私はAIを研究し、最終的にOpenAIの研究者となりました。

先日、上海で開催されたAIミートアップに参加しました。

イベントでは、実社会でのAI活用事例が中心テーマとなっていました。

中でも特に印象に残ったのは、経験豊富な投資家が紹介した学習戦略でした。

彼はこの手法によってキャリアを救われただけでなく、投資家として人を評価する基準も根本的に変わったと語っていました。

その方法とは何か？――「質問する力を極める」ことです。

何かに興味を持ったときは、DeepSeekと対話し、AIが答えられなくなるまで問い続けるのです。

この「無限質問」スタイルは当時は深く印象に残りましたが、イベント後にはすぐ忘れてしまいました。

私は実践もせず、深く考えることもありませんでした。

しかし最近、Gabriel Peterssonが学校を中退し、AIを活用してOpenAIにたどり着いたという話を知り、「最後まで問い続ける」ことの真の意義をAI時代に実感しました。

Gabrielインタビューポッドキャスト | 出典：YouTube

高校中退からOpenAIリサーチャーへ：意外なキャリアパス

Gabrielはスウェーデン出身で、高校を卒業せずに中退しました。

GabrielのSNSプロフィール | 出典：X

彼はかつて、AI分野で活躍できるほど自分は賢くないと考えていました。

しかし、数年前に転機が訪れます。

従兄弟がストックホルムでスタートアップを立ち上げ、EC向けプロダクト推薦システムを開発し、Gabrielをチームに招きました。

技術的な経験も資金もないままGabrielは参加を決意し、最初の1年間はオフィスのソファで寝泊まりしたそうです。

その1年は彼を大きく変えました。教室ではなく、現場で実際の課題――プログラミング、営業、システム統合――を解決しながら学びました。

さらに成長を求めて業務委託契約となり、プロジェクト選択の自由を得て、優秀なエンジニアと協力し、積極的にフィードバックを受けました。

米国ビザ申請時には、「卓越した能力」の証明――通常は学術論文や引用実績が必要なビザ――という壁に直面します。

高校中退者がどうやって証明できるのでしょうか？

Gabrielは開発者コミュニティでの優れた技術投稿を「学術的貢献」としてまとめ、代替資料として提出。移民当局はこれを認めました。

サンフランシスコ移住後は、ChatGPTを使って数学や機械学習を独学しました。

現在、GabrielはOpenAIのリサーチサイエンティストとしてSoraビデオモデルの開発に携わっています。

ここで「どうやってここまで来たのか？」と疑問に思うでしょう。

Gabrielのインサイト | 出典：X

再帰的知識充填：直感に反する学習法

答えは「無限質問」――具体的な課題を選び、AIを使って徹底的に解決することです。

Gabrielの学習法は、多くの人の直感とは逆を行きます。

従来の学習は「ボトムアップ」式――まず基礎を固めてから実践へ進みます。たとえば機械学習なら、線形代数・確率論・微積分を学び、統計的学習、ディープラーニング、そして最後に実プロジェクトに取り組むという流れ。これには何年もかかります。

彼のやり方は「トップダウン」式です。まず具体的なプロジェクトに着手し、問題が出るたびに解決し、その都度知識のギャップを埋めていきます。

ポッドキャストで彼は、かつてはこの方法は拡張性がなかった――常に次に学ぶべきことを教えてくれる万能の教師が必要だった――と述べています。

今、その役割をChatGPTが担っています。

Gabrielのインサイト | 出典：X

実際の運用例として、拡散モデルの学習を挙げています。

ステップ1：全体像から入る。ChatGPTに「ビデオモデルを学びたい。コア概念は？」と尋ねると、AIは「オートエンコーダー」と返答。

ステップ2：まずコードを書かせる。ChatGPTに拡散モデルのコードを書いてもらい、最初は理解できなくても実行してみる。動けばデバッグの土台になります。

ステップ3、最も重要なのが「再帰的質問」。コード内のすべてのモジュールを調べ、それぞれに質問していきます。

層ごとに掘り下げて論理を理解したら、前のレベルに戻り、次のモジュールに進みます。

これを彼は「再帰的知識充填」と呼んでいます。

再帰的知識充填 | 出典：nanobaba2

この方法なら、6年かけて段階的に学ぶよりもはるかに速く、3日で基礎的な直感が身につく場合もあります。

ソクラテス式問答法に馴染みがあれば、同じ原理だと気づくでしょう。 relentlessな質問を通じて主題の核心に迫り、答えが次の問いの出発点となります。

違いは、今や質問される相手がAIであること。そしてAIはほぼ全知なので、本質をわかりやすく説明し続けられます。

Gabrielはこの方法でAIから知識の核を引き出し、真に理解しています。

AIで「賢くならない」人が増えている

ポッドキャストを聴いて、Gabrielの話は私自身に問いを投げかけました。

なぜ彼のようにAIで効果的に学ぶ人がいる一方、多くの人は逆に退化しているのでしょうか？

これは私だけの印象ではありません。

2025年のMicrosoft Research論文[1]によれば、生成AIの頻繁な利用はクリティカルシンキング能力の大幅な低下を招くという結果が出ています。

つまり、私たちは思考をAIに外注し、自らの認知能力が衰えているのです。

スキル習得は「使わなければ失われる」の原則に従います。AIにコードを書かせれば、自分のプログラミング能力は静かに低下します。

AIと「雰囲気コーディング」的に仕事を進めるのは効率的に見えますが、長期的にはプログラマーの実力が低下します。

要件をAIに渡し、コードを生成させ、実行して満足する。しかしAIを切って自分でコアロジックを書く必要が生じたとき、多くの人は頭が真っ白になるのです。

さらに顕著なのが医療分野の調査です。ある研究[2]によると、AI補助付きで3か月間大腸内視鏡を行った医師の検出能力は6%低下しました。

一見小さな数字に思えるかもしれませんが、これは患者の健康や命に直結する臨床診断能力です。

では、なぜ同じツールを使って強くなる人と弱くなる人がいるのでしょうか？

違いはAIの使い方にあります。

AIを「作業を代行するツール」として使えば、スキルは低下します。思考プロセスを省略し、結果だけを受け取る。結果はコピペできても、クリティカルシンキングは育ちません。

しかし、AIをコーチやメンターとして、自分の理解を試し、盲点を突き、曖昧な概念を明確化するために使えば、AIとともに学びを加速できます。

Gabrielの本質は「AIに学ばせる」のではなく、「AIと一緒に学ぶ」こと。彼は常に能動的な質問者であり、AIはフィードバックと材料を提供するだけ。すべての「なぜ」は彼自身の問いであり、理解の各層は自ら掘り下げて得たものです。

「魚を与えれば一日生き延びる。釣りを教えれば一生生きていける」ということわざを思い出します。

再帰的知識充填 | 出典：nanobaba2

実践的なヒント

「自分はAI研究者でもプログラマーでもない。この方法は役立つのか？」と疑問に思う方もいるでしょう。

Gabrielのアプローチは、AIを使ってどんな未知の分野でも学べる5ステップのフレームワークに一般化できます。

1. 教科書の第1章からではなく、実際の課題から始める。

まず現場に飛び込み、つまずいたらその都度ギャップを埋める。

こうすることで知識に文脈と目的が生まれ、単なる暗記よりはるかに効果的です。

Gabrielのインサイト | 出典：X

2. AIを無限に忍耐強いメンターとして使う。

どんな初歩的な質問でもOK。複数の説明を求めたり、「5歳児にもわかるように説明して」と頼んでもよい。

AIは決して評価したり、イライラしたりしません。

3. 直感ができるまで問い続ける。表面的な理解で満足しない。

自分の言葉で説明できるか？元の資料にない例を挙げられるか？

素人に教えられるか？できなければ、さらに質問を。

4. AIの「幻覚」に注意。

再帰的に質問する際、AIがコア概念を誤ると、真実から遠ざかる恐れがあります。

重要なポイントでは複数のAIでクロスチェックし、基盤が正しいか確認しましょう。

5. 質問プロセスを記録する。

再利用可能な知識資産となります。次に似た問題に直面したとき、思考プロセスを振り返ることができます。

従来は、ツールは摩擦を減らし効率を上げるために重宝されてきました。

しかし学習に関しては逆です。適度な摩擦や障害が本当の学びの前提条件です。すべてがスムーズすぎると、脳は省エネモードになり、何も残りません。

Gabrielの再帰的質問は、意図的に摩擦を生み出します。

彼は「なぜ」と問い続け、自分の理解の限界まで突き詰め、少しずつギャップを埋めていきます。

このプロセスは不快ですが、この不快感こそが長期記憶を生み出します。

仕事の未来：マルチスキルスペシャリストの台頭

現代では、学歴独占は薄れつつある一方、認知的障壁が静かに高まっています。

多くの人はAIを「答えを出す装置」として扱いますが、Gabrielのような一部の人は「思考トレーナー」として活用しています。

こうしたテクニックは他業界にも広がっています。

たとえばJikeでは、多くの親がnanobananaを使って子どもの宿題をサポートしています。AIに答えだけを出させるのではなく、解答プロセスを段階的に生成させ、各ステップを分析し、子どもと論理を議論しています。

こうすることで、子どもは答えだけでなく、問題解決の方法そのものを学びます。

プロンプト：「与えられた積分を解き、完全な解答をホワイトボードに書いてください」 | 出典：nanobaba2

また、ListenhubやNotebookLMを使い、長文記事や論文を2つのAI音声によるポッドキャスト形式の対話に変換し、説明・質問・議論させる活用法もあります。これを「怠惰」と見る人もいますが、対話を聴いてから原文を読むことで理解が深まるという声もあります。

なぜなら、対話の中で自然に疑問が生じ、「自分は本当にこの点を理解しているのか？」と自問するからです。

Gabrielインタビューポッドキャストをポッドキャスト化 | 出典：notebooklm

これは未来のトレンド――マルチスキルスペシャリストの台頭を示しています。

かつてはプロダクトを作るのにフロントエンド、バックエンド、デザイン、運用、マーケティングの知識が必要でした。今では、Gabrielのように「再帰的ギャップ充填」法を使えば、どの分野でも不足分の80%を短期間で補えます。

もともとプログラマーなら、AIでデザインやビジネスロジックのギャップを埋めてプロダクトマネージャーになれる。

優れたコンテンツクリエイターだった人も、AIでコーディングスキルを素早く身につけ、独立系開発者になれます。

今後は「一人会社」が増える可能性もあるでしょう。

学びの主導権を取り戻そう

あの投資家のアドバイスを振り返り、私はようやく真意を理解しました。

「答えが尽きるまで問い続けること。」

これはAI時代において極めて強力なマインドセットです。

AIの最初の答えで満足すれば、私たちは静かに退化していきます。

しかし、問い続けてAIに論理を明確化させ、それを自分のものにできれば、AIは自分の拡張となり、単なる代替物にはなりません。

ChatGPTに「考えさせる」のではなく、「一緒に考えさせる」ことが重要です。

Gabrielは、ソファで寝泊まりしていた高校中退者からOpenAIリサーチャーになりました。

秘訣はありません――ただ、何千回も問い続けただけです。

AIによる代替不安が高まる時代、最も実践的な武器はこれかもしれません。

最初の答えに満足せず、問い続けましょう。

ステートメント：

1. 本記事は[geekpark]より転載しており、著作権は原著者[Jin Guanghao]に帰属します。本転載にご懸念がある場合は、Gate Learnチームまでご連絡ください。関連手続きに従い速やかに対応いたします。
2. 免責事項：本記事に記載された見解や意見は著者個人のものであり、投資助言を構成するものではありません。
3. 本記事の他言語版はGate Learnチームが翻訳しています。Gateが出典として明記されていない限り、翻訳記事の無断転載・配布・盗用を禁じます。