درست الذكاء الاصطناعي، ثم أصبحت باحثًا في OpenAI

مؤخرًا، شاركت في لقاء حول الذكاء الاصطناعي في شنغهاي.

كان محور الحدث هو التطبيقات العملية للذكاء الاصطناعي.

ما أثار اهتمامي حقًا كان استراتيجية التعلم التي شاركها مستثمر مخضرم.

أوضح أن هذه الطريقة لم تنقذ مسيرته المهنية فحسب، بل غيرت أيضًا أسلوبه في تقييم الأشخاص كمستثمر.

ما هي هذه الاستراتيجية؟ إنها إتقان فن طرح الأسئلة.

كلما راودك الفضول حول موضوع ما، تفاعل مع DeepSeek. واصل طرح الأسئلة حتى يعجز عن الرد.

بدت لي طريقة "الاستفسار اللامحدود" عميقة حينها، لكن سرعان ما نسيتها بعد الحدث.

لم أطبقها، ولم أتمعن فيها.

لم أدرك قيمتها الحقيقية إلا مؤخرًا عندما قرأت عن قصة غابرييل بيترسون—كيف ترك المدرسة واستخدم الذكاء الاصطناعي ليصل إلى OpenAI—عندها فهمت جوهر "السؤال حتى النهاية" في عصر الذكاء الاصطناعي.

بودكاست مقابلة غابرييل | المصدر: YouTube

من ترك المدرسة الثانوية إلى باحث في OpenAI: رحلة غير متوقعة

غابرييل من السويد، وترك المدرسة الثانوية قبل التخرج.

الملف الشخصي لغابرييل على وسائل التواصل الاجتماعي | المصدر: X

كان يظن سابقًا أنه غير مؤهل لمسار مهني في الذكاء الاصطناعي.

تغير كل شيء قبل عدة سنوات.

أسس ابن عمه شركة ناشئة في ستوكهولم لبناء نظام توصية للمنتجات في التجارة الإلكترونية، ودعا غابرييل للانضمام للفريق.

وافق غابرييل رغم عدم امتلاكه خلفية تقنية أو مدخرات. في البداية، قضى عامًا كاملًا ينام على أريكة المكتب.

لكن ذلك العام كان فارقًا. لم يتعلم في قاعات الدراسة، بل تحت الضغط، من خلال معالجة مشكلات واقعية: البرمجة، والمبيعات، وتكامل الأنظمة.

ولتسريع تطوره، أصبح متعاقدًا، مما أتاح له اختيار المشاريع، والعمل مع نخبة المهندسين، وطلب الملاحظات باستمرار.

عند التقديم على تأشيرة أمريكية، واجه تحديًا: هذا النوع من التأشيرات يتطلب إثبات "قدرة استثنائية"، غالبًا عبر منشورات أكاديمية واستشهادات.

كيف يمكن لمن ترك المدرسة الثانوية إثبات ذلك؟

ابتكر غابرييل حلاً: جمع أفضل منشوراته التقنية من مجتمعات المطورين كمساهمات علمية بديلة. ولدهشته، قبلت السلطات ذلك.

بعد انتقاله إلى سان فرانسيسكو، واصل دراسة الرياضيات وتعلم الآلة ذاتيًا مستخدمًا ChatGPT.

اليوم، يعمل غابرييل باحثًا في OpenAI، ويساهم في تطوير نموذج الفيديو Sora.

لعلك تتساءل الآن—كيف أنجز ذلك؟

رؤى غابرييل | المصدر: X

ملء المعرفة التكراري: منهج معاكس للحدس في التعلم

الإجابة هي "الاستفسار اللامحدود": اختر مشكلة واقعية واستعن بالذكاء الاصطناعي لحلها بالكامل.

طريقة غابرييل في التعلم تخالف الحدس السائد.

عادةً، يكون التعلم "تصاعديًا": تبني أساسًا أولًا، ثم تنتقل إلى التطبيقات العملية. على سبيل المثال، لتعلم الآلة، تبدأ بالجبر الخطي، ونظرية الاحتمالات، والتفاضل والتكامل، ثم التعلم الإحصائي، ثم التعلم العميق، وبعد سنوات تبدأ بالمشاريع الفعلية. هذه العملية تستغرق سنوات.

أما هو فيعتمد منهج "تنازلي": يبدأ بمشروع محدد، ويحل المشكلات فور ظهورها، ويغطي فجوات المعرفة حسب الحاجة.

وكما أوضح في بودكاست، كان من الصعب تطبيق هذا المنهج سابقًا—كنت بحاجة لمعلم شامل يرشدك باستمرار.

الآن، يقوم ChatGPT بهذا الدور.

رؤى غابرييل | المصدر: X

كيف يطبق ذلك عمليًا؟ أعطى مثالًا: تعلم نماذج الانتشار.

الخطوة الأولى: ابدأ بالصورة الكلية. يسأل ChatGPT: "أريد معرفة نماذج الفيديو—ما هو المفهوم الأساسي؟" يجيب الذكاء الاصطناعي: autoencoders.

الخطوة الثانية: ابدأ بالبرمجة. يطلب من ChatGPT كود نموذج الانتشار. في البداية لا يفهم الكثير، لكن يشغله على أي حال. إذا نجح، يكون لديه أساس لاستكشاف الأخطاء.

الخطوة الثالثة، والأهم: التساؤل التكراري. يفحص كل وحدة في الكود ويستفسر عن كل جزء.

يتعمق طبقة تلو الأخرى حتى يستوعب المنطق الأساسي، ثم يعود للمستوى السابق ليكمل مع الوحدة التالية.

يسمي ذلك "ملء المعرفة التكراري".

ملء المعرفة التكراري | المصدر: nanobaba2

هذا المنهج أسرع بكثير من دراسة تدريجية تستغرق ست سنوات—قد تكتسب حدسًا أساسيًا في غضون ثلاثة أيام فقط.

إذا كنت تعرف المنهج السقراطي، ستلاحظ المبدأ ذاته: تصل إلى جوهر الموضوع عبر التساؤل المتواصل، وكل إجابة تنطلق منها للسؤال التالي.

الفرق اليوم أن الذكاء الاصطناعي هو من يُسأل. وبما أنه شبه كلي المعرفة، يمكنه شرح جوهر الأشياء باستمرار وبأسلوب مبسط.

في الجوهر، يستخدم غابرييل هذا الأسلوب لاستخلاص لب المعرفة من الذكاء الاصطناعي—وليصل إلى فهم حقيقي للموضوع.

معظم الناس يضعفون باستخدام الذكاء الاصطناعي

بعد الاستماع للبودكاست، أثارت قصة غابرييل تساؤلات لدي:

لماذا يتمكن البعض من التعلم بفعالية عبر الذكاء الاصطناعي، بينما يشعر آخرون بالتراجع؟

الأمر ليس مجرد انطباع شخصي.

تشير دراسة لمايكروسوفت عام 2025 [1] إلى أن الاستخدام المتكرر للذكاء الاصطناعي التوليدي يؤدي إلى تراجع ملحوظ في مهارات التفكير النقدي.

أي أننا نوكل التفكير للذكاء الاصطناعي، فتضعف قدراتنا الذهنية تدريجيًا.

تطوير المهارات يتبع قاعدة "استخدمها أو افقدها": عندما نعتمد على الذكاء الاصطناعي في البرمجة، تضعف قدرتنا الذاتية على كتابة الشيفرة.

العمل مع الذكاء الاصطناعي بأسلوب "برمجة المزاج" يبدو فعالًا، لكنه يضعف مهارات المبرمجين مع الوقت.

تعطي متطلباتك للذكاء الاصطناعي، فيولد الشيفرة، تشغلها، ويبدو الأمر رائعًا. لكن إذا اضطررت لإيقاف الذكاء الاصطناعي وكتابة المنطق الأساسي بنفسك، يجد كثيرون أنفسهم عاجزين.

الأمر أكثر وضوحًا في الطب. أظهرت دراسة [2] أن مهارات الأطباء في اكتشاف حالات تنظير القولون تراجعت بنسبة 6% بعد ثلاثة أشهر من استخدام الذكاء الاصطناعي كمساعد.

قد يبدو هذا الرقم بسيطًا، لكن هذه قدرة تشخيصية سريرية حقيقية تؤثر على صحة المرضى وحياتهم.

السؤال إذًا: لماذا يقوى بعض الناس باستخدام الأداة نفسها، بينما يضعف آخرون؟

الفرق يكمن في طريقة استخدام الذكاء الاصطناعي.

إذا اعتمدت عليه كأداة لتنفيذ الأعمال—كتابة الشيفرة، صياغة المقالات، اتخاذ القرارات—ستضعف مهاراتك. تتجاوز عملية التفكير، وتحصل فقط على النتيجة. النتائج يمكن نسخها، لكن التفكير النقدي لا ينمو تلقائيًا.

أما إذا اعتبرته مدربًا أو مرشدًا—تستخدمه لاختبار فهمك، وتحديد نقاط ضعفك، وتوضيح المفاهيم الغامضة—فأنت تسرع تعلمك بمساعدة الذكاء الاصطناعي.

جوهر طريقة غابرييل ليس "دع الذكاء الاصطناعي يتعلم بدلاً مني"، بل "دع الذكاء الاصطناعي يتعلم معي". هو دائمًا الطرف النشط في التساؤل، والذكاء الاصطناعي يقدم الملاحظات والمعلومات فقط. كل "لماذا" تنبع منه، وكل طبقة فهم يستخرجها بنفسه.

يذكرني هذا بالمثل: "أعطِ رجلاً سمكة تطعمه ليوم، علمه الصيد تطعمه مدى الحياة."

ملء المعرفة التكراري | المصدر: nanobaba2

دروس عملية

قد تتساءل: لست باحثًا في الذكاء الاصطناعي أو مبرمجًا—كيف ينطبق هذا الأسلوب عليّ؟

أرى أن منهج غابرييل يمكن تلخيصه في إطار من خمس خطوات لأي شخص يرغب في تعلم أي مجال جديد بمساعدة الذكاء الاصطناعي.

1. ابدأ بمشكلات واقعية—not بالفصل الأول من الكتاب.

انخرط مباشرة. عندما تتعثر، عالج النقص حسب الحاجة.

بهذا الأسلوب، تكتسب المعرفة سياقًا وهدفًا، وتصبح أكثر فاعلية من حفظ المعلومات المجردة.

رؤى غابرييل | المصدر: X

2. اعتبر الذكاء الاصطناعي مرشدًا صبورًا بلا حدود.

اطرح أي سؤال، مهما بدا بسيطًا. اجعله يشرح المفاهيم بطرق متعددة، أو "اشرحها وكأنني طفل في الخامسة".

لن يصدر أحكامًا أو يفقد صبره.

3. واصل التساؤل حتى تبني حدسك. لا تكتفَ بفهم سطحي.

هل تستطيع شرح المفهوم بكلماتك؟ هل يمكنك إعطاء مثال لم يُذكر في المصدر الأصلي؟

هل يمكنك تدريسه لشخص غير مختص؟ إذا لم تستطع، واصل التساؤل.

4. انتبه: الذكاء الاصطناعي قد يقدم إجابات غير دقيقة.

عند التساؤل التكراري، إذا أخطأ الذكاء الاصطناعي في مفهوم أساسي، قد تبتعد أكثر عن الحقيقة.

لذا، عند النقاط الجوهرية، تحقق من صحة الإجابات عبر عدة نماذج ذكاء اصطناعي لضمان متانة الأساس.

5. وثّق عملية تساؤلك.

هكذا تصنع أصلًا معرفيًا يمكنك العودة إليه لاحقًا عند مواجهة مشاكل مشابهة.

تقليديًا، تُقدّر الأدوات لقدرتها على تقليل الاحتكاك وزيادة الكفاءة.

لكن في التعلم، العكس صحيح: الاحتكاك المعتدل والعقبات شرط أساسي للتعلم الفعلي. إذا كان كل شيء سلسًا، ينتقل الدماغ لوضع توفير الطاقة ولا يبقى شيء في الذاكرة.

منهج غابرييل في التساؤل التكراري يخلق الاحتكاك عمدًا.

يواصل التساؤل، ويدفع نفسه إلى حدود فهمه، ثم يملأ الفجوات تدريجيًا.

هذه العملية غير مريحة، لكنها ضرورية لترسيخ الذاكرة طويلة الأمد.

مستقبل العمل: متخصصون متعددون المهارات

في عالم اليوم، تتراجع احتكارات الشهادات الأكاديمية، بينما تزداد الحواجز المعرفية خفاءً.

معظم الناس يعاملون الذكاء الاصطناعي كمُوَلِّد إجابات، لكن القلة، مثل غابرييل، يستخدمونه كمدرب على التفكير.

تظهر تقنيات مشابهة في مختلف القطاعات.

على سبيل المثال، يستخدم العديد من الآباء على Jike أداة nanobanana لمساعدة أطفالهم في الواجبات المنزلية. لكن بدلًا من إعطاء الإجابة مباشرة، يجعلون الذكاء الاصطناعي يولّد الحل خطوة بخطوة، يحللون كل خطوة، ويناقشون المنطق مع أطفالهم.

بهذه الطريقة، يتعلم الأطفال ليس فقط الإجابة، بل منهجية حل المشكلات.

المطالبة: "حل التكامل المعطى واكتب الحل الكامل على السبورة" | المصدر: nanobaba2

آخرون يستخدمون Listenhub أو NotebookLM لتحويل المقالات أو الأوراق الطويلة إلى حوارات بودكاست بين صوتي ذكاء اصطناعي، حيث يشرحان، ويسألان، ويناقشان. يرى البعض ذلك كسلًا، لكن هناك من يجد أن الاستماع للحوار ثم قراءة النص الأصلي يعزز الفهم.

لأن الأسئلة تظهر تلقائيًا أثناء الحوار، فتدفعك للتساؤل: هل أفهم هذه النقطة فعلًا؟

تحويل بودكاست مقابلة غابرييل إلى بودكاست | المصدر: notebooklm

هذا يشير إلى اتجاه مستقبلي: صعود المتخصصين متعددي المهارات.

في السابق، كان بناء منتج يتطلب معرفة بالواجهات الأمامية والخلفية والتصميم والتشغيل والتسويق. اليوم، باستخدام منهج "ملء الفجوات التكراري" يمكنك إتقان 80% مما ينقصك في أي مجال بسرعة.

إذا بدأت كمبرمج، يمكن للذكاء الاصطناعي سد فجواتك في التصميم والمنطق التجاري، لتصبح مدير منتج.

وإذا كنت صانع محتوى، يمكن للذكاء الاصطناعي أن يساعدك بسرعة على اكتساب مهارات البرمجة لتصبح مطورًا مستقلًا.

مع هذا الاتجاه، قد نشهد المزيد من "شركات الشخص الواحد" مستقبلًا.

استعد زمام تعلمك

عند تأملي في نصيحة ذلك المستثمر، أدركت أخيرًا مغزاها الحقيقي.

"استمر في السؤال حتى لا توجد إجابات أخرى."

هذه عقلية قوية في عصر الذكاء الاصطناعي.

إذا اكتفينا بأول إجابة يقدمها الذكاء الاصطناعي، فإننا نتراجع بصمت.

أما إذا واصلنا الاستفسار، ودفعنا الذكاء الاصطناعي لتوضيح منطقه، واستوعبنا ذلك الفهم، يصبح الذكاء الاصطناعي امتدادًا لنا—not بديلًا عنا.

لا تدع ChatGPT يفكر بدلاً منك—اجعله يفكر معك.

غابرييل انتقل من ترك المدرسة الثانوية والنوم على الأريكة إلى باحث في OpenAI.

لا يوجد سر—فقط تساؤل متواصل، آلاف المرات.

في عصر تنتشر فيه مخاوف الاستبدال بالذكاء الاصطناعي، ربما يكون السلاح العملي الأهم هو هذا:

لا تكتفَ بالإجابة الأولى. واصل التساؤل.

بيان:

1. أعيد نشر هذه المقالة من [geekpark]، وتعود حقوق النشر للمؤلف الأصلي [جين غوانغهاو]. إذا كانت لديك أي ملاحظات حول إعادة النشر، يرجى التواصل مع فريق Gate Learn وسنستجيب بسرعة وفقًا للإجراءات المعتمدة.
2. تنويه: الآراء الواردة في هذه المقالة تعبر عن وجهة نظر الكاتب فقط ولا تمثل نصيحة استثمارية.
3. تمت ترجمة النسخ الأخرى من هذه المقالة بواسطة فريق Gate Learn. ما لم يتم ذكر Gate كمصدر، يُمنع نسخ أو توزيع أو سرقة المقالة المترجمة.