Tôi từng học về AI, sau đó đã trở thành nhà nghiên cứu của OpenAI

Cách đây không lâu, tôi đã tham dự một buổi giao lưu về AI tại Thượng Hải.

Sự kiện này tập trung sâu vào các ứng dụng AI thực tế.

Điều khiến tôi ấn tượng nhất là chiến lược học tập mà một nhà đầu tư kỳ cựu chia sẻ.

Ông cho biết phương pháp này không chỉ cứu vãn sự nghiệp mà còn thay đổi cách ông đánh giá con người với tư cách nhà đầu tư.

Vậy là gì? Đó là nghệ thuật đặt câu hỏi đúng cách.

Bất cứ khi nào bạn tò mò về một chủ đề, hãy trao đổi với DeepSeek. Hãy liên tục đào sâu—đặt câu hỏi cho đến khi không còn câu trả lời nào nữa.

Phương pháp “hỏi vô hạn” này từng khiến tôi suy ngẫm sâu sắc, nhưng sau sự kiện, tôi lại nhanh chóng quên mất.

Tôi không thử áp dụng, cũng không suy nghĩ thêm về nó.

Mãi gần đây, khi đọc câu chuyện về Gabriel Petersson—người bỏ học và dùng AI để tự học, rồi gia nhập OpenAI—tôi mới thực sự nhận ra ý nghĩa của “hỏi đến cùng” trong kỷ nguyên AI.

Podcast Phỏng Vấn Gabriel | Nguồn: YouTube

Từ Người Bỏ Học Trung Học Đến Nhà Nghiên Cứu OpenAI: Hành Trình Đầy Bất Ngờ

Gabriel đến từ Thụy Điển và đã bỏ học trung học trước khi tốt nghiệp.

Trang Cá Nhân Mạng Xã Hội của Gabriel | Nguồn: X

Trước đây, anh từng nghĩ mình không đủ thông minh để theo đuổi sự nghiệp AI.

Mọi thứ thay đổi cách đây vài năm.

Người anh họ của anh khởi nghiệp tại Stockholm, xây dựng hệ thống đề xuất sản phẩm thương mại điện tử và mời Gabriel tham gia nhóm.

Gabriel đồng ý, dù không có nền tảng kỹ thuật hay tiền tiết kiệm. Những ngày đầu, anh thậm chí dành cả năm ngủ trên ghế sofa ở văn phòng.

Nhưng năm đó đã thay đổi hoàn toàn anh. Anh không học trong lớp—mà học dưới áp lực, giải quyết các vấn đề thực tế: lập trình, bán hàng và tích hợp hệ thống.

Để tăng tốc phát triển, anh trở thành nhà thầu tự do, cho phép mình chọn dự án, hợp tác với các kỹ sư hàng đầu và chủ động nhận phản hồi.

Khi xin visa Mỹ, anh gặp khó khăn: loại visa này yêu cầu bằng chứng về “năng lực xuất chúng”, thường là các bài báo khoa học và số lần trích dẫn.

Làm sao một người bỏ học trung học có thể chứng minh điều đó?

Gabriel đã nghĩ ra giải pháp: tổng hợp những bài viết kỹ thuật nổi bật nhất của mình trên các cộng đồng lập trình viên như một dạng “đóng góp học thuật” thay thế. Bất ngờ là cơ quan di trú đã chấp nhận cách này.

Sau khi chuyển đến San Francisco, anh tiếp tục tự học toán và học máy bằng ChatGPT.

Hiện nay, Gabriel là nhà nghiên cứu tại OpenAI, đóng góp vào phát triển mô hình video Sora.

Đến đây, có lẽ bạn sẽ thắc mắc—làm sao anh ấy làm được điều đó?

Những Góc Nhìn của Gabriel | Nguồn: X

Lấp Đầy Kiến Thức Đệ Quy: Phương Pháp Ngược Đời Để Học Tập

Câu trả lời là “hỏi vô hạn”: chọn một vấn đề cụ thể và tận dụng AI để giải quyết triệt để.

Chiến lược học tập của Gabriel đi ngược lại trực giác của đa số mọi người.

Thông thường, học là “từ dưới lên”: xây dựng nền tảng trước, rồi mới đến ứng dụng thực tế. Ví dụ, để học máy, bạn sẽ học đại số tuyến tính, xác suất, giải tích, rồi học thống kê, học sâu, và chỉ sau nhiều năm mới bắt đầu dự án thực tế. Quá trình này có thể kéo dài hàng năm.

Cách tiếp cận của anh là “từ trên xuống”: bắt đầu với dự án cụ thể, giải quyết vấn đề phát sinh và lấp đầy khoảng trống kiến thức khi cần thiết.

Như anh chia sẻ trên podcast, trước đây phương pháp này rất khó mở rộng—bạn cần một người thầy am hiểu mọi thứ để chỉ dẫn từng bước vào mọi thời điểm.

Bây giờ, ChatGPT đảm nhận vai trò đó.

Những Góc Nhìn của Gabriel | Nguồn: X

Thực tế diễn ra thế nào? Anh lấy ví dụ về việc học mô hình khuếch tán.

Bước một: bắt đầu với tổng quan. Anh hỏi ChatGPT, “Tôi muốn tìm hiểu về mô hình video—khái niệm cốt lõi là gì?” AI trả lời: autoencoder.

Bước hai: lập trình trước. Anh yêu cầu ChatGPT viết đoạn mã cho mô hình khuếch tán. Ban đầu chưa hiểu nhiều, nhưng không sao—cứ chạy mã. Nếu chạy được, anh có nền tảng để gỡ lỗi.

Bước ba, quan trọng nhất: hỏi đệ quy. Anh rà soát từng module trong mã và đặt câu hỏi cho từng phần.

Anh đào sâu từng lớp cho đến khi nắm vững logic bên trong, rồi quay lại mức trước để tiếp tục với module kế tiếp.

Anh gọi quá trình này là “lấp đầy kiến thức đệ quy”.

Lấp Đầy Kiến Thức Đệ Quy | Nguồn: nanobaba2

Phương pháp này nhanh hơn rất nhiều so với học từng bước trong sáu năm—bạn có thể phát triển trực giác nền tảng chỉ trong ba ngày.

Nếu bạn từng biết đến phương pháp Socrates, sẽ nhận ra nguyên lý tương tự: tiếp cận trọng tâm chủ đề bằng cách hỏi liên tục, mỗi câu trả lời lại là điểm khởi đầu cho câu hỏi tiếp theo.

Điểm khác biệt hiện nay là AI là đối tượng bị hỏi. Và vì AI gần như toàn tri, nó có thể giải thích liên tục bản chất vấn đề một cách dễ hiểu.

Bản chất là Gabriel dùng cách này để khai thác lõi kiến thức từ AI—và thực sự hiểu vấn đề.

Phần Lớn Mọi Người Đang Trở Nên Kém Hơn Khi Dùng AI

Sau khi nghe podcast, câu chuyện của Gabriel khiến tôi tự hỏi:

Tại sao một số người như anh ấy dùng AI để học hiệu quả, trong khi nhiều người khác lại cảm thấy mình đang thụt lùi?

Đó không chỉ là cảm nhận cá nhân của tôi.

Một nghiên cứu của Microsoft năm 2025 [1] cho thấy việc sử dụng AI tạo sinh thường xuyên dẫn đến suy giảm đáng kể năng lực tư duy phản biện.

Nói cách khác, chúng ta đang giao phó việc tư duy cho AI, khiến khả năng nhận thức của bản thân bị teo lại.

Phát triển kỹ năng tuân theo nguyên lý “dùng thì còn, bỏ thì mất”: khi chúng ta dùng AI để viết mã, khả năng lập trình của bản thân âm thầm suy giảm.

Làm việc với AI kiểu “vibe coding” có thể trông hiệu quả, nhưng về lâu dài kỹ năng lập trình thực tế sẽ bị xói mòn.

Bạn đưa yêu cầu cho AI, nó tạo ra mã, bạn chạy thử và cảm thấy hài lòng. Nhưng khi phải tắt AI và tự viết logic lõi, nhiều người thấy đầu óc trống rỗng.

Còn ấn tượng hơn là kết quả từ lĩnh vực y tế. Một nghiên cứu [2] phát hiện kỹ năng phát hiện qua nội soi của bác sĩ giảm 6% sau ba tháng dùng AI hỗ trợ.

Nghe có vẻ nhỏ, nhưng hãy nghĩ xem: đây là năng lực chẩn đoán lâm sàng thực sự, ảnh hưởng trực tiếp đến sức khỏe và tính mạng bệnh nhân.

Vậy, câu hỏi đặt ra: tại sao cùng một công cụ, có người mạnh lên, có người yếu đi?

Khác biệt nằm ở cách sử dụng AI.

Nếu bạn coi AI là công cụ làm hộ—viết mã, soạn bài, ra quyết định—kỹ năng của bạn sẽ bị teo lại. Bạn bỏ qua quá trình tư duy và chỉ nhận kết quả. Kết quả thì có thể sao chép, nhưng tư duy phản biện không tự phát triển.

Nhưng nếu bạn xem AI như huấn luyện viên hoặc người hướng dẫn—dùng nó để kiểm tra hiểu biết, phát hiện điểm mù và buộc bản thân làm rõ các khái niệm mơ hồ—thì bạn thực sự đang tăng tốc học tập cùng AI.

Bản chất phương pháp của Gabriel không phải là “để AI học thay mình”, mà là “để AI học cùng mình”. Anh luôn là người chủ động đặt câu hỏi, còn AI chỉ cung cấp phản hồi và dữ liệu. Mỗi “tại sao” đều do anh tự hỏi, mỗi tầng hiểu biết đều do anh tự khai phá.

Điều này khiến tôi nhớ đến câu nói: “Cho người một con cá, bạn nuôi họ một ngày; dạy người câu cá, bạn nuôi họ cả đời.”

Lấp Đầy Kiến Thức Đệ Quy | Nguồn: nanobaba2

Bài Học Thực Tiễn

Có thể bạn sẽ thắc mắc: tôi không phải nhà nghiên cứu AI hay lập trình viên—phương pháp này áp dụng cho tôi thế nào?

Tôi tin rằng cách tiếp cận của Gabriel có thể tổng quát thành một khung năm bước mà bất kỳ ai cũng có thể dùng để học lĩnh vực mới với AI.

1. Bắt đầu từ vấn đề thực tế—không phải từ chương đầu của giáo trình.

Hãy lao vào trực tiếp. Khi gặp khó khăn, lấp đầy khoảng trống khi cần thiết.

Như vậy, kiến thức của bạn có bối cảnh và mục đích, hiệu quả hơn nhiều so với ghi nhớ thông tin rời rạc.

Những Góc Nhìn của Gabriel | Nguồn: X

2. Xem AI như người hướng dẫn kiên nhẫn vô hạn.

Bạn có thể hỏi bất cứ điều gì, dù cơ bản nhất. Hãy yêu cầu giải thích theo nhiều cách, hoặc “giải thích như tôi là trẻ em năm tuổi”.

AI sẽ không đánh giá hay mất kiên nhẫn.

3. Hỏi liên tục cho đến khi xây dựng trực giác. Đừng dừng lại ở hiểu biết bề mặt.

Bạn có thể tự giải thích khái niệm bằng lời của mình không? Bạn có thể đưa ra ví dụ không có trong nguồn gốc?

Bạn có thể giảng lại cho người không chuyên? Nếu chưa, hãy tiếp tục hỏi.

4. Lưu ý: AI có thể “ảo giác”.

Khi hỏi đệ quy, nếu AI trả lời sai về khái niệm cốt lõi, bạn có thể đi xa hơn khỏi sự thật.

Vì vậy, ở những điểm quan trọng, hãy kiểm chứng chéo với nhiều AI để đảm bảo nền tảng vững chắc.

5. Ghi lại quá trình đặt câu hỏi.

Điều này tạo ra tài sản kiến thức có thể tái sử dụng. Lần sau gặp vấn đề tương tự, bạn có quy trình tư duy hoàn chỉnh để tham khảo.

Thông thường, công cụ được đánh giá cao vì giảm ma sát và tăng hiệu quả.

Nhưng với học tập, điều ngược lại mới đúng: ma sát vừa phải và thử thách là điều kiện tiên quyết cho học thực sự. Nếu mọi thứ quá trơn tru, não bộ sẽ tiết kiệm năng lượng và không lưu giữ thông tin.

Phương pháp hỏi đệ quy của Gabriel chủ động tạo ra ma sát.

Anh không ngừng hỏi tại sao, tự đẩy mình tới giới hạn hiểu biết, rồi dần lấp đầy khoảng trống.

Quá trình này gây khó chịu, nhưng chính sự khó chịu đó mới giúp ghi nhớ lâu dài thực sự.

Tương Lai Việc Làm: Chuyên Gia Đa Kỹ Năng

Trong thế giới hiện đại, độc quyền bằng cấp học thuật đang mờ dần, nhưng rào cản nhận thức lại âm thầm tăng lên.

Phần lớn mọi người xem AI là “máy trả lời”, nhưng một số ít như Gabriel lại dùng nó như “huấn luyện viên tư duy”.

Các kỹ thuật tương tự đã xuất hiện ở nhiều ngành.

Ví dụ, trên Jike, nhiều phụ huynh dùng nanobanana để hỗ trợ con làm bài tập. Nhưng thay vì để AI trả lời, họ yêu cầu AI giải từng bước, phân tích từng bước và cùng con thảo luận logic.

Như vậy, trẻ không chỉ học đáp án mà còn học phương pháp giải quyết vấn đề.

Prompt: “Giải tích phân này và trình bày đầy đủ lời giải lên bảng trắng” | Nguồn: nanobaba2

Người khác dùng Listenhub hoặc NotebookLM để chuyển bài báo dài thành đối thoại podcast giữa hai AI, giải thích, đặt câu hỏi và thảo luận. Một số người cho rằng đó là lười biếng, nhưng người khác nhận thấy nghe đối thoại rồi đọc lại bài gốc giúp hiểu sâu hơn.

Bởi vì trong quá trình đối thoại, câu hỏi xuất hiện tự nhiên, buộc bạn phải cân nhắc: mình có thực sự hiểu điểm này chưa?

Podcast Phỏng Vấn Gabriel Được Chuyển Thành Podcast | Nguồn: notebooklm

Đây là dấu hiệu của xu hướng tương lai: sự lên ngôi của chuyên gia đa kỹ năng.

Trước đây, xây dựng sản phẩm đòi hỏi kiến thức về front-end, back-end, thiết kế, vận hành và marketing. Hiện nay, như Gabriel, bạn có thể dùng phương pháp “lấp đầy khoảng trống đệ quy” để nhanh chóng nắm vững 80% những gì còn thiếu ở bất kỳ lĩnh vực nào.

Nếu bạn khởi đầu là lập trình viên, AI có thể giúp bạn lấp khoảng trống về thiết kế và logic kinh doanh, chuyển thành quản lý sản phẩm.

Nếu bạn là người sáng tạo nội dung mạnh, AI có thể giúp bạn phát triển kỹ năng lập trình và trở thành nhà phát triển độc lập.

Với xu hướng này, tương lai có thể xuất hiện nhiều “công ty một người”.

Giành Lại Quyền Kiểm Soát Quá Trình Học Tập

Ngẫm lại lời khuyên của nhà đầu tư, tôi cuối cùng đã hiểu thông điệp thực sự của ông.

“Hãy hỏi cho đến khi không còn câu trả lời nào nữa.”

Đây là tư duy mạnh mẽ trong thời đại AI.

Nếu chúng ta bằng lòng với câu trả lời đầu tiên AI đưa ra, chúng ta đang âm thầm thụt lùi.

Nhưng nếu tiếp tục đào sâu, buộc AI làm rõ logic và nội hóa sự hiểu biết đó, thì AI trở thành phần mở rộng của chúng ta—không phải sự thay thế.

Đừng để ChatGPT nghĩ thay bạn—hãy để nó cùng bạn suy nghĩ.

Gabriel từ người bỏ học ngủ trên ghế sofa đã trở thành nhà nghiên cứu tại OpenAI.

Không có bí quyết nào—chỉ là đặt câu hỏi liên tục, hàng nghìn lần.

Trong thời đại lo lắng bị AI thay thế, có lẽ vũ khí thực tế nhất là:

Đừng bằng lòng với câu trả lời đầu tiên. Hãy tiếp tục hỏi.

Tuyên bố:

1. Bài viết này được đăng lại từ [geekpark], bản quyền thuộc về tác giả gốc [Jin Guanghao]. Nếu bạn có thắc mắc về việc đăng lại, vui lòng liên hệ đội ngũ Gate Learn, chúng tôi sẽ xử lý yêu cầu của bạn kịp thời theo quy trình liên quan.
2. Miễn trừ trách nhiệm: Quan điểm và ý kiến trong bài viết này là của riêng tác giả, không phải là lời khuyên đầu tư.
3. Các phiên bản ngôn ngữ khác của bài viết này do đội ngũ Gate Learn thực hiện dịch thuật. Trừ khi Gate được trích dẫn, không sao chép, phân phối hoặc đạo văn bài dịch này.