风格参考：Morgan Housel（《金钱心理学》作者）—— 短故事引出普适原理，每节几乎独立，文字干净利落，金句密度高。
漏水的房子
1831年，迈克尔·法拉第发现了电磁感应。他没有上过大学。他14岁在一家装订作坊当学徒，每天接触大量书籍，但没人教他物理。他学物理的方式是——有一天顾客送来一本《大英百科全书》要求装订，他翻了翻，觉得有意思，就自己开始做实验。
他没有先修数学，没有先学牛顿力学，没有先搞懂欧姆定律。他直接动手做实验，卡住了就去找书看，看完了继续做。这就像住进一栋还没装修的房子，哪里漏水修哪里。
法拉第后来被公认为历史上最伟大的实验物理学家之一。如果他当年先去读一个物理学学位再开始做实验，电磁感应的发现可能会推迟很多年——因为当时的大学物理教育根本不教实验方法，只教数学推导。
两百年后，一个瑞典少年用几乎相同的方式学会了机器学习。
下一班车
Gabriel Petersson在瑞典读高中时，他的表兄打来电话，说要去斯德哥尔摩做一个电商推荐系统的创业项目，让他马上过来帮忙。Gabriel说今晚有个派对。表兄说现在就来。
他买了下一班车票，之后再也没回过学校。
五年后，他加入了OpenAI的Sora团队。
人们喜欢把这类故事读成”辍学天才逆袭”。但Gabriel本人反复强调，他不是天才。他试过Andrew Ng的机器学习课程，完全看不懂。他写的第一个程序是一个”很烂的回合制游戏”。他说过一句很诚实的话：没有压力，我几乎学不会东西。
有意思的不是他的天赋，而是他的方法。
18岁的推销员
到了斯德哥尔摩之后，Gabriel面对的第一个挑战不是技术问题，而是没人买他的东西。
冷邮件没人回。电话建立不了信任。一个18岁的无名少年，没有公司背景，没有客户案例，试图说服成熟的电商企业更换推荐系统——这在任何一个商业教科书里都叫”不可能的推销”。
他做了一件大多数人不会做的事：上门。
提前爬取客户网站的数据，训练一个新的推荐模型，把”旧推荐 vs 新推荐”的效果对比打印在A3大图上，带着文件夹一家家敲门。见到负责人就打开文件夹。对方看完对比图，问”怎么上线”。他当场在浏览器控制台里跑代码，实时替换推荐结果。
不说”请相信我”。说”你自己看”。
这个推销方式粗糙、不可扩展、留下了一堆技术债。但它传达了一件事：我的能力不需要你的信任，只需要你的眼睛。
五年后他申请美国杰出人才签证时，用的是同一套逻辑。
方向相反的两条路
学习有两条路。
一条是自下而上：先学基础，再学进阶，再学应用，最后做项目。这是学校的路。它像搭积木——从底层一块块往上垒，结构稳固，但速度很慢，而且你在搭到第三层的时候可能已经忘了为什么要搭这个东西。
另一条是自上而下：先接一个真实的任务，做的过程中卡住，卡住了就去补那一块缺失的知识，补完继续做。这是Gabriel的路。它像修房子——先住进去，哪里漏水修哪里。
学校选择第一条路，不是因为它效果好，而是因为它是唯一能同时教四十个人的方法。自上而下的路径需要一个随时能回答你问题的导师，在传统教育中，这个条件不可能满足。
1984年，教育心理学家Benjamin Bloom做了一个实验：接受一对一辅导的学生，表现超过了98%接受常规课堂教学的学生。Bloom把这个发现叫做”两个标准差问题”——我们知道最好的教学方式是什么，但我们做不到，因为没有那么多导师。
四十年后，ChatGPT满足了它。不完美，但足够用。
递归
Gabriel给他用AI学习的方法取了一个名字：递归式知识填补。
操作很简单。想学机器学习，就先让ChatGPT设计一个项目、写出代码。代码会报错。从修bug开始，把程序跑起来。跑起来之后追问：这段代码在做什么？为什么它能让模型学东西？ChatGPT提到矩阵乘法，那就继续追问矩阵乘法的直觉。追到你真正理解的地方为止，然后回到项目，继续做。
一层一层往下钻，一层一层再返回。像递归函数一样，直到触及最基本的单元。
有人会问：这跟”跳过基础”有什么区别？
区别很大。跳过基础是不学。递归式填补是在需要的时候学，带着明确的上下文和目的学。最终该学的东西一样都没少，只是顺序变了。
一个类比：你要从北京去上海。自下而上的方式是先学会造汽车，再学会修路，再学会导航，最后出发。递归的方式是先买一张票出发，路上遇到问题再解决——但你最终一样会到达上海，而且你对路况的理解可能比造车的人更深，因为你是真正走过这条路的人。
费曼的升级
Richard Feynman有一条著名的学习原则：如果你不能用简单的语言把一个概念解释给别人听，你就还没真正理解它。
这条原则有一个实操困难：你得找到”别人”。而且这个”别人”最好懂得比你多，能检验你的解释对不对。
Gabriel把”别人”换成了ChatGPT。他把自己的理解讲给AI听，AI告诉他哪里对、哪里不对、哪里只对了一半。
他说这套方法里最关键的一个能力是：知道自己哪里没懂。
大多数人学东西的默认模式是”感觉差不多懂了”就翻过去。这不是学习，这是划水。真正的学习发生在你逼自己说出”等一下，这里我其实不理解”的那一刻。
心理学家有一个词叫”流畅性错觉”——当一段话读起来很顺畅的时候，你的大脑会自动把”读懂了”等同于”学会了”。这两件事完全不是一回事。你读懂了一篇关于游泳的文章，不代表你会游泳。
Gabriel的方法之所以有效，是因为”用自己的话复述”这个动作，强行打破了流畅性错觉。你以为你懂了，但当你开口讲的时候，你会发现有些地方你根本说不清楚。
两种用法
ChatGPT刚推出的时候，学生的第一反应是”太好了，能帮我写作业”。老师的第一反应是”完了，必须禁止”。
这两个反应合在一起，把AI锁死在了”作弊工具”的定位上。
但工具不决定用法，人决定。
你把AI当答案机，它给你答案，你的能力原地不动。你把AI当教练——追问、复述、让它检查你的理解、让它给你反例——你的能力每一轮都在增长。
同一个工具，用法不同，结果天壤之别。这就像钱：有人用它买彩票，有人用它买书。钱没有变，变的是拿钱的人。
Gabriel提到一个有意思的趋势：他在瑞典的一些朋友开始把历年考试题丢给ChatGPT，让它总结核心概念，再生成同类型的新题来练习。不是让AI替自己考试，而是让AI帮自己备考。
这是一个180度的翻转。但它需要一个前提——你得先意识到，AI不只是一台复印机。
信号
Gabriel没有学位，但他持续拿到了好机会。他是怎么做到的？
从最早上门推销推荐系统那天起，他就在做同一件事：把能力变成别人看得见的结果。
不说”请相信我有能力”，而是打开文件夹，展示效果对比图，当场在浏览器里跑代码。后来申请美国的杰出人才签证，没有论文和学位来背书，他就把自己在技术社区发布的高质量内容整理成证据包，作为学术贡献的替代证明。
大多数人在证明自己的时候，习惯递上一份简历，上面列着学校、学位、公司名称。这些是代理信号——它们不直接说明你能做什么，只是暗示”能拿到这些标签的人大概不会太差”。
Gabriel用的是直接信号：这是我做的东西，这是它的效果，你来判断。
代理信号需要别人的信任。直接信号只需要别人的眼睛。
在简历被筛掉的世界里，一个能跑的demo胜过一页纸的经历。
复利
Albert Einstein可能从来没有说过”复利是世界第八大奇迹”这句话。但这并不影响复利本身是一个极其强大的概念。
知识也有复利效应。
当你解决了第一个客户的推荐系统问题，你学到的不只是”如何做推荐系统”。你还学到了如何跟客户沟通需求，如何在浏览器控制台里调试代码，如何把技术效果翻译成商业语言。这些能力会在你解决第二个、第三个、第十个客户问题的时候反复派上用场，而且每一次使用都让它变得更强。
Gabriel五年内从零基础走到OpenAI，看起来像是火箭式跃迁。但如果你拆开看，每一步都不大——每一步只是”解决了当下的一个问题”。它之所以最终产生了巨大的结果，是因为这些步骤是复利式累积的：每一个新能力都建立在之前所有能力的基础上，而且每一次积累都增加了下一次积累的速度。
这就是为什么”先动手”比”先准备”更有效。
你准备了三年再开始，你错过了三年的复利。而知识复利跟金融复利一样，真正产生巨大差异的不是利率高低，而是时间长短。越早开始，优势越大。
稀缺
经济学有一条最基本的道理：价格由稀缺性决定。
钻石贵，因为稀缺。空气免费，因为不稀缺。
知识曾经是稀缺的。获取它需要学费、时间、人脉和运气。所以”懂得多”是一种竞争优势，学历是它的证明。
现在知识不稀缺了。你可以在任何时刻、向ChatGPT问任何领域的任何问题，几秒钟得到一个80分的回答。
那什么变稀缺了？
是愿意动手的人。是能定义问题的人。是对结果负责的人。是在卡住的时候不翻过去、而是追问到底的人。
Gabriel在访谈里反复用一个词：agency。翻译过来就是能动性。
知识是原材料。能动性是把原材料变成成品的那双手。原材料可以免费获取，但那双手仍然稀缺。
一个有趣的推论：在知识稀缺的年代，”记忆力好”是一种优势——谁记得多，谁就知道得多。在知识免费的年代，记忆力的价值大幅缩水，因为任何你记不住的东西都可以在三秒内查到。取而代之变得重要的，是判断力——面对AI给你的十个答案，你能不能判断哪个最好？面对AI做不到的问题，你能不能定义出来？
记忆力是仓库。判断力是指南针。仓库可以外包给AI，指南针不能。
最后一件事
Gabriel的故事不是”学历无用论”。他自己都说，大学的社交、资源和视野有很高的替代成本。
他真正反对的，是一种更隐蔽的东西——把”我还没准备好”当作不动手的理由。
在知识稀缺的年代，”先准备好再出发”是合理的策略。学完课程再找工作，读完教材再做项目，打好基础再考虑应用。因为获取知识的成本很高，所以你必须先储备。
在知识免费的年代，这个策略的性价比急剧下降。你花三年”打基础”，等你觉得准备好了，世界可能已经换了一道题。
更好的策略是：先动手，遇到不懂的再去学。学完继续做，做完再回头看，你会发现自己比”准备好了才出发”的人走得更远。
这不是新道理。法拉第两百年前就是这么干的。
但在ChatGPT的时代，这条路变得比任何时候都更容易走。以前你”先动手再学”，卡住了可能要等几天才能找到答案。现在你卡住了，三秒钟就能问到。以前这条路上布满了沟壑，现在沟壑还在，但你手里多了一根拐杖。
唯一的门槛是——你得愿意迈出第一步。
而这个门槛，从来都不是知识的问题。