Saya mempelajari AI, lalu akhirnya menjadi peneliti OpenAI

Baru-baru ini, saya menghadiri meetup AI di Shanghai.

Acara tersebut berfokus pada aplikasi AI nyata.

Yang paling berkesan bagi saya justru strategi belajar yang dibagikan oleh seorang investor veteran.

Ia menjelaskan bahwa metode ini bukan hanya menyelamatkan kariernya, tetapi juga mengubah cara ia menilai orang sebagai investor.

Jadi, apa itu? Yaitu menguasai seni bertanya.

Kapan pun Anda penasaran tentang suatu topik, gunakan DeepSeek. Teruslah bertanya—ajukan pertanyaan hingga AI tidak lagi bisa menjawab.

Pendekatan “bertanya tanpa batas” ini terasa mendalam saat itu, namun setelah acara, saya segera melupakannya.

Saya tidak mencobanya, bahkan tidak memikirkannya lagi.

Baru-baru ini, ketika saya membaca kisah Gabriel Petersson—bagaimana ia keluar dari sekolah dan memanfaatkan AI untuk belajar hingga akhirnya bergabung dengan OpenAI—saya menyadari makna sebenarnya dari “bertanya sampai tuntas” di era AI.

Podcast Wawancara Gabriel | Sumber: YouTube

Dari Putus Sekolah SMA ke Peneliti OpenAI: Perjalanan Tak Terduga

Gabriel berasal dari Swedia dan keluar dari sekolah menengah sebelum lulus.

Profil Media Sosial Gabriel | Sumber: X

Dulu ia mengira dirinya tidak cukup pintar untuk berkarier di bidang AI.

Semuanya berubah beberapa tahun lalu.

Sepupunya mendirikan startup di Stockholm, membangun sistem rekomendasi produk e-commerce, dan mengajak Gabriel bergabung.

Gabriel menerima, meski tanpa latar belakang teknis atau tabungan. Ia bahkan menghabiskan satu tahun tidur di sofa kantor.

Tahun itu sangat mengubah hidupnya. Ia tidak belajar di kelas—ia belajar di bawah tekanan, menyelesaikan masalah nyata: pemrograman, penjualan, dan integrasi sistem.

Untuk mempercepat perkembangan, ia menjadi kontraktor, memberinya fleksibilitas memilih proyek, berkolaborasi dengan engineer terbaik, dan aktif mencari umpan balik.

Saat mengajukan visa AS, ia menghadapi dilema: visa ini mensyaratkan bukti “kemampuan luar biasa”, biasanya lewat publikasi akademik dan sitasi.

Bagaimana mungkin seorang putus sekolah SMA bisa memenuhi syarat itu?

Gabriel menemukan solusi: ia mengumpulkan posting teknis terbaik dari komunitas developer sebagai “kontribusi ilmiah” alternatif. Tak disangka, otoritas imigrasi menerima hal ini.

Setelah pindah ke San Francisco, ia terus belajar matematika dan machine learning secara mandiri menggunakan ChatGPT.

Saat ini, Gabriel adalah research scientist di OpenAI, berkontribusi dalam pengembangan model video Sora.

Di titik ini, Anda mungkin bertanya—bagaimana ia bisa mencapai semua itu?

Wawasan Gabriel | Sumber: X

Recursive Knowledge Filling: Pendekatan Kontra-Intuitif untuk Belajar

Jawabannya adalah “bertanya tanpa batas”: pilih masalah konkret dan manfaatkan AI untuk menyelesaikannya sepenuhnya.

Strategi belajar Gabriel bertolak belakang dengan intuisi kebanyakan orang.

Secara tradisional, pembelajaran bersifat “bottom-up”: Anda membangun fondasi dulu, lalu beralih ke aplikasi praktis. Misalnya, untuk mempelajari machine learning, Anda mulai dengan linear algebra, teori probabilitas, dan kalkulus, lalu statistical learning, kemudian deep learning, dan baru jauh kemudian mengerjakan proyek nyata. Proses ini bisa memakan waktu bertahun-tahun.

Pendekatannya bersifat “top-down”: mulai dengan proyek spesifik, selesaikan masalah yang muncul, dan isi kekosongan pengetahuan sesuai kebutuhan.

Ia menjelaskan dalam podcast, metode ini dulu sulit diterapkan—Anda butuh guru serba tahu yang bisa memberitahu apa yang harus dipelajari setiap saat.

Sekarang, ChatGPT mengambil peran itu.

Wawasan Gabriel | Sumber: X

Bagaimana praktiknya? Ia memberi contoh: belajar diffusion models.

Langkah pertama: mulai dari gambaran besar. Ia bertanya pada ChatGPT, “Saya ingin belajar tentang video models—apa konsep intinya?” AI menjawab: autoencoders.

Langkah kedua: langsung kode. Ia meminta ChatGPT menulis kode diffusion model. Awalnya ia tidak banyak mengerti, tapi itu tidak masalah—ia tetap menjalankan kode tersebut. Jika berhasil, ia punya dasar untuk debugging.

Langkah ketiga, dan paling penting: bertanya secara rekursif. Ia meneliti setiap modul dalam kode dan menginterogasi masing-masing.

Ia menggali lapisan demi lapisan hingga benar-benar memahami logika dasarnya, lalu kembali ke level sebelumnya untuk melanjutkan ke modul berikutnya.

Ia menyebut proses ini “recursive knowledge filling.”

Recursive Knowledge Filling | Sumber: nanobaba2

Pendekatan ini jauh lebih cepat dibanding belajar bertahap selama enam tahun—Anda bisa membangun intuisi dasar hanya dalam tiga hari.

Jika Anda mengenal metode Socratic, Anda akan mengenali prinsip yang sama: Anda mendekati inti suatu topik lewat pertanyaan tanpa henti, di mana setiap jawaban menjadi titik awal pertanyaan berikutnya.

Bedanya sekarang adalah AI yang menjadi objek pertanyaan. Dan karena AI hampir serba tahu, AI dapat terus-menerus menjelaskan esensi sesuatu dengan istilah yang mudah dipahami.

Pada dasarnya, Gabriel menggunakan pendekatan ini untuk mengekstrak inti pengetahuan dari AI—dan benar-benar memahami subjeknya.

Kebanyakan Orang Justru Menjadi Kurang Cerdas dengan AI

Setelah mendengarkan podcast, kisah Gabriel membuat saya bertanya-tanya:

Mengapa ada orang seperti dia yang sangat efektif belajar dengan AI, sementara banyak orang lain justru merasa mundur?

Ini bukan hanya kesan pribadi.

Makalah Microsoft Research tahun 2025 [1] menunjukkan bahwa penggunaan AI generatif secara intensif menyebabkan penurunan besar dalam keterampilan berpikir kritis.

Artinya, kita menyerahkan proses berpikir kepada AI, sehingga kemampuan kognitif kita sendiri melemah.

Pengembangan keterampilan mengikuti prinsip “use it or lose it”: saat kita menggunakan AI untuk menulis kode, kemampuan coding kita sendiri perlahan menurun.

Bekerja dengan AI secara “vibe coding” mungkin terasa efisien, namun dalam jangka panjang, keterampilan coding programmer sebenarnya terkikis.

Anda menyerahkan kebutuhan kepada AI, AI menghasilkan kode, Anda menjalankan, dan rasanya menyenangkan. Tapi jika harus mematikan AI dan menulis logika inti sendiri, banyak orang mendapati pikirannya kosong.

Temuan di dunia medis bahkan lebih mencolok. Studi [2] menemukan kemampuan deteksi dokter saat kolonoskopi turun 6% setelah tiga bulan menggunakan bantuan AI.

Angka itu mungkin terdengar kecil, tetapi ini adalah kemampuan diagnostik klinis nyata yang berdampak pada kesehatan dan hidup pasien.

Jadi, pertanyaannya: mengapa ada yang semakin kuat menggunakan alat yang sama, sementara yang lain justru melemah?

Perbedaannya terletak pada cara menggunakan AI.

Jika Anda memperlakukan AI sebagai alat untuk menyelesaikan pekerjaan—menulis kode, membuat artikel, mengambil keputusan—kemampuan Anda akan menurun. Anda melewati proses berpikir dan hanya menerima hasil. Hasil bisa disalin, tapi kemampuan berpikir kritis tidak tumbuh dengan sendirinya.

Tapi jika Anda memperlakukan AI sebagai pelatih atau mentor—menggunakannya untuk menguji pemahaman, menggali titik buta, dan memaksa diri memperjelas konsep yang kabur—Anda justru mempercepat pembelajaran dengan AI.

Inti metode Gabriel bukanlah “biarkan AI belajar untuk saya”, melainkan “biarkan AI belajar bersama saya.” Ia selalu menjadi penanya aktif, dan AI hanya menyediakan umpan balik dan materi. Setiap “kenapa” adalah miliknya sendiri, setiap lapisan pemahaman adalah hasil galiannya sendiri.

Ini mengingatkan saya pada pepatah: “Berikan seseorang ikan, Anda memberinya makan sehari; ajari seseorang memancing, Anda memberinya makan seumur hidup.”

Recursive Knowledge Filling | Sumber: nanobaba2

Praktik yang Bisa Diterapkan

Anda mungkin bertanya: Saya bukan peneliti AI atau programmer—bagaimana metode ini relevan untuk saya?

Saya percaya pendekatan Gabriel bisa digeneralisasi menjadi kerangka lima langkah yang dapat digunakan siapa saja untuk belajar bidang baru dengan AI.

1. Mulai dari masalah nyata—bukan bab pertama buku teks.

Langsung terjun. Saat menemui hambatan, isi celah sesuai kebutuhan.

Dengan cara ini, pengetahuan Anda punya konteks dan tujuan, jauh lebih efektif daripada menghafal fakta terpisah.

Wawasan Gabriel | Sumber: X

2. Perlakukan AI sebagai mentor yang sabar tanpa batas.

Anda bisa bertanya apa saja, bahkan yang paling mendasar. Mintalah penjelasan dengan berbagai cara, atau “jelaskan seolah saya berusia lima tahun.”

AI tidak akan menghakimi atau kehilangan kesabaran.

3. Terus bertanya hingga Anda membangun intuisi. Jangan puas dengan pemahaman permukaan.

Bisakah Anda menjelaskan konsep dengan kata-kata sendiri? Bisakah Anda memberi contoh yang tidak disebutkan di sumber asli?

Bisakah Anda mengajarkannya kepada orang awam? Jika belum, teruslah bertanya.

4. Waspada: AI bisa berhalusinasi.

Saat bertanya secara rekursif, jika AI salah memahami konsep inti, Anda bisa malah semakin jauh dari kebenaran.

Jadi, pada titik-titik penting, validasi silang dengan beberapa AI untuk memastikan fondasi Anda solid.

5. Dokumentasikan proses bertanya Anda.

Ini menciptakan aset pengetahuan yang bisa digunakan ulang. Saat menghadapi masalah serupa, Anda punya proses berpikir lengkap untuk ditinjau.

Secara tradisional, alat dihargai karena mengurangi hambatan dan meningkatkan efisiensi.

Tetapi dalam pembelajaran, sebaliknya: hambatan sedang dan tantangan diperlukan untuk pembelajaran sejati. Jika semuanya terlalu lancar, otak Anda masuk mode hemat energi dan tidak ada yang benar-benar tersimpan.

Pertanyaan rekursif Gabriel sengaja menciptakan hambatan.

Ia terus bertanya mengapa, mendorong dirinya ke batas pemahaman, lalu perlahan-lahan mengisi kekosongan.

Proses ini memang tidak nyaman, tetapi justru ketidaknyamanan inilah yang memungkinkan memori jangka panjang yang sejati.

Masa Depan Dunia Kerja: Spesialis Multi-Keterampilan

Saat ini, monopoli ijazah akademik mulai memudar, namun hambatan kognitif diam-diam meningkat.

Kebanyakan orang memperlakukan AI sebagai “generator jawaban”, tetapi segelintir orang seperti Gabriel justru menggunakan AI sebagai “pelatih berpikir.”

Teknik serupa mulai muncul di berbagai industri.

Contohnya, di Jike, banyak orang tua menggunakan nanobanana untuk membantu anak mengerjakan PR. Namun alih-alih membiarkan AI memberi jawaban, mereka memintanya menghasilkan solusi langkah demi langkah, menganalisis tiap langkah, dan mendiskusikan logikanya bersama anak.

Dengan cara ini, anak belajar bukan hanya jawabannya, tetapi juga metode memecahkan masalah.

Prompt: “Selesaikan integral berikut dan tulis solusi lengkap di papan tulis” | Sumber: nanobaba2

Yang lain menggunakan Listenhub atau NotebookLM untuk mengubah artikel atau makalah panjang menjadi dialog podcast antara dua suara AI, yang saling menjelaskan, bertanya, dan berdiskusi. Ada yang menganggap ini sebagai bentuk kemalasan, namun sebagian lain merasa mendengarkan dialog lalu membaca teks aslinya justru meningkatkan pemahaman.

Sebab selama dialog, pertanyaan muncul secara alami, memaksa Anda mempertimbangkan: apakah saya benar-benar memahami poin ini?

Podcast Wawancara Gabriel Diubah Menjadi Podcast | Sumber: notebooklm

Ini menandakan tren masa depan: lahirnya spesialis multi-keterampilan.

Dulu, membangun produk memerlukan pengetahuan front-end, back-end, desain, operasional, dan pemasaran. Sekarang, seperti Gabriel, Anda dapat menggunakan metode “recursive gap-filling” untuk menguasai 80% kekurangan di bidang apa pun dengan cepat.

Jika Anda memulai sebagai programmer, AI dapat membantu mengisi kekurangan di desain dan logika bisnis, menjadikan Anda product manager.

Jika Anda piawai membuat konten, AI dapat membantu Anda cepat mengembangkan keterampilan coding dan menjadi developer independen.

Dengan tren ini, kita mungkin akan melihat lebih banyak “perusahaan satu orang” di masa depan.

Ambil Kendali Kembali atas Pembelajaran Anda

Merenungkan saran investor tadi, saya akhirnya memahami pesan sebenarnya.

“Teruslah bertanya sampai tidak ada lagi jawaban.”

Ini adalah pola pikir yang sangat kuat di era AI.

Jika kita puas dengan jawaban pertama dari AI, kita diam-diam mundur.

Tapi jika kita terus menggali, mendorong AI memperjelas logika, dan menginternalisasi pemahaman tersebut, maka AI menjadi perpanjangan diri kita—bukan pengganti kita.

Jangan biarkan ChatGPT berpikir untuk Anda—jadikan AI berpikir bersama Anda.

Gabriel dari putus sekolah tidur di sofa menjadi peneliti OpenAI.

Tidak ada rahasia—hanya pertanyaan tanpa henti, ribuan kali.

Di era kecemasan akan digantikan AI, mungkin senjata paling praktis adalah ini:

Jangan puas dengan jawaban pertama. Teruslah bertanya.

Pernyataan:

1. Artikel ini diterbitkan ulang dari [geekpark], dengan hak cipta milik penulis asli [Jin Guanghao]. Jika Anda memiliki kekhawatiran terkait reprint ini, silakan hubungi tim Gate Learn, dan kami akan menindaklanjuti permintaan Anda sesuai prosedur yang berlaku.
2. Disclaimer: Pandangan dan opini dalam artikel ini sepenuhnya milik penulis dan tidak merupakan nasihat investasi.
3. Versi bahasa lain dari artikel ini diterjemahkan oleh tim Gate Learn. Kecuali Gate disebutkan sebagai sumber, dilarang menyalin, mendistribusikan, atau menjiplak artikel terjemahan ini.