Я здобув освіту в галузі штучного інтелекту та пізніше працював дослідником у OpenAI

Нещодавно я був на зустрічі AI у Шанхаї.

Захід був присвячений реальним застосуванням штучного інтелекту.

Найбільше мене вразила стратегія навчання, яку озвучив досвідчений інвестор.

Він розповів, що цей підхід не тільки врятував його кар’єру, а й змінив спосіб оцінки людей у ролі інвестора.

У чому суть? Це мистецтво ставити запитання.

Якщо ви цікавитесь темою, спілкуйтеся з DeepSeek. Ставте питання, доки він не перестане відповідати.

Метод «нескінченних запитань» здався мені глибоким, але після події я швидко про нього забув.

Я не застосовував його і не задумувався над ним.

Лише нещодавно, коли я дізнався історію Габріеля Петерссона — як він кинув школу і за допомогою AI навчився, щоб потрапити до OpenAI — я зрозумів справжню силу «запитувати до кінця» в епоху штучного інтелекту.

Подкаст-інтерв’ю з Габріелем | Джерело: YouTube

Від школяра, який кинув навчання, до дослідника OpenAI: неймовірний шлях

Габріель зі Швеції, він залишив школу до випуску.

Профіль Габріеля у соцмережі | Джерело: X

Він думав, що недостатньо розумний для кар’єри в AI.

Все змінилося кілька років тому.

Його двоюрідний брат заснував стартап у Стокгольмі, створював систему рекомендацій для e-commerce і запросив Габріеля до команди.

Габріель погодився, хоча не мав технічної освіти чи заощаджень. Перший рік він навіть спав на дивані в офісі.

Цей рік став переломним. Він навчався не в аудиторії, а під тиском, вирішуючи реальні задачі: програмування, продажі, інтеграція систем.

Щоб швидше розвиватись, він став підрядником, отримав свободу вибору проєктів, співпрацював із топ-інженерами, активно шукав зворотний зв’язок.

Коли подавався на візу США, зіткнувся з проблемою: потрібен доказ «видатних здібностей», який зазвичай підтверджують науковими публікаціями та цитуваннями.

Як випускник школи міг це надати?

Габріель придумав рішення: зібрав свої найкращі технічні пости зі спільнот розробників як альтернативу «науковим внескам». Міграційна служба це прийняла.

Після переїзду в Сан-Франциско продовжив самостійно вивчати математику та машинне навчання за допомогою ChatGPT.

Сьогодні Габріель — науковий співробітник OpenAI, працює над відеомоделлю Sora.

Ви, мабуть, запитаєте: як йому це вдалося?

Інсайти Габріеля | Джерело: X

Рекурсивне заповнення знань: контрінтуїтивний підхід до навчання

Відповідь — «нескінченні запитання»: обирайте конкретну задачу і використовуйте AI для повного її вирішення.

Стратегія Габріеля суперечить інтуїції більшості людей.

Зазвичай навчання «знизу вгору»: спочатку база, потім практика. Наприклад, для машинного навчання — лінійна алгебра, теорія ймовірностей, математичний аналіз, потім статистичне навчання, потім глибоке, і лише згодом — реальні проєкти. Це займає роки.

Його підхід — «згори вниз»: почати з конкретного проєкту, вирішувати проблеми по ходу, заповнювати прогалини у знаннях за потреби.

У подкасті він пояснив, що раніше цей метод було важко масштабувати — потрібен був викладач, який підказував, що вивчати далі.

Тепер цю роль виконує ChatGPT.

Інсайти Габріеля | Джерело: X

Як це працює? Він навів приклад із дифузійними моделями.

Крок перший: загальна картина. Запитує у ChatGPT: «Я хочу вивчити відеомоделі — що головне?» AI відповідає: автоенкодери.

Крок другий: код. Просить ChatGPT написати фрагмент коду дифузійної моделі. Спочатку мало що розуміє, але запускає код. Якщо він працює — є база для відладки.

Крок третій, найважливіший: рекурсивні запитання. Аналізує кожен модуль у коді й ставить питання щодо нього.

Заглиблюється шар за шаром, доки не розуміє логіку, потім повертається до попереднього рівня і продовжує з наступним модулем.

Він називає це «рекурсивним заповненням знань».

Рекурсивне заповнення знань | Джерело: nanobaba2

Такий підхід значно швидший, ніж шестирічне покрокове навчання — базову інтуїцію можна отримати за три дні.

Якщо ви знайомі із сократичним методом, принцип той самий: до суті теми веде наполегливе ставлення питань, кожна відповідь — старт наступного питання.

Різниця — AI відповідає. І оскільки AI майже всезнаючий, він постійно пояснює суть зрозумілою мовою.

Габріель використовує цей підхід, щоб отримати ядро знань від AI — і справді зрозуміти предмет.

Більшість людей втрачають навички через AI

Після подкасту історія Габріеля змусила мене задуматися:

Чому одні, як він, ефективно навчаються з AI, а інші деградують?

Це не тільки моє спостереження.

Дослідження Microsoft Research 2025 року [1] показує: часте використання генеративного AI веде до суттєвого падіння навичок критичного мислення.

Тобто ми передаємо мислення AI, а наші власні когнітивні здібності слабшають.

Навички розвиваються за принципом «використовуй або втрать»: коли ми пишемо код через AI, власна здатність кодувати зникає.

«Vibe coding» (кодування на інтуїції) здається ефективним, але з часом реальні навички програмування зникають.

Ви даєте вимоги AI, він пише код, ви запускаєте — і це подобається. Але якщо потрібно вимкнути AI і написати ключову логіку самостійно, багато хто не здатен це зробити.

Ще більш показові результати у медицині. Одне дослідження [2] показало: навички діагностики при колоноскопії у лікарів знизилися на 6% після трьох місяців використання AI-підтримки.

Може здатися, що це мало, але це реальні діагностичні навички, які впливають на здоров’я пацієнтів.

Отже, чому одні стають сильнішими з тим самим інструментом, а інші слабшають?

Різниця — у способі використання AI.

Якщо AI — інструмент для виконання роботи (код, статті, рішення) — навички атрофуються. Ви пропускаєте мислення і отримуєте лише результат. Результат можна скопіювати, але критичне мислення не з’являється.

Якщо ж AI — наставник чи коуч, ви тестуєте розуміння, шукаєте сліпі зони, змушуєте себе прояснювати неясне — ви прискорюєте навчання з AI.

Суть методу Габріеля — не «AI навчається за мене», а «AI навчається зі мною». Він завжди активний запитувач, AI лише дає зворотний зв’язок і матеріал. Кожне «чому» — його власне, кожен рівень розуміння — це те, що він сам відкриває.

Це нагадує приказку: «Дай людині рибу — нагодуєш на день; навчи ловити рибу — нагодуєш на все життя».

Рекурсивне заповнення знань | Джерело: nanobaba2

Практичні висновки

Ви можете спитати: я не дослідник AI чи програміст — як це стосується мене?

Підхід Габріеля можна узагальнити у п’яти кроках для опанування будь-якої нової сфери з AI.

1. Починайте з реальних проблем — не з першого розділу підручника.

Занурюйтесь одразу. Коли застрягнете — заповнюйте прогалини.

Так ваші знання мають контекст і мету, і це ефективніше, ніж зубрити окремі факти.

Інсайти Габріеля | Джерело: X

2. Сприймайте AI як нескінченно терплячого наставника.

Ставте будь-які питання, навіть найпростіші. Просіть пояснити по-різному, або «пояснити, як для п’ятирічної дитини».

Він не буде судити чи втрачати терпіння.

3. Продовжуйте питати, доки не з’явиться інтуїція. Не зупиняйтесь на поверхневому розумінні.

Чи можете пояснити концепцію своїми словами? Навести приклад, якого не було в джерелі?

Чи здатні навчити цьому людину без підготовки? Якщо ні — запитуйте далі.

4. Будьте уважні: AI може «галюцинувати» — давати неправдиву інформацію.

Якщо ставити рекурсивні питання, а AI помиляється у ключовій концепції, ви можете ще більше відійти від істини.

Тому на важливих етапах перевіряйте відповіді у кількох AI, щоб основа була надійною.

5. Документуйте процес запитування.

Це створює цінний знаннєвий актив. Наступного разу при схожій задачі ви матимете готовий хід думок для аналізу.

Зазвичай інструменти цінують за зниження тертя та підвищення ефективності.

Але у навчанні навпаки: помірне тертя і перепони — обов’язкова умова справжнього засвоєння. Якщо все надто легко, мозок економить енергію, і нічого не запам’ятовується.

Рекурсивне запитування Габріеля навмисно створює тертя.

Він постійно питає «чому», доводить себе до межі розуміння, а потім поступово заповнює прогалини.

Цей процес незручний, але саме дискомфорт дає довготривалу пам’ять.

Майбутнє роботи: багатофункціональні спеціалісти

У сучасному світі монополія дипломів зникає, але когнітивні бар’єри зростають.

Більшість сприймає AI як «генератор відповідей», а окремі, як Габріель, — як «тренер мислення».

Подібні техніки вже з’являються у різних галузях.

Наприклад, на Jike багато батьків використовують nanobanana для допомоги дітям із домашніми завданнями. Але замість готової відповіді AI генерує покрокове рішення, аналізує кожен етап і обговорює логіку з дітьми.

Так діти засвоюють не тільки відповідь, а й метод вирішення задач.

Підказка: «Розв’яжи цей інтеграл і напиши повне рішення на дошці» | Джерело: nanobaba2

Інші використовують Listenhub чи NotebookLM, щоб перетворити довгі статті або наукові роботи на подкаст-діалоги між двома AI-голосами — з поясненнями, питаннями і обговоренням. Дехто вважає це лінощами, але інші помічають, що прослуховування діалогу і читання оригіналу справді покращує розуміння.

Бо під час діалогу виникають питання, що змушує задуматися: чи я це справді розумію?

Інтерв’ю з Габріелем у форматі подкасту | Джерело: notebooklm

Це ознака майбутнього: зростання багатофункціональних спеціалістів.

Раніше для створення продукту потрібно було знати фронтенд, бекенд, дизайн, операції, маркетинг. Тепер, як Габріель, можна швидко освоїти 80% потрібної сфери за методом «рекурсивного заповнення прогалин».

Якщо ви програміст, AI допоможе заповнити прогалини у дизайні та бізнес-логіці, і ви станете менеджером продукту.

Якщо ви контент-менеджер, AI швидко допоможе освоїти програмування і стати незалежним розробником.

З огляду на це, у майбутньому буде більше «компаній з однією людиною».

Поверніть контроль над навчанням

Згадуючи пораду інвестора, я нарешті зрозумів її суть.

«Запитуйте, доки не залишиться відповідей».

Це потужне мислення для епохи AI.

Якщо ми задовольняємось першою відповіддю AI, ми деградуємо.

А якщо продовжуємо питати, змушуємо AI пояснювати логіку і засвоюємо це розуміння, AI стає нашим продовженням, а не заміною.

Не дозволяйте ChatGPT думати за вас — змусьте його думати разом із вами.

Габріель пройшов шлях від школяра на дивані до дослідника OpenAI.

Секрету немає — лише тисячі наполегливих питань.

В епоху тривоги щодо заміщення AI, найпрактичніша зброя — це:

Не зупиняйтесь на першій відповіді. Питайте далі.

Заява:

1. Ця стаття перепублікована з [geekpark], авторське право належить оригінальному автору [Jin Guanghao]. Якщо у вас є питання щодо цього передруку, зверніться до команди Gate Learn, і ми оперативно розглянемо ваш запит згідно з відповідними процедурами.
2. Відмова від відповідальності: думки та погляди, висловлені в цій статті, належать виключно автору і не є інвестиційною порадою.
3. Інші мовні версії цієї статті перекладені командою Gate Learn. Якщо не зазначено Gate як джерело, не копіюйте, не поширюйте і не плагіюйте перекладену статтю.