高中辍学闯进 OpenAI：拒绝 Vibe Coding，用 ChatGPT 自学逆袭成 Sora 团队研究科学家

一行一行读代码、拒绝“Vibe Coding”，靠 ChatGPT 反向学数学、扩散模型等。这位参与 Sora 的 OpenAI 研究科学家，用最野路子的方式跑通了视频生成架构。

在 OpenAI 的 Sora 团队里，有这样一个很“不硅谷”的研究科学家：高中辍学，没有学历、没有竞赛背景，也不是那种靠 AI 糊代码的 Vibe Coder。

他来自瑞典一个小镇，高中没毕业就离开学校。当年连吴恩达的机器学习课都看不懂、微积分也啃不下去，却靠着一行行啃扩散模型代码、用 ChatGPT 反向补数学和 ML，硬生生闯进旧金山，加入了 Sora 视频模型团队，做着通常需要博士才能做的研究工作。

他的方法很“野”，却极其可复制：项目驱动 + AI 递归式补洞 + 一行行看代码的硬功夫。

所以，这篇文章不是在讲“辍学生逆袭”，而是在拆解普通人如何在大模型时代，用 AI 把自己升级到博士级能力。

PS：我们并不鼓吹辍学。过去硅谷热衷渲染“辍学神话”，但大学所能提供的社交、资源与眼界，其实替代成本极高。Gabriel 自己也坦言，没有文凭在部分场合下仍是限制，他只是选择用更极端的方式“硬闯”过去。但如果你正在大学阶段，身处安全且资源丰富的环境，并开始运用 Gabriel 学习方法，你的成长速度，很可能会比传统路径快上 100 倍，甚至 1000 倍。

以下内容为 Extraordinary.com 创始人 Cel Wen 播客采访的中文整理，嘉宾为来自瑞典的高中辍学生、现任 OpenAI 研究科学家 Gabriel Petersson。

第一次创业：拿着推荐系统和 A/B 测试脚本，一家家敲门卖方案

主持人：今天的嘉宾是 Gabriel Petersson，一位来自瑞典、曾经的高中辍学生，现在是 OpenAI 的 AI 研究科学家，也是 ChatGPT 背后的公司成员。Gabriel 的故事非常吸引人。

我看到你发过一条推文：“五年前，我在几乎没有工程经验的情况下从瑞典高中辍学，加入一家创业公司。今天，我加入了 OpenAI，成为一名研究科学家，与 Sora 团队一起构建 AGI。”你是怎么做到的？

Gabriel：这故事说来挺长的。我其实一直在琢磨 AI，大概是从看《超级智能》和《生命 3.0》那会儿开始的。那两本书我特别喜欢，而且作者刚好都是瑞典人，我就觉得：嗯，这里面肯定有点东西。

但当时我一直觉得自己不够聪明。我稍微查了一点 AI 相关的内容，又不会编程，就老觉得外面全是特别聪明的人，我根本不可能跟他们竞争。最后我干脆去做工程师，在一个创业公司里当了几年“工程师打工人”。

主持人：你怎么会辍学？在你家乡、你成长的环境里，大家不都是照常读书吗？你怎么有勇气离开？

Gabriel：说实话，我也不算是“下定决心”，更像是事情自己把我推着走到了那一步。有一天我表哥给我打电话，说他刚认识了一个特别聪明的人，对方有个用 AI 做推荐系统的点子，让我们马上一起把这个东西做出来卖给客户。那个人当时在新加坡做研究，我表哥就说：“我们要立刻开始干了，你赶紧来斯德哥尔摩。”

我还跟他说：“哥们，我今晚有个超级大的派对。”

他说：“不行，现在就来。”

于是我直接买了下一班去斯德哥尔摩的巴士票，去了之后，就再也没有回学校上课。

主持人：你去了那家创业公司，后来怎么样了？

Gabriel：我们当时的点子是，给电商做一个产品推荐系统。但问题是，我们几个人对“创业”一无所知，不懂怎么获客，也不懂怎么销售。

一开始我发冷邮件，几乎没人理。后来我开始一个个打电话，有时能聊得不错，但说到底，我只是个 18 岁、没技术背景的小孩，很难让人真信任。

再后来，我干脆上门推销。

我会提前把对方的网站爬下来，训练一个新的推荐模型，然后把他们原来的推荐结果和我们生成的推荐结果排成一张 A3 大图打印出来，左边是他们现在用的，右边是我们的。

我大概做了一百多份，装在文件夹里，挨个公司去敲门：“能帮我叫一下电商负责人或者 CEO 吗？”

他们一看到那张对比图，第一反应都是震惊：“这些都是你们做的吗，你是怎么做到的？”接下来问的就是：“那要怎么上线？”

这时候我就说：“没问题，我们今天就准备好了，可以直接上线。”我随身带着一段脚本，可以直接贴进他们网站的浏览器控制台，把原来的推荐结果替换成我们的。脚本里还顺带集成了 A/B 测试，用来对比两边带来的收益。很多时候，第一次见面我就能让他们现场切到我们的方案——听起来疯，但确实很有用。

当然，后来也因此埋下了大坑：我们完全没考虑可扩展性和可维护性，只想着先把客户拿下。整个团队一群 17、18 岁的辍学生，纯靠一股蛮劲往前冲。

主持人：你们都在斯德哥尔摩线下做吗？

Gabriel：对，我们人都在那儿。我住在我表哥的学生公寓里。房子特别小，说是“宿舍”，其实就是普通公寓里分出来的小房间，只是只有学生才有资格住。提交资料时我们还得假装他还在上大学。我整整一年睡在公共区域捡来的沙发靠垫上。房间又小又脏，但那就是我们的联合办公空间。

主持人：大多数人经历这些会选择回学校，但你没有。是什么让你坚持下来的？

Gabriel：我对现实的认知一直很扭曲。我当时 100% 确信自己会成为亿万富翁，真的，一点怀疑都没有。我确信我们在做“下一个大项目”，其他事都不重要。于是我拼命干活，一次次熬通宵，满斯德哥尔摩乱跑做销售，想尽各种疯狂的办法去拿客户。

最快的学习方式不是先把基础学完，而是被真实项目逼出来

主持人：你一开始不会编程，那你是怎么学的？

Gabriel：主要是被逼出来的，因为我们必须给客户做各种集成。最早是表哥教我 Java，我们一起写了一个很烂的回合制“宝可梦”小游戏。后来我上过一个 Udemy 的 Python 课，做了个同样很糟糕的小游戏。我也试过上 Andrew Ng 的机器学习课，但完全看不懂，只觉得自己太笨了。

真正开始学，是在创业之后，因为你不得不去做那些事：写爬虫、做推荐系统、搭 A/B 测试、做各种集成。一旦面前有一个真实的问题，学习反而变得简单很多。

你会去翻 Stack Overflow，卡住了就去问身边的朋友。有真实的工作压力，你就被迫把东西学会。对我来说，没有压力的时候几乎完全学不进去。

主持人：如果你要给另一个高中辍学生提建议，你会说什么？

Gabriel：我算是非常幸运的。我在瑞典一个叫 Vaggeryd 的小镇长大，身边一个工程师都不认识。高中时第一次见到程序员，我激动得不行，问他是不是会做网页。

在那样一个没有工程师、没有创业文化的地方，你很自然会觉得这一切都离自己非常遥远。而在旧金山，人们觉得创业是正常选项，很大程度上是因为他们身边所有人都在谈论这些事。

我之所以能走出来，是因为遇到了那家创业公司，它给了我真正“下场实战”的机会，这对我来说是最重要的一次学习经历。如果别人想走一条类似的路，我会建议他们尽快进入市场，尽快去解决真实的问题，并且真正为结果负责。

现在有了 ChatGPT，你甚至不需要一开始就懂很多技术。你只需要证明自己会提问题、会提需求、愿意亲自去做，有很强的能动性。你完全可以说：技术细节我现在不会，但我会问 ChatGPT，我能从那里拿到我需要的任何知识。

知识本身，已经不再是稀缺资源了。

主持人：以前你得先上课、看教材，把路铺好，现在可以直接带着问题去问 AI。

Gabriel：对。人类最快的学习方式，其实是自顶向下：先从一个真实任务开始，再一路往下钻，遇到哪个环节不懂，就现学哪个环节。

但学校没法大规模这样教，因为这要求老师随时判断你“下一步该学什么”。所以教育体系普遍选择自底向上：先从数学、线性代数、矩阵这些基础开始，一层一层往上堆。这样做很适合规模化教学，但学习效率非常低。

现在有了 ChatGPT，这一点已经被改写了。大学不再垄断“基础知识”的入口。我甚至很难认真对待那些课程体系里还没有把大模型相关内容纳入基础部分的大学，这种东西理应从很小的年纪就开始接触。

很多人会说，用这种方式学习“永远无法真正理解问题本质”，但事实并非如此。你完全可以从任务出发，一路递归往下学，照样能理解得很深。

比如我想学机器学习，我会先问 ChatGPT：我应该做什么项目，让它帮我设计一个项目计划，从这里开始。接着，我会先让它写出一整段完整的机器学习代码，肯定会有 bug，那就从修 bug 开始，一点一点把它跑通。等到程序能跑了，我就会盯住某一小块细节继续追问：“这一部分具体在做什么？能不能用更直观的方式解释一下，这个模块为什么能让模型学到东西？”

它会先给出一段解释，然后提到这里用了矩阵乘法、线性代数。那我就继续问：“这些东西本质上是怎么工作的？背后的数学直觉是什么？能不能画几张示意图，帮我把这块机器学习模块的直觉建立起来？”

这样学，其实是从“上层任务”往下，把所有该补的基础一点点补齐，而不是从最底层往上死磕多年。这个转变，会从根本上改变教育的方式。

主持人：在学校里，关于 AI，有哪些东西是完全没教，或者教偏了的？

Gabriel：首先，学校里对 AI 的整体认知就已经错位了。ChatGPT 一出来，学生的第一反应是：“太好了，有个东西能帮我把作业全做了。” 他们只看到这一点。老实说，换成我当学生的时候，大概也会这么想。

老师的第一反应则是：“完了，大家都要用 AI 抄作业，我们得立刻禁止，AI 是个坏东西。”于是就形成了一个互相强化的循环：在学生眼里，AI 等于作弊工具；在老师眼里，AI 等于作弊来源。在这种环境里，几乎没人有机会自然地去培养一种直觉：原来 AI 是可以用来“学习”的。这个习惯不会凭空长出来。

现在多少有点让人开心的变化是，我偶尔跟在瑞典念大学的朋友聊天，他们会说：“我发现可以用 ChatGPT 帮我出小测。我把往年的真题都扔进去，让它总结这些题目背后共同考察的核心概念，或者让它再出 10 道类似的新题，这样我能真正学懂他们到底想教什么。”

学生这边，开始有少数人摸到门道了。但老师整体上依然非常排斥 AI，这就很说不通。如果老师愿意把叙事换一下，从“AI 会让你们作弊”变成“我来教你们怎么用 AI 高效学习”，情况会完全不同。

想作弊的学生，不管有没有 AI，总能找到办法。如果没有人告诉他们“AI 其实可以用来学东西”，他们自然只会把它当成糊作业的工具。

老实说，我以前也会想办法作弊（笑），只不过那时候根本没人告诉我，这类工具其实可以拿来真正学习。

用 AI 自学数学和扩散模型，他一路走进 OpenAI Sora 团队

主持人：那你是怎么用 AI 来学习的？你是怎么靠 AI 自学数学和机器学习，最后做到现在在 OpenAI 做研究科学家的？

Gabriel：其实和我刚才讲的思路差不多。我现在在 OpenAI 的 Sora 团队，主要做视频模型。当时我就想先搞懂图像和视频模型的基本概念，于是先问 ChatGPT：在这类模型里，最基础、最核心的概念有哪些？

它会开始介绍，说有自编码器（autoencoder）、扩散模型（diffusion model）之类的东西。我听着觉得很眼熟，这些名字到处都能看到，感觉挺酷。下一步我就直接让它把一个完整的扩散模型代码写出来。

它会一下子吐出一大段代码，我第一反应就是：“这都是什么东西？” 但没关系，接下来就是一起 debug。我把报错贴给它，我们一起对着改。随着代码慢慢能跑起来，我也开始一点点建立直觉：这里在发生什么，那里在做什么，每一行代码的作用是什么。

比如在扩散模型里会用到 ResNet 块（残差网络模块），里面有一堆变换，还有一条残差连接，让一部分信息可以直接“穿过去”，从而让模型更容易学习。一开始我完全不知道这一块在干嘛，就不停地追问 ChatGPT。

它一开始会给出类似我刚才那种比较高层的解释，但你脑子里还是有一大堆问号：到底什么意思，“更好学”具体指什么？那就继续往下追问，问它为什么这样的结构会让模型更好训练，如果不用这类结构会发生什么。它就会开始说明梯度是怎么流动的，在什么情况下会被截断，在什么结构里会消失，等等。你就这样一轮一轮往下问，把问题拆得越来越细，直到你真的觉得“哦，我懂了”。

当你觉得自己理解了，还可以反过来把自己的理解用一段话讲给模型听，让它帮你检查：“这是我对这个概念的理解，对不对？” 这样既能校正，又能补上你忽略的细节。

同时，你还能用很多小技巧，比如让它用“我只有 12 岁”的理解水平来解释一个概念，或者让它用一个非常具体的场景打比方，比如“想象你走进一家书店，每本书的摆放方式就是一个向量嵌入”。它会把抽象的概念和现实世界的东西绑在一起，对我这种人特别好理解。

“递归式补洞”：从一个项目一路补完数学和 ML 基础

主持人：所以，现在几乎任何主题，你都可以只靠 ChatGPT 来学。先问它：“如果我要学这个，需要先理解哪些前置知识？” 它会给出一长串清单。然后你从其中一个线头开始往下拽，就像我学视频模型时，是先抓住“扩散模型”这一块，追着问它到底是怎么工作的。

接下来，就是一段一段往下追问：这部分我不懂，这个符号是什么，这个结构为什么要这么设计，这里的数学是怎么推出来的。通过这种不断追问、不断校正的过程，把整套东西真正学明白。

我在 X 上看过你发的很多帖子，感觉你就是在不断用 AI 做这种“再解释”，直到你真正吃透为止。这有点像费曼学习法：最好的学习方式是把概念重新讲给别人听。而现在，“别人”可以是 AI。你在学扩散模型，前面其实连梯度是什么都不知道，它会顺带给你讲微积分、讲线性代数。等你自己觉得差不多了，你再把自己的理解讲回给模型，它再帮你指出哪些地方还不清楚，如此循环，直到掌握得非常扎实。

Gabriel：我自己把这一整套过程叫作“递归式补洞”。如果要用一个词来概括，我觉得最关键的能力是：知道自己哪里没懂。你可以想象，有一个 AI 模型，或者一个你正在学的领域，你要能敏锐地察觉到：“等等，其实这一块我并没有真正理解。” 这不是天生就会的，而是需要刻意训练的。你得不停地问自己一句话：我是不是真的懂了？

这是第一个信号。第二个信号，是当你不断提问、反复追问的时候，会在某个瞬间突然有种“啊，原来是这样”的感觉，像心里有个开关被按下去一样。一旦你抓住这种“卡嗒一声”的时刻，你就知道自己真的理解了。接下来，你要做的，就是不断调整问题、优化提问的方式，让这种“啊哈时刻”出现得越来越快、越来越频繁。

第一步，其实是要把“AI 帮我干活”这个误解，换成“AI 帮我学习”。不要只把它当成一个帮你完成任务的工具，而是要当成一个可以随时提问、随时互动的老师。只要完成这一点，你其实已经走完了大半程。之后如果想变得真正厉害，就要回到刚才说的两点：一是训练自己识别知识里的“空洞”，也就是到底是哪里没弄明白；二是训练自己捕捉“真正理解”的感觉，知道什么时候是“从根上搞懂了”。

你还会不断发明各种“黑科技式”的用法。因为模型默认的回答方式，是想照顾“大多数人”的体验，但你自己的最佳学习方式，往往和它的默认回答风格不一样。所以我经常给它加前置说明，比如：

• “请极度直接、极度具体。”

• “一定要给出所有中间步骤和中间状态。”

• “务必帮我建立直觉，告诉我为什么会这样。”

• “如果你不确定，就列出几个不同方案，说明各自的优缺点、谁试过、为什么有效或无效。”

你要学会通过这样的提示，让 AI 更快地把你送到那个“啊哈时刻”。你第一次真正搞懂线性代数，第一次搞懂反向传播的时候，那种“终于通了”的感觉肯定记得。你要做的，就是让这种感觉出现得越来越密集，把它当成你学习过程里的目标函数。

主持人：听起来，在今天这个时代，想保持竞争力、做到某个领域的顶尖，一个关键能力就是快速、持续地向 AI 提问，从而快速获取和吸收信息。

Gabriel：是的。而且还有一个非常重要的习惯：只要脑子里冒出一个问题，就要立刻把它丢给 ChatGPT。

这一点我自己也是花了很久才养成的。还记得最早那批 GPT-3 playground 出来的时候，我表哥就问我，为什么还不用它，我整天都在写代码。他反复劝我去试试，我每次都敷衍一句“好，我改天用用”，他几乎每个月都会再提醒我一次。结果我整整花了一年时间，才真正形成条件反射：一旦遇到问题，第一反应就是“我应该问一下 ChatGPT”。

你会发现，很多人现在还没做到这点。平时聊天、讨论问题的时候，大家脑子里问号一堆，却没人打开 ChatGPT。在共享办公空间，你能看到很多人苦思冥想，你只想跟他们说一句：为什么不先问一下它？

理想的状态是，只要你在猜、在犹豫、在困惑，问题就应该直接丢给 ChatGPT。它一直在那里，调用成本极低。关键在于，你要对“快速获得那个啊哈时刻”这件事本身产生一种上瘾感。

这背后还需要一项硬技能：你得学会用最适合自己的方式去“调教”它。比如，有的人需要大量比喻，有的人需要具体例子，有的人需要图示和中间步骤，你要找到最贴合自己学习风格的那一种，让它按照这种方式来讲解。

我其实觉得自己挺笨的。很多时候我问完，它解释了一大段，我还是会说，我还是没懂，这太难了。那就再问一次，再换一种表达方式。你可以问它，如果这个世界上没有这些特性，这个概念还会被发明出来吗，让它讲讲在那种情况下人们会怎么做；或者让它假设听众是十二岁的孩子，再解释一遍；或者让它画几张图，把你需要理解的分布都画出来。

你可以用很多非常有创意的方式，从 ChatGPT 里把你需要的信息一点一点“榨”出来。尤其是在早期模型还没现在这么强的时候，有些东西如果我不会问、不会逼它不停换说法解释，可能根本学不进去。我会让它围着同一个问题换着讲、一遍又一遍地讲，直到有一次突然“咔哒”一下，整件事在脑子里对上号。

这也是为什么我觉得，ChatGPT 这种东西应该从小学阶段就开始教。它本质上是一门新语言。你当然还需要创造力、主动性这些人类特质，但在“获取知识”这件事情上，我们已经进入了一个完全不同的时代，和过去根本不在一个量级上。

没有博士学位，也能做“博士岗”

Gabriel：举个非常具体的例子。现在我做的工作，传统上大家基本都会认为：必须读到博士才能胜任。虽然也有少数没读博的人做到过，但如果你在五年前跟人说：“顶级 AI 实验室会招一个没走过传统学术路子的人，只是他在别的领域做过一些有意思的东西，然后他靠自学就能做研究。” 大多数人都会觉得不可能。

但我们现在就活在这个世界里：我能用 ChatGPT 做一份传统上需要“聪明人读很多年博士”才能做的工作。这太夸张了。

有了 ChatGPT 之后，世界发展的速度会快得不可思议。你几乎可以在任何领域做研究——想做生物、想做硬件，都可以直接开始。

我相信，仅仅是大语言模型一项技术，就会带来世界 GDP 的两位数百分比增长。而任何人，只要真的会用 ChatGPT，就能分到一杯羹。现在也就 20 美元一个月，带推理能力的版本在写代码、解释概念这方面已经非常强了。

主持人：那你在构建世界上最好的视频模型之一的时候，具体是怎么用 ChatGPT 来一边工作、一边学习的？

Gabriel：其实非常简单。很多人问我这个问题，总觉得背后一定有一套特别复杂、神秘的工作流。

现实中是这样的：你先看一大堆模型生成的视频，发现某个地方“看着不太对劲”。接着你就去改模型结构，或者改数据，或者尝试别的调整。然后重新训练，再看一轮视频。边看边想：这一次整体效果更好了，很好，这一版可以合入主模型。接下来就问自己：下一个最想修的问题是什么？下一个值得尝试的方向是什么？

这时候 AI 就特别好用。

我会直接把代码库丢给它，让它基于一个很具体的问题提意见，比如：我现在遇到的是这个问题，这是当前的代码结构，给我十个可以改进它的思路。

它会给出很多建议，顺带引用一些相关论文，很多好点子，非常适合头脑风暴。然后你再把这些想法拿去和同事讨论，他们都非常厉害，会一起判断哪些值得真正去尝试。

主持人：那它是怎么给你推荐论文的？

Gabriel：有时候是模型直接记住了那些著名论文的链接，比如 GPT-4.0 甚至更早的版本，就能把常见论文的链接直接打印出来，你点开就行。

你也可以开着联网模式，对它说：“帮我找几篇讨论这个问题的论文。”

当然，我不会从头到尾一字一句把论文都读完。我会给 ChatGPT 一套指令，比如：“请列出这篇论文和我已知方法相比，到底做了哪些不同的事情，要非常具体。”

很多论文其实就是在已有技术上加几个关键变化。你只要让它把这些差异提炼出来，对比一下，有的论文，你一看就知道“这个估计不值得试”；有的论文，你会觉得“这个真不错”，那才值得你花时间深入阅读、真正实现。

而在实现阶段，我经常是直接把自己现有的代码丢进去，对它说：“请把这篇论文的方法整合进我的代码里。”然后复制粘贴开始调试。

当然，我最后还是会认真把代码一行一行读一遍。我觉得这点极其重要，你不能只是把一堆代码往项目里一扔就算完事。

我不是那种“vibe coder”（全靠模型糊代码的人）。在写代码这件事上，我的观点非常强烈也很挑剔。

主持人：听起来你的路径完全不一样。如果你真想把东西做扎实，尤其是站在一个领域前沿，你就必须把所有细节都搞懂，对吧？

Gabriel：对，我想把所有基础都搞明白。很多人第一反应是：“哦，你就是想走捷径，不是真的想搞懂，只想靠一堆 AI 垃圾代码混过去。”但在我看来，正确的捷径是：用捷径去搞懂所有基础。这个区别非常重要。

现在好像只有两派：

• 一派是：“AI 帮我干完所有活，我自己什么都不想学”；

• 另一派是：“必须去读大学，基础知识只掌握在学院手里，必须由教授一点点教起。”

而我大概卡在中间：我觉得基础都很重要，你确实要学；但 AI 又是一个极好的工具，你应该用它来理解一切，用它来增强大脑、增强自己的能力，形成一种人类与 AI 的共生。

从斯德哥尔摩到旧金山：靠一身“野路子技能”闯进湾区

主持人：你在斯德哥尔摩、离开第一家创业公司之后，是怎么一步步来到旧金山的？中间经历了什么？

Gabriel：我一直知道自己想继续在创业公司工作，也一直盯着旧金山——因为我认识的最厉害的人都搬来了这里，大家口中最好的公司也都在这里。我很快意识到，自己应该把“尽快提升学习速度”当成首要目标。可惜那会儿还没有 ChatGPT。现在想想，如果在我开始学东西时就有 ChatGPT，我现在可能已经是亿万富翁了（笑）。

在那之前，最好的办法就是：去和最顶尖的人一起工作。

那怎么做到呢？你就尽可能多地和公司聊，多面试、多交流。反过来“面试”面试你的人：

• 你之前做过什么？

• 你们团队会认真做 code review 吗？

• 你会不会在 PR 里指出我所有错误、告诉我哪里写得不好？

后来我确实加入了几家有非常优秀工程师的公司。我也刻意尽量以“合同工”的形式工作。因为我觉得：很多人职业生涯里最大的错误，就是在早期待在同一家公司太久。这是我看到的最严重、也最常见的问题。

主持人：听起来，你在辍学一年左右、离开第一家公司之后，就一直在寻找你心目中“最强的团队、最强的工程师”，去他们那里工作一段时间，学到东西之后，再寻找下一次机会和更合适的团队？

Gabriel：差不多这样。我那段时间几乎只接合同岗位，就是为了让自己“机动性”非常强，可以随时换到更适合学习的环境。

• 你尽量去找最好的团队；

• 尽量贴着这些最强的人一起工作；

• 在工作内容上保持自己的主见，不要只接没人愿意做的杂活，因为那学不到东西；

• 对帮你做 code review 的人，表达非常多的感谢——那是最好的反馈来源。

你要主动去“追着反馈跑”。比如直接跟对方说： “我特别喜欢你给我的这些 review，你以后能不能帮我看所有 PR？” 对方往往会有点震惊：“哇，第一次有人说喜欢被挑毛病。”

主持人：是，很多人一工作，就觉得“我已经受完教育了，不想再被人挑错”。但对你来说，你是一个没学历、没背景的年轻人，几乎一无所有。

Gabriel：对，我没有任何光环，没有文凭。对我来说，唯一的学习路径，就是尽量加入最好的团队，保持高度机动，多换环境，然后死磕反馈。

你甚至可以主动打电话给那个给你提了很多意见的工程师，说：你的代码 review 非常好，我们能不能开个会，把每一条评论都过一遍？从这样的对话里，你会学到大量第一性原理和工程直觉。要成为一个真正优秀的工程师是很难的，这个领域太宽了，需要掌握的底层规律和直觉非常多。你懂了之后，它们看着都很简单，但在此之前，其实很难真正学会。

过去，这些东西你只能从资深工程师、老师身上学，现在有了 AI，你在任何公司、任何时间点，都可以按需获得这种“辅导”。想象一下：凌晨四点，你还在写代码、做实验、写论文，你随时都能把东西丢给 AI，让它帮你审代码、解释原理、分析为什么这种设计更好。我现在就是这么干的。

我认为，当你发现一件事情在你身上“特别有效”，就应该把它发挥到极致。对我来说，就是尽可能多地提问。一天问它一百个问题也没问题。

我浏览器里总是开着 ChatGPT，一边写代码一边随手扔过去，让它看一眼：这样写好吗？这里会不会有 bug？有没有更简洁的写法？有时候它会说看起来没问题，有时候会指出一个 bug，或者告诉你可以用更简单的方式实现。你就这样不断地学。

主持人：如果你每天都能围绕真实问题提上几十上百个高质量问题，你的成长速度会远远超过 99.9% 的人——而你“只是一个高中辍学生”。

Gabriel：当然，我还是觉得人类给的建议非常重要，尤其是在观点和判断层面。毕竟模型是吃全网数据长大的，里面有各种各样的立场和偏见，有时候难免会有奇怪的看法。和真正厉害的人一起工作，依然非常有价值。只不过现在，你已经可以用 AI 获得他们大概 95% 的知识增益。

没学历，怎样敲开 OpenAI 这类顶级团队的大门？

主持人：一方面，和最厉害的人共事，拿他们的反馈；另一方面，随时随地不断追问 AI，对任何你想解决的问题、任何你想掌握的概念，建立起非常深入的理解。你一边从这些资深工程师身上学习，一边在不同公司做合同工，有 YC 公司，也有其他创业公司。那在你没有学历、没有高中毕业证的前提下，你是怎么最后来到美国的？

Gabriel：这要从我加入的一家公司 Dataland 说起。我们做的是类似 Airtable，但性能更好、更偏开发者、也更容易扩展的那种“表格数据库”。

对我来说，这是职业生涯里一个非常关键的选择。在那里，我遇到了一位非常厉害的工程师，他既热衷教人，又对“写出干净、正确的代码”极度执着。

对我来说，这简直是完美组合：我写代码，他在一个 PR 里能给我提上百条评论，随时可以打电话问他“这段应该怎么写得更好”。他会从第一性原理讲起，解释为什么要这样设计、这样抽象、这样拆分，这种指导非常宝贵。那段时间我人在瑞典远程工作，他在纽约。慢慢地，我就开始认真想：“我真的很想去美国。”

当时我们短暂启动过一个偏“实习性质”的签证方案，大家都觉得，以我这种背景，拿一些“高门槛签证”不太现实，听上去像是只有特别顶级学术成就的人才有机会。后来公司 pivot，我选择离开，开始认真想下一步。我用短期停留身份来旧金山待了几个月，到处和人聊天，看这里的人都在做什么、在哪些公司、读什么书，一边探索、一边找机会。最后，我加入了 MidJourney。

加入 MidJourney 之后，我才真正觉得：“也许我真的可以试着申请高门槛签证。”结果发现，路径比我想象中灵活得多。比如，在我的材料里，就用到了我在 Stack Overflow 上的回答。

我表哥以前还吐槽过：“你老在 Stack Overflow 上回答问题，是不是在浪费时间？”我当时只说：“说不定以后会有用。”结果后来真的派上用场：

• 我的回答累积了几百万次浏览；

• 很多同行会去审查、纠正你的答案，不靠谱的内容会被踩、被删；

• 如果有大量点赞，就说明你确实帮到了很多人。

这些都可以作为“你对这个领域有实质贡献”的证据。类似的，GitHub、Stack Overflow 其实都是向世界证明你实力的很好载体，也可以成为你进入顶级公司、来到美国的重要筹码。

主持人：MidJourney 是全球最知名、也是最强的 AI 图像生成公司之一。你是怎么进去的？

Gabriel：这个过程其实很难“按步骤设计”。你很难下定一个目标，说“我要去那家公司”，然后按路线图一路走到终点。你真正能做的，是在各个地方不断给自己制造小概率的机会。

把自己做过的东西发出来，认认真真做几个扎实的 demo，尽可能多去认识人、多参加活动，多跟人聊，然后请别人帮你引荐，而且最好是当场把这件事敲定。比如对方说可以介绍你给某个人，你就顺势说：那我们现在就发封邮件？这种做法能动性很高，会逼着事情真的发生。

同时，你要非常清楚地表达：你能为对方创造什么价值，让别人意识到你不是一个完全空白的“nobody”。客观说，我本身就是一个 nobody，只是来自瑞典小镇的高中辍学生。但只要你手里有拿得出手的东西，比如我当时做过一个叫 FastGrid 的项目，一个高性能的 Web 表格组件。

只要遇到我觉得可能会有交集、或者将来能互相帮忙的人，我都会顺手打开给他们看：这是我做的，你可以点一点试试。对方通常都会说一句：这也太酷了吧。

一旦他们意识到你确实有真本事，就会愿意把你介绍给他们那些在创业、在招人的朋友。因为如果你最后被对方录用了，那个帮你引荐的人也能收获一份“社交红利”——别人会记得：这次招到的好人，是他介绍来的。

主持人：如果像你当年那样，来自瑞典某个偏远小镇，是一个“完全没有背景的 nobody”，要怎么向重要的人证明自己的价值？

Gabriel：我给的第一条建议是：做一个非常非常好的 Demo，而且要足够简单。

做一个好 demo 的难点，其实不在技术复杂度，而在于：

1. 3 秒钟之内，让别人看懂你做的是什么；

2. 3 秒钟之内，让别人看出你会写代码、而且写得不差。

你可能有上百个竞争者，对方只会随手点开你一个链接，你只有这一次机会。这个 demo 必须让人一眼明白自己在看什么，以及你大概有多能打。

公司本质上只关心一件事：能不能赚钱。你只要让他们快速意识到你会写代码，而且你能帮他们赚钱，他们就会认真看你。很多人说“公司只招有学历的”，往往不是因为公司迷信文凭，而是压根没有人真正向他们证明过“我能把这份工作干好”，他们只好退而求其次，用学历、名校、实习头衔这些“代理信号”来判断。

所以你会看到面试场上都是类似的介绍：我读过某某名校，在某某公司实习，把流水线优化了 30%。HR 听完很难判断什么，只会按这些标签往前筛。你爸妈和老师会告诉你这些东西很重要，但对真正拍板的人来说，这些只是在没人拿出“硬证明”时的次优选择。

对公司里不同角色来说，关注点也不一样。CEO 只在乎你能不能帮公司挣钱；层级往下走，负责招聘的人和实际业务结果的联系越来越弱，他们更在乎“不要背锅”，于是就会倾向于说：“我招的是名校生，出了问题也不能怪我。”

所以我一般会建议两件事：尽量不要只和不懂技术的招聘官周旋，因为他们只能看文凭和名头；尽量直接去找真正做事的人，比如技术负责人、团队 leader、创始人。很多人不知道，其实你完全可以直接去跟这些人聊，去技术活动现场，去找正在创业、在招人的人。

几乎所有创业公司都渴望高能动性、肯自学的人。如果你真的很会用 ChatGPT，遇到一个创业者，你可以主动上去聊天，顺手给一个实打实的技术建议，然后说：我很想试着和你们合作，要不要先试着一起做一周，就算免费也没关系。

一旦你有机会实际展示自己的能力，后面的路就会好走得多。

我一般会用一种很轻松的方式开头，比如说：一起试试会很好玩。我刚好有一些想法，可以和你们一起做，你这边不需要任何承诺，也不用花太多时间，就当多拿一个“我是不是有用”的数据点。几乎所有人都会答应，因为他们会想：我啥也不用投入，还能看看你值不值得长期合作，何乐而不为。

说实话，如果你是一个真的会动脑子的人，甚至都不需要“懂很多东西”，只要你足够聪明、会用 ChatGPT，理论上你明天就能找到一份工作。

很多人担心“这是不是很冒险，我还想上大学，我还想保留别的选择”。其实完全可以无风险地做：你照样申请大学、照样去上课，只是在上学期间多花一些时间投简历、找项目而已。一旦你拿到第一份真正的工作，之后几乎没人再关心你的文凭。你已经有了实际战绩，相比之下，学位还能起多大作用？你在公司里解决的问题，远比你在学校学完一门线性代数要难。

当然，我说的是那些真的想在事业上全力以赴的人。对很多人来说，上大学依然是很好的选择。我也会跟不少朋友说：去上大学吧，那段时间会很开心，也能学到不少东西。大学教的东西并不是没有价值，只是教学方式非常低效。

你会遇到很多很酷的人，但如果你来到旧金山，在公司上班、参加各种技术活动，遇到的人大概率会更有趣。大学能给你的东西，社会和行业同样能给你，只是后者效率更高。

所以最后还是回到一个问题：你想过什么样的人生。如果你是那种极度有野心的人，我会建议你尽快离开纯粹的学校环境，尽快进入真实世界。当然你也可以走“安全模式”：先入学，把退路留好，一边读书一边找工作。如果你真的这么在乎职业发展、这么想跑得更快，那这几乎是显而易见的选择。对我来说，如果当年没有人把我“拽出去”，我自己也会想办法从高中退学。

大学更像是一种“成人托儿所”

Gabriel：有点争议地说，我会把大学看成一种“成人托儿所”。

你有一大群需要为自己人生做决策的人，他们不想做决定。这时候系统对他们说：“没关系，你可以先上大学。”尤其是在瑞典，你甚至不用付学费，还会拿到补贴。大家的心态就变成：“太好了，我可以拿着钱，把做决定这件事再往后推几年。”

学校还会提供各种“你暂时不用决定未来职业”的专业，比如什么“工业经济”“土木工程”之类的，你根本不用想清楚自己以后具体做什么，只要继续在一个模糊的大方向里混五年就行。人们非常喜欢不断推迟决策。

“我不想现在就选定我要干一辈子的事情。”虽然这不是真的，但感觉上就像在给人生盖章。比如，一个人做了五年律师，哪怕他后来转行做市场、收入更高、人也更开心，周围人还是会问：“你就这么浪费了五年？”

这在我看来非常奇怪。他明明提高了自己的幸福感，甚至就算收入降了一点，只要他觉得更快乐，这都是好事。到头来，人生的核心还是“自己开不开心”。

给不知道自己该干什么的 18 岁年轻人的建议

主持人：如果有人 18 岁，不管是在高中、在大学，还是刚大学毕业，他们完全不知道自己要做什么，你会对他说什么？

Gabriel：这种状态太常见了。我遇到过很多这样的人，我自己也经历过。对我来说，大概从小学高年级就开始了。我当时只知道一件事：我想赚钱，我想做生意，我想“人生成功”，但我完全不知道那到底意味着什么。我甚至不知道什么是创业公司，只好上网搜索：How do I make money online（怎么在网上赚钱）？结果跳出来的基本都是各种问卷网站，我就开始点问卷，心想：“天哪，我居然真的在网上赚到钱了。”

问题在于，你完全不知道从哪里开始，也没有人会教你从哪里开始。大家只会说：“去上大学吧，等八年、十年之后再开始做事。”

有些人会比较幸运，比如从玩 Minecraft 开始，自己搭服务器、卖服务，突然发现：“我靠，这居然能赚钱。”从那一刻起，你其实已经在运行业务了，也开始用对的视角思考问题：做点东西 → 有人愿意为之付费 → 继续放大。这类人从此大概率会顺利很多，因为他们已经不再是抽象地“想成功”，而是在实践里碰到了正确的框架。

我现在会给年轻人的建议是：试着来一次“信仰之跃”，尝试成为一名软件工程师。尤其是在今天这个时代，有了 ChatGPT 和各种 demo 工具，这是一个非常不错的切入点。你完全可以先从做游戏开始。

软件工程有一个巨大的优势，就是你能非常容易地展示自己的成果：做一个小游戏，给自己的故事写一段介绍，讲清楚你的能动性有多强、学习速度有多快，再截几张图，展示你是如何用 ChatGPT 自学、如何一步步把东西做出来的。

把这些东西整理好，一口气发给五百个人。一定会有人说：“好，我愿意给你一次机会。你现在小时薪可能只有十美元，但你是一个值得押注的、还没被发现的人才。”对公司来说，这也很划算：你会在实战中学到很多东西，会直接和真正干活的人一起工作；而对你自己来说，你越快进入一个“真实环境 + 真实问题 + 真金白银与责任”交织在一起的世界，你的成长就越快，滚雪球就越早开始。从那之后，你基本就已经走上正轨了。

主持人：真正难的是那第一跳：从学校、从纯粹的舒适区，跨到一个真实的工作场景或真实项目里去。

Gabriel：是的。刚才说过，一条经典路径是学编程。另一条同样典型的是做市场营销。如果你想做 marketing，首先要想清楚的是：我要怎么“推销我自己”。

如果让我回到 16 岁，我可能会先给一堆公司发邮件，说自己可以帮他们做营销——大概率没人回。谁会回复一个完全随机的高中生？

但如果你换一种做法：直接打开他们的网站，把现有内容截下来，做一个“免费的优化版本”，然后再发过去：“嗨，我刚帮你改了一版页面 / 做了一张图 / 重写了一段文案。”对方看到的时候会想：“哦，这个人已经真的帮我做了点东西。”

说实话，大家对“什么算是有价值的工作”的门槛其实非常低。世界上有成吨的问题等着人来解决，你只要先替他们解决其中一个，就已经算是“录用了一半”。接下来对方只需要顺水推舟，说一句：“那我们先按小时给你一个合同工的机会试试。”你已经用实际成果证明自己能干，他们做决定就会轻松很多。

“用 AI 学 ML”一点也不丢人

主持人：我这里还有几条你在 X 上发的、挺有争议的推文，想让你展开讲讲。其中一条是：

“跟我的教授 o1-preview 一起学机器学习：

先定一个要做的东西。

写代码。

Debug，让它跑起来。

让它解释每一步、解释背后的直觉。

把主要直觉再用‘我 12 岁能听懂’的方式讲给我，并把所有细节都展开。

如果反过来学，那会难到爆炸。”

Gabriel：对，当时我特别想把 ML 学到极致，所以就总结出这么一条“学习路径”。

从一个具体问题开始，你可以直接问 ChatGPT：我应该做什么样的项目？它会给你一个不错的起点。然后让它先把代码全写出来，你再去看、去改、去理解。等这份代码你基本吃透了，再往下拆每一个模块，去问：这一块具体是怎么让模型学到东西的？背后的数学直觉是什么？就这样一层一层递归往下钻。

当时我有一个非常强烈的感受：如果要我从数学那一端、从各种先修课开始，慢慢往上爬，难度会离谱地大，而且会极其耗时间。

主持人：是啊，传统路径基本都是这样：想上某门高阶课，得先修完一长串先修课。久而久之就会让人产生一种错觉，好像知识是一条无穷无尽的阶梯，你必须把每一级都按部就班地爬完，才能往上一点点挪。我很喜欢你这种“去他的前置条件”的思路：我可以学任何东西，可以从顶层问题开始，一路递归往下，而不是被“我还只是大一，我不配碰这些知识”这种心理框架困住。

Gabriel：对我来说，这是对“知识”这件事的一个巨大心态转变。

我在 X 上经常看起来像是在攻击学术界，但我并不是在否定学术本身。很多了不起的事情、很多重要论文，确实都是从学术界出来的，这些工作非常了不起。

我反对的是另一件事：那种认为“基础只能通过传统路径、从底层慢慢往上学”的观点。很多人会极力捍卫这套叙事，甚至到了要跟你“拼命辩护”的程度，说你这样学永远不可能真正理解本质。

我会想，为什么这会让人这么愤怒？在我看来，很大一部分原因在于：当一个人花了很多年时间，用一种低效的方式走完一套路径，然后被告知“其实有更快的方法”，自尊会受到很大的冲击。

他们可能花了十年，按传统路线一路读上来。然后突然冒出来一个高中辍学生，靠 ChatGPT 自学，把他们在做的工作也干了，这当然很难接受。

所以当我写这些东西的时候，确实会刺痛一些人的感受，说实话，这里面是有一点“故意的”。因为正是这些被自尊裹着的旧观念，在把后来者挡在门外。

一个 17 岁想学 ML 的人，去问那些按传统路径走出来的人，对方往往会说：你得先花很多年，你要上一堆课，你要去某所大学跟某位教授。问题在于，这并不是唯一的真相。你当然可以这么做，如果你真的觉得那样很好玩，那完全没问题。但我要说的是：还有更简单、更直接的路径。如果我们敢于戳破那层观念，就会有更多人能走一条类似我这样的路。

还有一条推文是：

“大学不再垄断基础知识。

下面是我作为一个高中辍学生，如何用 ChatGPT 学会扩散模型主要直觉的方式。”

里面写的路线，其实就是我刚才讲的这一套。

我最核心的观点就是：大学不再拥有“基础知识”的独家权力。真正重要的是：你有没有对自己的好奇心和学习负责的“能动性（agency）”。 如果你有，你几乎可以学任何东西。

大学当然希望继续垄断你的学习路径。想象一下：如果一个教授一辈子的职业，就是反复向人强调“上大学有多重要”，但突然有一天大家发现其实不那么必要了，你觉得他会怎么做？

他会用尽一切办法维持原有秩序：如果最聪明的人都选择自学，不去读他的课，那大学里的“聪明学生密度”会下降；大学的地位和光环会被削弱； 他的个人身份认同也会动摇。所以他们会竭尽全力证明：“你还是需要我们。”

主持人：是啊，对于很多在体系里的人来说，这几乎是在动他们的根基：“我花了 10 年读书，背上了 40 万美元的学贷，好不容易把论文熬完拿到博士。现在你告诉我，有个叫 Gabriel Petersson 的高中辍学生，用 ChatGPT、在没有任何正式 ML 或数学训练的情况下，做着传统上只有博士才能做的工作？”

Gabriel： 那条推文大概是这么写的（笑）：

“我现在在做一份传统上只有博士才能胜任的工作，但我没有系统学过 ML 或数学，只是靠 ChatGPT 自学。

我真不知道，还有什么更好的证据能证明 ChatGPT 已经达到了 PhD 级别。”

当然，话虽这么说，我对教授和科研工作者本身是非常尊敬的。他们为世界做了很多了不起的贡献，做了很多重要研究。

我反对的只是那套附着在旧体系上的观念——比如说：“学扩散模型必须先从底层数学一步步往上爬。” 我会用一句很简短的话来概括：“用自顶向下的方式学扩散模型，3 天就够；用自底向上的方式，从大学开始一步步学，需要 6 年。”

如果按照传统路径，要学扩散模型，起码得先上：

• 微积分 1、2；

• 线性代数；

• 初级机器学习课程……

你很可能要在体系里泡 6 年，才第一次在课堂上看到“扩散模型”这几个字。问题是：你六年前根本不知道自己会不会喜欢扩散模型。

我认识太多人，选专业时只觉得：“AI 听起来挺酷，我去上这门课吧。”结果他们直到读了三年，才第一次真正接触到“AI 具体在做什么”，这完全是反直觉的。

按理说，你应该先用三天时间：

• 直接从 ChatGPT 那里学完“扩散模型是什么”；

• 真正看一看这玩意儿的日常工作状态是什么样；

• 然后再决定要不要为了它去读 3～6 年书。

就算你最后还是决定上大学，那也应该是一个信息充分的选择——你已经知道自己要学的东西是什么、为什么有趣，而不是盲选一个听起来很酷的 buzzword。

主持人：我特别喜欢看到有人在别人难以置信的时间框架内，完成别人觉得“不可能”的学习曲线。大部分人会说：“天啊，我花了那么久才摸到点边。”而你就是一个活生生的反例——只要你真的相信自己能学很快，愿意不停地问问题、不停地往下钻，你几乎可以无限次复制这种“加速学习”的过程。你可以像你现在这样，在世界顶尖的 AI 实验室工作。

Gabriel：其实它简单得可怕。

归根到底只有一个核心事实：公司想要的，是能做出很酷东西的人。你要做的，就是证明你能做出很酷的东西。

把你以前听过的求职建议全部丢掉，先从这个最简单的真相开始，再往上加其他东西，就从这个事实出发。

主持人：这也正好对应你一条推文：

“公司只想赚钱。

你要做的，就是证明你能帮他们赚钱。

把你过去听过的所有求职建议都丢掉，从这句简单的话重新开始。”

Gabriel：我觉得，很多人给职业建议时，和现实是严重“错位”的。

想象一下：一个人在大学里读了 5 年，对自己的选择挺满意，觉得“我确实学到了不少东西”。这时有个年轻人跑来问他：我想有一份很好的职业，我该怎么走？

但如果这个人一生只走过一条路，而且身边所有想做软件工程的人也几乎都是同一条路，于是他很自然会说：我真心建议你也去读 5 年大学，走和我一样的路。他是好意的，真心相信自己在帮你。

但问题在于，这种建议，在决策上几乎没有信息量。

• 他只体验过一种路径，从没和其他路径做过真正的对比；

• 即便他尝试比较，他在心理上也很难承认“也许我浪费了时间”，所以会本能地维护自己走过的那套体系。

人的很多观点，几乎都和自己的利益和经历绑在一起。因此，我通常会建议：把大多数“人生建议”都当作噪音处理。

我能从高中辍学，很大程度上就是因为我把这些建议当成噪音，没有太当真。我从来不太指望别人替我想清楚路要怎么走。我知道大部分人都是好心的，也真心相信自己在帮你，但多数建议对你而言并没有什么实际帮助，甚至有时候还是反向的信号。

比如你去问一个一路按部就班念完大学、从未认真思考过自己职业路径的人，他自然会把那套“默认剧本”再讲一遍给你听。这不是恶意，只是信息含量接近于零。

主持人：那他们应该怎么判断：谁的建议值得听？谁可以当“导师”？

Gabriel：老实讲，我真正会听建议的人，少到可以用一只手数完。我表哥就是其中一个。我们思维方式非常接近，想要的东西也高度一致，而且他比我大很多。 他读过大学，走过那条路； 他知道自己在哪些地方“走弯路了”； 他能明确告诉我：“你跟我想要的东西一模一样，你走我这条路只是在浪费时间。”

对我来说，这是一个非常强的信号：“一个和我高度同频、又比我走在前面的人，告诉我：他觉得自己当年有一段时间是浪费的。” 很多本来需要他花几年踩坑才得出的结论，我可以直接拿来。我很多早期的选择，都是高度参考他的经验做出的。

别被“伪努力”困住：只有现实世界的项目，才算真正的进步

主持人：那对于那些 16、17 岁很有冲劲，但不知道怎么办的人，你会怎么说？

Gabriel：我太理解那种状态了。一边刷着 YouTube 上各种“励志视频”，看完的时候热血沸腾，心想：我看到了秘密，我被点燃了，从今天起我要一直有动力。结果第二天一醒来，完全想不起来自己昨天到底在激动什么。

这种视频对有野心的人来说，其实是个陷阱：你在什么都没做的时候，获得了“好像做了点什么”的错觉。

同样的，还有对“好习惯”的过度迷恋。读书当然很好，锻炼很好，早起、冥想、时间管理也都很好。但如果你没有在推进一件真正重要的事情，这些习惯就只是让你“感觉很勤奋”的装饰品而已，看上去很自律，实际上对你的人生路径几乎没有影响。

真正重要的是：开始在现实世界里工作，解决真实的问题。世界上有成千上万的创业公司，非常乐意有人来“免费帮忙”。你完全可以主动伸手，比如去 LinkedIn 上找创业者，尤其是那些还在隐身状态的创业团队，一口气给他们发消息，说自己想试着和他们一起做点事，这个周末可以先免费干一干，哪怕从最简单的活开始。

你的第一目标，就是尽快拿到第一段“真实世界经验”：真实的公司、真实的同事、真实的需求和用户、真实的钱。这些东西，才是真正会改变你人生轨迹的变量。

我在小学、初中、高中花了无数时间看书、练习各种好习惯、早起跑步，当时觉得自己特别自律、特别高效。但如果把那些努力和“现实中的产出”对照起来，结论其实挺残酷的：如果这些努力不是用在一件真正往前推进的事情上，它们几乎没有任何长远价值。

对我，以及很多和我类似的人来说，正确的关注点只有一个：尽可能快地拿到第一份真正的工作。这个过程很难，需要你付出大量行动，但你的视线应该始终牢牢锁定在这一点上。

主持人：你还有一条很多人转发的推文。你怎么理解它？

“世界上 70% 的人都处于一种长期的轻度痛苦状态，

因为只要存在‘什么都不做’这个选项，他们就会对任何需要心理上用力的决定过敏。”

Gabriel：我真心觉得，如果大家能理解这点并付诸行动，全世界的幸福感可以提升 20%。人一到需要“心理上很用力”的时刻，就非常容易做出糟糕的决定。更糟糕的是，大脑甚至不会告诉你“我现在是在逃避”。

举个例子：你现在在一家公司里工作，你其实并不喜欢； 理智上你知道：外面可能有更适合你的机会、薪水更高、同事更强；但要换工作，你需要：投简历、准备面试题，很痛苦； 参加面试，被拒绝的风险很难受； 拿到 offer 后还要谈薪资，也是心理压力； 最难的是：你要和现任老板说“我要离职”。 这些对绝大多数人来说都极其不舒服。

于是，在你还没认真想清楚之前，大脑就先帮你把这条路屏蔽掉了，它会自动生成一套说辞，“其实我现在这份工作还行。” “我现在学到的东西已经很多了。” “这可能已经是我能得到的最好情况了。” 哪怕你是一个非常有野心的人，你的大脑还是会不停说服你：“我现在应该已经处在一个对自己很有利的位置了。”

哪怕这只是你人生中的第一份、信息极度不充分的工作，你依然会自我催眠：“我在这里学得最多。”

但真实情况往往不是这样。

真正重要的是：

能不能对自己诚实，真的去审视：

“我现在拿到的是不是我可能拿到的最好组合？”

“我是不是只是因为‘换一个选择太痛’才不动？”

很多人只想要一个体面的工资、好同事、还不错的生活方式，这完全没问题。但要做到这点，很可能你需要做一些非常不舒服的决定——比如离职、搬城市、跨国。

我有一个瑞典朋友，他在当地拿的算是“不错的工资”，比平均水平高 50%。在瑞典那已经算“生活不错”了。我反复跟他说：“你为什么不来旧金山试试？你可以把收入提升 10 倍，同时跟更强的人一起，做全世界在用的产品。”

他每次都有各种理由搪塞：签证麻烦、怕换环境、不确定能不能适应等等。哪怕他非常信任我这个朋友，他的大脑还是在替他回避“这件事值得认真考虑”的事实。最后我受不了了，直接把他拉去和一家公司的创始人见面，让他们开始面试流程。

一旦进了面试，这件事就“有了动量”：公司会主动拉他往前走； 面试流程会推进； 最后 offer 会放在桌上，他只需要做“签字 or 不签”这一个决定。 最终的结果是：他直接把收入提高了 10 倍。 而这件事，我最早大概在一年前就开始劝他。如果你把那一年的“损失”算成钱，那几乎就是一整套瑞典的房子的价格。他失去了一套房子，只因为没有迈出那一步。就是“没有去投旧金山的简历”这么一件简单的事。

收尾：给“过去的自己”的一封信

主持人：和你聊天太开心了。你的很多观点看起来“很犀利”，但背后其实是非常诚实、也非常有用的观察。你从高中起就几乎一直在“自己思考”，这一路走到现在，把这些经验提炼出来再分享给别人，本身就是很不容易的事情。

Gabriel：我也很开心能聊这些。我一直在想，如果几年前有人把我现在说的这些话讲给当时的我听，我可能能早四年来到现在的位置。当然，那是从我的视角出发——每个人的欲望、目标都不一样。如果有些人听了之后觉得：“这说的不就是我吗？我也想这样做。” 那对他们来说，这些东西可能就会变得极其有价值。

主持人：对我来说，这期节目本质上就是你在对“过去的自己”说话。你出生在瑞典一个“什么都没有”的小地方； 高中辍学； 没有传统意义上的好学历； 靠着互联网、靠着自己的好奇心和行动能力， 走到了全球最顶尖的 AI 公司之一，做着原本“默认只属于博士”的工作。 而那些“起点很低”“家在世界另一头”的人，只要有网、有 ChatGPT，其实都能复制同一条路径。我希望这期节目，能成为很多人的一个分水岭：听完之后，他们的人生轨迹，真的会朝更好的方向偏转一点。

Gabriel：我也希望如此，那会非常酷。我还想补充最后一点，也是我在瑞典时最大的心理障碍之一：“我觉得自己不够聪明。”

我小时候经常觉得自己是个傻子，当然不是真的“完全没智商”，我知道自己在数学上比同龄人好很多，但当你看到那些在造火箭、在做巨大项目的人时，会有一种非常强烈的落差感： “我怎么可能做到他们做的那些事？我跟他们之间一定有一道不可逾越的鸿沟。”

实际上，我们大多数人都严重低估了自己能做到的事情。我可以很大胆地说：只要你现在在听这种内容，你很可能已经在“人群前 1%”了。

绝大部分人，是不会主动花一个小时，认真听一段讨论“怎么改变自己人生路径”的访谈的。但你在听。这本身就是极强的“能动性”信号。

而那“前 1%”，恰好也是未来最有可能：

• 在全球前 200 家公司的创始团队里，

• 或者在最前沿的实验室、研究组里，

• 或者在真正推动行业前进的那批人里。

你只需要沿着这条路，继续往前走。你可以来到旧金山，在顶尖公司工作；也可以自己创办一家顶尖公司。世界上还有太多事情等着被做。

主持人：太棒了。Gabriel，非常感谢你今天的时间。

Gabriel：也谢谢邀请我来聊天。

主持人：老实说，我觉得你是这个世界上，最会用 AI 学习的人之一，更多人应该知道你是怎么做到的。

Gabriel：我还在努力。也希望未来会有比我更厉害很多的人，然后我可以反过来向他们学习。

参考链接：

https://www.youtube.com/watch?v=vq5WhoPCWQ8