如题，这是我最近在youtube看到的一个播客栏目，访谈的嘉宾Gabriel Petersson高中辍学，如今却是OpenAI的人工智能研究员，按照目前OpenAI的人工智能研究员的薪资，他应该是年薪70万美元左右，也就是480万人民币。

这哥们的年纪也非常恐怖，在视频中，他提到他五年前于瑞典的高中退学，现在作为一名研究科学家加入OpenAI的Sora项目。按照瑞典正常的高中生年纪推断，他如今也只有21-25岁左右。

译：五年前，我从瑞典的高中退学，加入了一家拥有接近零工程师经验的创业公司。今天，我作为一名研究科学家加入OpenAI，与Sora一起建立AGI。

那么，他究竟是如何做到的呢？原视频的内容很长，有一个小时15分钟，我将原视频地址放到文章的最后，感兴趣的朋友可以去观看一下。

我也整理了视频中文和英文双版的二人对话逐字稿、时间节点内容概要、问答回顾，如果觉得对你有帮助的朋友可以在评论区留言“想要资料”。我会找个办法发给你（因为刚刚开始做账号还不熟悉怎么发文件……）。

我先来介绍一下Gabriel这人，我首先要明确一点：Gabriel并不是因为学业差所以辍学，是他太想进步了！

Gabriel高中时期因为堂兄的一通电话，辞职加入早期 AI 电商推荐创业项目，这时候的他几乎不会编程，一边卖产品，一边硬着头皮学工程与 ML。

之后，他在创业公司内边做边学工程与 ML，这一时期Gabriel才真正开始掌握编程、推荐系统、基础机器学*。

他并不是“先学再做”，而是：公司需要什么，他就立刻补什么。

例如：推荐效果不好 → 学模型原理

代码跑不通 → 学 Python / Debug

系统不稳定 → 学工程实践

他后来明确提到：自己真正学会工程和 ML，并不是在课程中，而是在这些具体压力下完成的。

接着，Gabriel刻意选择在多家高密度学*型公司做合同工，此时的Gabriel已经能独立当工程师了。

慢慢的，Gabriel开始为美国团队远程工作”，在 Stack Overflow 上大量、高质量回答问题，维护 GitHub 项目，写技术内容，逐渐累积数百万阅读与同行认可，这些“非工作成果”，后来直接被用于美国的 O-1（杰出人才）签证申请。在加入 OpenAI 之前，他曾在顶级生成式 AI 公司相关团队中工作，涉及：图像模型、生成模型、扩散模型。最终，他以 AI Research Scientist 身份加入 OpenAI，从事前沿 AI / AGI 相关研究，模型与系统层面的工作，而这是一个传统上几乎必须博士学位的职位。

很多人在看完 Gabriel Petersson 的经历后，都会下意识得出一个结论：

“这很励志，但和我没什么关系。”

要么是因为没辍学、没全职时间、没技术背景；要么是因为觉得这是极端个例，不可复制。

但如果你把他的完整经历拆开看，会发现一个事实：

他真正做对的，不是“结果级”的选择，而是前三个“结构级”的决策。

而这三步，恰恰是普通人最容易模仿、但最少人真正去做的部分。

---

✅第一步：尽快脱离“被动学*场景”，进入真实问题场景

多数人的误区：

普通人学*时，默认路径是这样的：

报课刷教程看书收藏资料等“学完再用”

问题在于：你几乎不可能在“学完”那一刻真正开始。

Gabriel 在极早期就做了一件事：

他不为“学*而学*”，而是直接围绕真实问题学*。

他具体是怎么做的？

他从一开始就问的不是：

我该从哪门课开始？我基础够不够？

而是：

“如果我现在要把这个东西做出来，我卡在哪里？”

哪怕什么都不懂，他也直接把问题摊开。

普通人可执行版本（非常重要）！！！

你不需要辍学，也不需要裸辞，你只需要做一件事：

把“学*目标”改成一个可被验证的结果。

例如：

❌ 我要学 AI✅ 我要做一个能跑的简单推荐系统❌ 我要学编程✅ 我要写一个真实可用的小工具❌ 我要提升专业能力✅ 我要解决现在工作中最烦的一个问题

只要目标是“产出型”，你就已经走在 Gabriel 的第一步上了。

---

✅第二步：极早暴露在真实反馈中，而不是安全环境中

多数人为什么“感觉学了很多，但没变强”

因为反馈是假的。

视频不会指出你的错误课程不会告诉你“你不适合这个解法”书籍不会拒绝你的成果

Gabriel 非常早就把自己丢进一个残酷但高效的环境：

真实世界的反馈系统。

他用过的典型反馈来源

开源社区技术论坛公开写作项目展示同行质疑

这些反馈有一个共同点：

它们不会照顾你的感受，只回应结果本身。

普通人可执行版本（非常重要）！！！

你不需要一开始就去 GitHub 上造复杂项目，可以从最低门槛开始：

把你正在做的东西写成一篇文章把解决方案发到社区把过程公开，而不是等“完美结果”

关键不是质量，而是这一点：

有人能否基于你的内容，明确指出“哪里不行”。

只要你开始被“否定”，你就已经进入正确轨道。

---

✅第三步：用“问题密度”，而不是“时间长度”拉开差距

这是 Gabriel 最容易被忽视、但威力最大的一点。

多数人衡量努力的方式是

我学了多久我花了多少时间我坚持了多少天

而 Gabriel 衡量学*的方式是：

“我今天解决了多少个真实问题？”

他为什么进步极快？

因为他的单位时间里，包含了大量高质量问题：

为什么这里会失败？为什么这个方法不收敛？为什么别人不用这个解法？有没有更好的方式？

每一个问题，都会迫使他升级一次理解结构。

普通人可执行版本（非常重要）！！！

你可以立刻开始做一个简单改变：

把学*日志，换成“问题日志”。

不要记：

今天学了什么而是记：今天卡住了什么我问了谁 / 查了什么哪个问题让我理解发生了变化

你会很快发现：进步速度和“问题密度”高度相关，而和时间关系不大。

一个重要提醒：这不是“拼命论”

Gabriel 的前三步，并不是更努力，而是：

更早接触真实问题更早承受真实反馈更频繁地暴露认知漏洞

这三件事，本质上都不舒服，所以大多数人会本能回避。

---

结语：你不需要成为 Gabriel

但你可以复制他的起跑方式。

你不需要辍学、不需要背景、不需要极端决策，只需要问自己一个问题：

我现在做的事情，是在让我“看起来在学*”，还是在逼迫我面对真实问题？

一旦你连续几个月都选择后者，你会发现很多“门槛”，其实根本不是门槛。

如果你觉得这篇文章对你有所帮助，欢迎分享给你的朋友，让我们共同成长。也可以在评论区留下你的想法和心得，与更多人交流经验。关注我，获取更多关于AI科技、财务自由、个人成长的实用内容。

版权声明：本文转载于今日头条，版权归作者所有，如果侵权，请联系本站编辑删除