оружием может стать:
Не останавливайтесь на первом ответе. Продолжайте спрашивать.
Ссылки
[1].The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers.
[2].Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study.













