Tôi bỏ học cấp ba, học hỏi từ AI và lật ngược tình thế trở thành nhà nghiên cứu tại OpenAI
Tuyển chọn TechFlowTuyển chọn TechFlow
Tôi bỏ học cấp ba, học hỏi từ AI và lật ngược tình thế trở thành nhà nghiên cứu tại OpenAI
Học tập, khái niệm này, đã hoàn toàn thay đổi trong thời đại AI.
Chuyên sâu báo cáo Web3Tác giả: Kim Gwang-ho
Một thời gian trước, tôi đã tham gia một buổi gặp mặt về AI tại Thượng Hải.
Bản thân sự kiện thảo luận rất nhiều về việc ứng dụng AI vào thực tiễn.
Nhưng điều khiến tôi ấn tượng sâu sắc nhất là một phương pháp học tập do một nhà đầu tư kỳ cựu chia sẻ.
Ông nói phương pháp này đã cứu ông, đồng thời thay đổi tiêu chuẩn đánh giá con người của ông khi đầu tư.
Cụ thể là gì? Đó là học cách «đặt câu hỏi».
Khi bạn quan tâm đến một vấn đề, hãy trò chuyện với DeepSeek, cứ tiếp tục trò chuyện cho đến khi nó không trả lời được nữa.
Kỹ thuật «đặt câu hỏi vô hạn» này lúc nghe xong tôi cảm thấy rất sốc, nhưng sau khi sự kiện kết thúc, tôi lại bỏ quên nó.
Không thử nghiệm, cũng chẳng để tâm.
Cho đến gần đây, tôi tình cờ đọc được câu chuyện Gabriel Petersson nghỉ học giữa chừng và dùng AI để học, cuối cùng gia nhập OpenAI.
Lúc đó tôi mới chợt nhận ra, «đặt câu hỏi đến cùng» mà vị前辈 kia nói, trong thời đại AI thực sự có ý nghĩa như thế nào.
Podcast phỏng vấn Gabriel｜Nguồn ảnh: YouTube
01 «Bỏ học trung học», lội ngược dòng trở thành nhà nghiên cứu OpenAI
Gabriel đến từ Thụy Điển, nghỉ học giữa chừng trung học phổ thông.
Trang cá nhân mạng xã hội Gabriel｜Nguồn ảnh: X
Anh từng nghĩ mình quá ngu ngốc, hoàn toàn không thể làm được công việc liên quan đến AI.
Sự chuyển biến xảy ra vài năm trước.
Anh họ anh ở Stockholm sáng lập một công ty khởi nghiệp, phát triển hệ thống gợi ý sản phẩm thương mại điện tử, gọi anh đến giúp đỡ.
Gabriel cứ thế đến, không nền tảng kỹ thuật, cũng chẳng có tiền tiết kiệm, thậm chí trong giai đoạn đầu khởi nghiệp còn ngủ suốt một năm trên ghế sofa khu nghỉ chung của công ty.
Nhưng trong năm đó anh học được không ít thứ. Không phải học ở trường, mà bị ép buộc bởi áp lực giải quyết các vấn đề thực tế: lập trình, bán hàng, tích hợp hệ thống.
Về sau, để tối ưu hiệu suất học tập, anh chuyển hẳn sang làm nhân viên hợp đồng, nhờ vậy có thể linh hoạt lựa chọn dự án, chủ động tìm những kỹ sư xuất sắc nhất để hợp tác, tích cực xin phản hồi.
Khi xin visa Mỹ, anh đối mặt với một vấn đề khó xử: loại visa này yêu cầu chứng minh người nộp đơn có «khả năng phi thường» trong lĩnh vực, thường cần các ấn phẩm học thuật, trích dẫn bài báo v.v.
Một sinh viên bỏ học trung học làm sao có được những thứ này?
Gabriel nghĩ ra một cách: anh tập hợp các bài viết kỹ thuật chất lượng cao đăng trên cộng đồng lập trình viên, dùng làm bằng chứng thay thế cho «đóng góp học thuật». Phương án này thật sự được cục di trú chấp thuận.
Sau khi đến San Francisco, anh tiếp tục dùng ChatGPT tự học toán và học máy.
Hiện tại anh là nhà khoa học nghiên cứu tại OpenAI, đang tham gia xây dựng mô hình video Sora.
Nói đến đây, chắc chắn bạn sẽ tò mò, anh ấy đã làm như thế nào?
Quan điểm Gabriel｜Nguồn ảnh: X
02 Lấp đầy kiến thức theo kiểu đệ quy: Phương pháp học phản trực giác
Đáp án chính là «đặt câu hỏi vô hạn», chọn một vấn đề cụ thể, rồi dùng AI giải quyết triệt để vấn đề đó.
Phương pháp học của Gabriel trái ngược với trực giác của đa số người.
Con đường học truyền thống là «từ dưới lên»: trước tiên xây nền móng, sau đó học ứng dụng. Ví dụ muốn học học máy, phải học đại số tuyến tính, xác suất thống kê, phép tính vi tích phân, rồi học lý thuyết thống kê, học sâu, cuối cùng mới chạm đến dự án thực tế. Quá trình này có thể mất vài năm.
Còn phương pháp của anh là «từ trên xuống»: bắt đầu trực tiếp từ một dự án cụ thể, gặp vấn đề thì giải quyết, phát hiện khoảng trống kiến thức thì bổ sung ngay.
Trong podcast, anh nói trước đây phương pháp này khó phổ biến vì bạn cần một giáo viên toàn năng, luôn sẵn sàng nói cho bạn «tiếp theo nên bổ sung gì».
Nhưng hiện nay, ChatGPT chính là giáo viên đó.
Quan điểm Gabriel｜Nguồn ảnh: X
Cụ thể thao tác thế nào? Anh đưa ra một ví dụ: làm sao học mô hình khuếch tán.
Bước một, bắt đầu từ khái niệm vĩ mô. Anh hỏi ChatGPT: «Tôi muốn học mô hình video, khái niệm cốt lõi nhất là gì?», AI trả lời: bộ mã hóa tự động.
Bước hai, ưu tiên mã nguồn. Anh bảo ChatGPT viết trực tiếp một đoạn mã cho mô hình khuếch tán. Ban đầu có nhiều chỗ không hiểu, nhưng không sao, cứ chạy mã trước đã. Chạy được thì có cơ sở để gỡ lỗi.
Bước ba, quan trọng nhất, tiến hành đặt câu hỏi đệ quy, anh sẽ nhìn chằm chằm từng module trong mã để đặt câu hỏi.
Cứ như vậy đào sâu từng lớp một, cho đến khi hiểu rõ logic nền tảng. Sau đó quay lại lớp trên, tiếp tục đặt câu hỏi cho module tiếp theo.
Anh gọi quá trình này là «lấp đầy kiến thức theo kiểu đệ quy».
Lấp đầy kiến thức theo kiểu đệ quy｜Nguồn ảnh: nanobaba2
Nhanh hơn nhiều so với học tuần tự sáu năm, có thể chỉ ba ngày đã xây dựng được trực giác cơ bản.
Nếu bạn quen thuộc phương pháp đặt câu hỏi kiểu Socrates, sẽ thấy đây về bản chất là cùng một tư tưởng: qua từng lớp đặt câu hỏi để tiếp cận bản chất sự vật, mỗi câu trả lời đều là điểm khởi đầu cho câu hỏi tiếp theo.
Chỉ khác là giờ anh lấy AI làm đối tượng bị hỏi, và do AI gần như toàn năng, liên tục trình bày bản chất sự vật theo cách dễ hiểu cho người hỏi.
Thực tế, Gabriel sử dụng phương pháp này để «chiết xuất kiến thức» từ AI, học được bản chất sự vật.
03 Đa số chúng ta dùng AI, thực ra đang trở nên ngu đi
Sau khi nghe podcast, câu chuyện Gabriel khiến tôi nảy sinh một nghi vấn:
Cùng dùng AI, vì sao anh ấy có thể học tốt như vậy, trong khi nhiều người sau khi dùng AI lại cảm thấy bản thân thoái bộ?
Đây không chỉ là cảm nhận chủ quan của tôi.
Một bài báo năm 2025 của Microsoft Research [1] cho thấy, khi con người thường xuyên dùng AI tạo sinh, khả năng tư duy phản biện của họ sẽ giảm rõ rệt.
Nói cách khác, chúng ta đã ngoại giao việc suy nghĩ cho AI, rồi năng lực tư duy bản thân cũng co rút theo.
Kỹ năng tuân theo quy luật «dùng thì tiến, bỏ thì thoái»: khi chúng ta dùng AI viết mã, khả năng viết mã bằng tay và não sẽ âm thầm thoái hóa.
Phương thức làm việc «vibe coding» với AI trông có vẻ hiệu quả cao, nhưng về lâu dài, kỹ năng lập trình thực sự của lập trình viên đang giảm xuống.
Bạn ném yêu cầu cho AI, nó nhả ra một đống mã, bạn chạy được, cảm thấy rất sướng. Nhưng nếu bảo bạn tắt AI, tự tay viết logic cốt lõi, nhiều người sẽ phát hiện não mình trống rỗng.
Trường hợp cực đoan hơn đến từ lĩnh vực y học, một bài báo y học chỉ ra [2], sau ba tháng bác sĩ dùng trợ lý AI, kỹ năng kiểm tra nội soi đại tràng giảm 6%.
Con số này trông không lớn, nhưng hãy nghĩ xem: đây là năng lực chẩn đoán lâm sàng thực sự, liên quan đến sức khỏe và tính mạng bệnh nhân.
Vì vậy câu hỏi đặt ra: cùng một công cụ, vì sao có người dùng vào trở nên mạnh hơn, có người lại yếu đi?
Khác biệt nằm ở việc bạn coi AI là gì.
Nếu bạn coi AI là công cụ giúp việc, để nó thay bạn viết mã, viết bài, ra quyết định, thì năng lực của bạn thực sự sẽ thoái hóa. Vì bạn đã bỏ qua quá trình suy nghĩ, chỉ lấy kết quả. Kết quả có thể sao chép dán, nhưng năng lực suy nghĩ không thể mọc lên giữa trời.
Nhưng nếu bạn coi AI là huấn luyện viên hay cố vấn, dùng nó để kiểm tra sự hiểu biết của bản thân, đặt câu hỏi về điểm mù, buộc bản thân diễn đạt rõ ràng các khái niệm mơ hồ: thì thực chất bạn đang dùng AI tăng tốc chu kỳ học tập của chính mình.
Phương pháp của Gabriel, cốt lõi không phải «để AI học thay tôi», mà là «để AI đồng hành cùng tôi học». Anh luôn là người chủ động đặt câu hỏi, AI chỉ cung cấp phản hồi và tư liệu. Mỗi «tại sao» đều do anh tự hỏi, mỗi tầng hiểu biết đều do anh tự đào sâu.
Điều này khiến tôi nhớ đến một câu nói cũ: tặng người ta cá không bằng dạy người ta cách câu cá.
Lấp đầy kiến thức theo kiểu đệ quy｜Nguồn ảnh: nanobaba2
04 Một số gợi ý thực tế
Nói đến đây, có người có thể hỏi: Tôi không làm nghiên cứu AI, cũng chẳng phải lập trình viên, phương pháp này có ích gì với tôi?
Tôi nghĩ phương pháp của Gabriel có thể khái quát thành một khuôn khổ năm bước tổng quát hơn, bất kỳ ai cũng có thể dùng AI học bất kỳ lĩnh vực nào chưa hiểu.
1. Bắt đầu từ vấn đề thực tế, chứ không phải chương một sách giáo khoa.
Bạn muốn học gì, hãy bắt đầu làm trực tiếp, khi tắc chỗ nào thì bổ sung chỗ đó.
Kiến thức học được như vậy có bối cảnh, có mục đích, hiệu quả hơn nhiều so với học thuộc khái niệm rời rạc.
Quan điểm Gabriel｜Nguồn ảnh: X
2. Coi AI là một cố vấn luôn kiên nhẫn.
Bạn có thể hỏi nó bất kỳ câu hỏi ngớ ngẩn nào, có thể yêu cầu nó giải thích cùng một khái niệm theo nhiều cách khác nhau, có thể bảo nó «giải thích như dạy trẻ năm tuổi».
Nó sẽ không chế giễu bạn, cũng chẳng mất kiên nhẫn.
3. Chủ động đặt câu hỏi, cho đến khi xây dựng được trực giác. Đừng thỏa mãn với sự hiểu biết bề mặt.
Một khái niệm, bạn có thể diễn đạt lại bằng lời của mình không? Có thể đưa ra một ví dụ chưa nhắc đến trong văn bản không? Có thể giải thích cho một người ngoại đạo nghe không? Nếu không được, hãy tiếp tục hỏi.
4. Có một cái bẫy cần cảnh giác: AI cũng có thể ảo tưởng.
Trong quá trình đặt câu hỏi đệ quy, nếu AI giải thích sai khái niệm nền tảng, bạn có thể càng đi càng lệch khỏi con đường đúng.
Vì vậy đề xuất tại các điểm then chốt, nên dùng nhiều AI để kiểm chứng chéo, đảm bảo nền tảng đặt câu hỏi là vững chắc.
5. Ghi lại quá trình đặt câu hỏi của bạn.
Như vậy có thể tạo thành tài sản kiến thức tái sử dụng: lần sau gặp vấn đề tương tự, bạn có một lộ trình suy nghĩ hoàn chỉnh để xem lại.
Quan niệm truyền thống cho rằng giá trị công cụ nằm ở giảm阻力, tăng hiệu suất.
Nhưng việc học恰恰 ngược lại:阻力 vừa phải, ma sát cần thiết, ngược lại là điều kiện tiên quyết để học xảy ra. Nếu mọi thứ quá trơn tru, não bộ sẽ chuyển sang chế độ tiết kiệm năng lượng, chẳng nhớ gì cả.
Việc đặt câu hỏi đệ quy của Gabriel, về bản chất chính là tạo ra ma sát.
Anh liên tục hỏi tại sao, liên tục đẩy bản thân đến rìa của sự không hiểu, rồi từng chút từng chút lấp đầy cái hố đó.
Quá trình này rất khó chịu, nhưng chính sự khó chịu này khiến kiến thức thực sự đi vào trí nhớ dài hạn.
05 Xu hướng nghề nghiệp tương lai
Trong thời đại này, độc quyền bằng cấp đang bị phá vỡ, nhưng ngưỡng nhận thức lại âm thầm tăng cao.
Đa số người chỉ coi AI là «bộ tạo đáp án», trong khi số ít như Gabriel lại coi AI là «bộ luyện tư duy».
Thực ra cách dùng tương tự đã xuất hiện ở các lĩnh vực khác nhau.
Ví dụ trên Jike, tôi thấy không ít phụ huynh dùng nanobanana để kèm cặp bài vở cho con. Nhưng họ không để AI trực tiếp đưa ra đáp án, mà để AI tạo ra các bước giải, từng bước hiển thị quá trình suy nghĩ, sau đó cùng con phân tích logic từng bước.
Như vậy đứa trẻ học được không phải đáp án, mà là phương pháp giải bài.
Mẫu nhắc nhở «Giải tích phân đã cho, và viết lời giải đầy đủ lên bảng trắng»｜Nguồn ảnh: nanobaba2
Cũng có người dùng chức năng Listenhub hoặc NotebookLM, chuyển bài viết dài hoặc luận văn thành dạng podcast, để hai giọng AI đối thoại, giải thích, đặt câu hỏi. Có người cho rằng đây là lười biếng, nhưng cũng có người phát hiện, sau khi nghe xong cuộc đối thoại, quay lại đọc nguyên văn hiểu lại hiệu quả hơn.
Vì trong quá trình đối thoại sẽ tự nhiên nảy sinh câu hỏi, buộc bạn suy nghĩ: điểm này tôi thực sự hiểu chưa.
Podcast phỏng vấn Gabriel chuyển thành podcast｜Nguồn ảnh: notebooklm
Điều này chỉ ra một xu hướng nghề nghiệp tương lai: chuyên một nghề, giỏi nhiều việc.
Trước đây, muốn làm một sản phẩm, bạn cần懂 front-end, back-end, thiết kế, vận hành, marketing. Hiện nay, bạn có thể như Gabriel, dùng phương pháp «lấp đầy lỗ hổng đệ quy» để nhanh chóng nắm vững 80% kiến thức lĩnh vực mình yếu kém.
Bạn vốn là lập trình viên, nhờ AI bổ sung thiết kế và logic kinh doanh, có thể trở thành quản lý sản phẩm.
Bạn vốn là người sáng tạo nội dung giỏi, nhờ AI, có thể nhanh chóng khắc phục điểm yếu về kỹ năng mã hóa, trở thành nhà phát triển độc lập.
Dựa trên xu hướng này có thể suy luận: «Có lẽ, trong tương lai, sẽ xuất hiện thêm nhiều mô hình «công ty một người»».
06 Đoạt lại quyền chủ động của bạn
Giờ nghĩ lại lời vị前辈 nhà đầu tư kia, tôi mới hiểu ông thực sự muốn nói gì.
«Tiếp tục hỏi cho đến khi không trả lời được nữa.»
Câu nói này trong thời đại AI là một phương pháp tuyệt vời.
Nếu chúng ta chỉ thỏa mãn với câu trả lời đầu tiên do AI đưa ra, chúng ta đang âm thầm thoái hóa.
Nhưng nếu có thể qua việc đặt câu hỏi, buộc AI trình bày rõ logic, rồi nội hóa thành trực giác của bản thân: thì AI thực sự đã trở thành thiết bị mở rộng của chúng ta, chứ không phải chúng ta trở thành tòng phạm của AI.
Đừng để ChatGPT suy nghĩ thay bạn, hãy để nó đồng hành cùng bạn suy nghĩ.
Gabriel từ một sinh viên nghỉ học ngủ ghế sofa, đến nay trở thành nhà nghiên cứu OpenAI.
Ở giữa không có bí quyết gì, chỉ là hàng ngàn lần đặt câu hỏi.
Trong thời đại lo lắng bị AI thay thế tràn lan này, vũ khí thiết thực nhất có lẽ là:
Đừng dừng ở câu trả lời đầu tiên, tiếp tục hỏi đi.
Tài liệu tham khảo
[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.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
极客公园
