Estudei inteligência artificial e, posteriormente, atuei como pesquisador na OpenAI

Há pouco tempo, participei de um encontro sobre IA em Xangai.

O evento destacou fortemente as aplicações concretas da inteligência artificial.

O que mais me marcou, porém, foi uma estratégia de aprendizado compartilhada por um investidor experiente.

Ele revelou que esse método não só salvou sua carreira, como também revolucionou sua forma de avaliar pessoas no papel de investidor.

E qual é esse método? É dominar a arte de fazer perguntas.

Toda vez que surgir curiosidade sobre um tema, interaja com o DeepSeek. Continue investigando—pergunte até que ele não consiga mais responder.

Na época, achei essa abordagem de “questionamento infinito” profunda, mas, após o evento, rapidamente a deixei de lado.

Não cheguei a experimentar, nem a refletir sobre ela.

Somente recentemente, ao conhecer a trajetória de Gabriel Petersson—que largou os estudos e usou IA para aprender até conquistar uma vaga na OpenAI—percebi o verdadeiro valor de “perguntar até o fim” na era da inteligência artificial.

Podcast com Gabriel | Fonte: YouTube

De Abandono Escolar a Pesquisador da OpenAI: Uma Jornada Inesperada

Gabriel é sueco e deixou o ensino médio antes de se formar.

Perfil de Gabriel nas redes sociais | Fonte: X

Ele acreditava que não era inteligente o suficiente para seguir carreira em IA.

Mas tudo mudou há alguns anos.

Seu primo fundou uma startup em Estocolmo, criando um sistema de recomendação para e-commerce, e convidou Gabriel para o time.

Gabriel aceitou, mesmo sem formação técnica ou recursos financeiros. Nos primeiros tempos, chegou a passar um ano dormindo no sofá do escritório.

Esse período foi transformador. Ele não aprendeu em sala de aula—aprendeu sob pressão, resolvendo desafios reais: programação, vendas e integração de sistemas.

Para acelerar ainda mais o desenvolvimento, tornou-se freelancer, ganhando autonomia para escolher projetos, trabalhar com engenheiros de alto nível e buscar feedback de forma ativa.

Ao solicitar o visto americano, enfrentou um impasse: esse visto exige comprovação de “habilidade extraordinária”, geralmente evidenciada por publicações acadêmicas e citações.

Como alguém sem diploma poderia comprovar isso?

Gabriel encontrou uma saída: reuniu seus melhores posts técnicos em comunidades de desenvolvedores como “contribuições acadêmicas” alternativas. Para surpresa dele, as autoridades de imigração aceitaram.

Depois de se mudar para San Francisco, continuou estudando matemática e machine learning de forma autodidata, usando o ChatGPT.

Hoje, Gabriel atua como pesquisador na OpenAI, contribuindo para o desenvolvimento do Sora, modelo de vídeo.

Neste ponto, você deve estar se perguntando—como ele conseguiu chegar lá?

Insights de Gabriel | Fonte: X

Preenchimento Recursivo de Conhecimento: Uma Abordagem Contraintuitiva para Aprender

A resposta está no “questionamento infinito”: escolha um problema concreto e utilize IA para resolvê-lo por completo.

A estratégia de Gabriel contraria a intuição da maioria.

Tradicionalmente, aprendemos “de baixo para cima”: primeiro construímos a base, depois vamos para a prática. Por exemplo, para estudar machine learning, primeiro aprende-se álgebra linear, probabilidade e cálculo, depois estatística, depois deep learning, e só muito depois se enfrenta projetos reais. Esse caminho pode levar anos.

O método dele é “de cima para baixo”: começa com um projeto específico, resolve os problemas conforme aparecem e preenche as lacunas de conhecimento conforme necessário.

Como ele explicou em um podcast, esse método era difícil de escalar antes—era preciso um professor onisciente, capaz de indicar o próximo passo a todo momento.

Hoje, o ChatGPT cumpre essa função.

Insights de Gabriel | Fonte: X

Como isso funciona na prática? Ele deu o exemplo de aprender modelos de difusão.

Primeiro passo: comece pelo panorama. Pergunta ao ChatGPT: “Quero aprender sobre modelos de vídeo—qual o conceito central?” A IA responde: autoencoders.

Segundo passo: codifique primeiro. Pede ao ChatGPT um trecho de código de modelo de difusão. No início, não entende quase nada, mas tudo bem—executa o código assim mesmo. Se funcionar, já tem base para depuração.

Terceiro, o mais importante: questionamento recursivo. Ele analisa cada módulo do código e interroga cada um.

Vai aprofundando camada por camada até entender a lógica fundamental, depois volta ao nível anterior para seguir com o próximo módulo.

Ele chama esse processo de “preenchimento recursivo de conhecimento”.

Preenchimento Recursivo de Conhecimento | Fonte: nanobaba2

Esse método é muito mais rápido do que estudar por seis anos passo a passo—você pode adquirir intuição básica em apenas três dias.

Se você conhece o método socrático, vai reconhecer o princípio: chega-se ao núcleo do assunto por meio de perguntas incansáveis, e cada resposta serve de ponto de partida para a próxima questão.

A diferença é que agora a IA é quem responde. E, por ser quase onisciente, consegue explicar a essência dos temas em linguagem acessível.

Em síntese, Gabriel usa essa abordagem para extrair o essencial do conhecimento da IA—e realmente compreender o assunto.

A Maioria Fica Menos Capaz Usando IA

Depois de ouvir o podcast, a história de Gabriel me fez pensar:

Por que alguns, como ele, usam IA para aprender de forma tão eficiente, enquanto outros sentem que estão regredindo?

Não é só impressão minha.

Um estudo da Microsoft Research de 2025 [1] mostra que o uso frequente de IA generativa causa queda significativa nas habilidades de pensamento crítico.

Ou seja, estamos terceirizando nosso raciocínio para a IA, e nossa cognição própria vai atrofiando.

O desenvolvimento de habilidades segue o princípio “use ou perca”: ao usar IA para programar, nossa própria habilidade de codificar diminui silenciosamente.

Trabalhar com IA no estilo “vibe coding” pode parecer eficiente, mas, com o tempo, as habilidades reais dos desenvolvedores se deterioram.

Você passa os requisitos para a IA, ela gera o código, você executa e sente que está tudo ótimo. Mas, se precisar desligar a IA e escrever a lógica central sozinho, muitos ficam sem saber por onde começar.

Mais impactantes são os dados da medicina. Um estudo [2] mostrou que a capacidade de detecção de médicos em colonoscopias caiu 6% após três meses usando IA assistida.

Pode parecer pouco, mas lembre-se: é uma habilidade clínica real que afeta vidas e saúde dos pacientes.

Então, por que alguns se fortalecem com a mesma ferramenta, enquanto outros enfraquecem?

A diferença está na forma como se usa a IA.

Se você trata a IA como uma ferramenta para realizar tarefas por você—escrever código, redigir textos, tomar decisões—suas habilidades vão atrofiar. Você pula o processo de pensamento e só recebe o resultado. Resultados podem ser copiados, mas o pensamento crítico não se desenvolve sozinho.

Por outro lado, se trata a IA como mentora—usando-a para testar seu entendimento, explorar pontos cegos e esclarecer conceitos vagos—você acelera o aprendizado com IA.

O método de Gabriel não é “deixe a IA aprender por mim”, mas “deixe a IA aprender comigo”. Ele é sempre o questionador ativo, e a IA só fornece feedback e conteúdo. Cada “por quê” é dele, cada camada de compreensão é conquistada por ele mesmo.

Lembro do ditado: “Dê um peixe a alguém e você o alimenta por um dia; ensine a pescar e o alimenta para a vida toda.”

Preenchimento Recursivo de Conhecimento | Fonte: nanobaba2

Lições Práticas

Talvez você pense: não sou pesquisador de IA nem programador—como esse método pode servir para mim?

Acredito que a abordagem de Gabriel pode ser resumida em cinco passos para que qualquer pessoa aprenda qualquer área desconhecida com IA.

1. Comece por problemas reais—não pelo capítulo inicial do livro.

Mergulhe direto. Quando travar, preencha a lacuna conforme necessário.

Assim, seu conhecimento tem contexto e propósito, tornando-se muito mais eficiente do que decorar fatos isolados.

Insights de Gabriel | Fonte: X

2. Encare a IA como uma mentora infinitamente paciente.

Pergunte tudo, por mais básico que pareça. Peça para explicar conceitos de diferentes formas, ou “explique como se eu tivesse cinco anos”.

Ela não julga nem se irrita.

3. Continue perguntando até construir intuição. Não se contente com superficialidade.

Você consegue explicar o conceito com suas próprias palavras? Dar um exemplo não citado na fonte?

Consegue ensinar para um leigo? Se não, continue perguntando.

4. Atenção: IA pode alucinar.

Ao questionar de forma recursiva, se a IA errar um conceito central, você pode se afastar ainda mais da verdade.

Por isso, em pontos-chave, valide com diferentes IAs para garantir que a base está sólida.

5. Documente seu processo de questionamento.

Isso cria um ativo de conhecimento reutilizável. Da próxima vez que enfrentar um problema parecido, terá todo o raciocínio registrado.

Normalmente, ferramentas são valorizadas por reduzir atrito e aumentar eficiência.

Mas, para aprender, o oposto é verdadeiro: atrito moderado e obstáculos necessários são pré-requisitos para o aprendizado real. Se tudo for fácil demais, o cérebro entra em modo econômico e nada fixa.

O questionamento recursivo de Gabriel cria atrito de propósito.

Ele continua perguntando por quê, se empurrando ao limite da própria compreensão, e vai preenchendo as lacunas.

Esse processo é desconfortável, mas é justamente esse desconforto que gera memórias de longo prazo.

O Futuro do Trabalho: Especialistas Multidisciplinares

Hoje, o monopólio dos diplomas acadêmicos perde força, enquanto as barreiras cognitivas crescem silenciosamente.

A maioria encara a IA como “geradora de respostas”, mas poucos, como Gabriel, usam como “treinadora de pensamento”.

Técnicas semelhantes já aparecem em diversos setores.

Por exemplo, no Jike, muitos pais usam nanobanana para ajudar os filhos nas tarefas escolares. Mas, em vez de deixar a IA dar a resposta, pedem que ela gere soluções passo a passo, analisam cada etapa e discutem a lógica com as crianças.

Assim, as crianças aprendem não só a resposta, mas o método de resolução.

Prompt: “Resolva a integral indicada e escreva a solução completa no quadro branco” | Fonte: nanobaba2

Outros usam Listenhub ou NotebookLM para transformar textos longos em diálogos estilo podcast entre duas vozes de IA, explicando, questionando e debatendo. Alguns acham isso preguiça, mas outros percebem que ouvir o diálogo e depois ler o texto original realmente melhora a compreensão.

Durante o diálogo, surgem perguntas naturalmente, obrigando você a refletir: eu realmente entendi esse ponto?

Podcast da entrevista de Gabriel convertido | Fonte: notebooklm

Isso indica uma tendência futura: o crescimento dos especialistas multidisciplinares.

No passado, criar um produto exigia conhecimento de front-end, back-end, design, operações e marketing. Agora, como Gabriel, você pode usar o método de “preenchimento recursivo de lacunas” para dominar rapidamente 80% do que falta em qualquer área.

Se você começou como programador, a IA pode preencher lacunas em design e lógica de negócios, tornando você gerente de produto.

Se já era criador de conteúdo, a IA pode acelerar o desenvolvimento de habilidades de programação e transformar você em desenvolvedor independente.

Diante dessa tendência, veremos mais “empresas de uma pessoa” no futuro.

Retome o Controle do Seu Aprendizado

Ao refletir sobre o conselho do investidor, finalmente compreendi sua mensagem real.

“Continue perguntando até não haver mais respostas.”

Essa é uma mentalidade poderosa na era da IA.

Se nos contentarmos com a primeira resposta da IA, estamos regredindo sem perceber.

Mas se continuarmos investigando, exigindo que a IA explique sua lógica e internalizando esse entendimento, a IA se torna nossa extensão—não nossa substituta.

Não deixe o ChatGPT pensar por você—faça-o pensar com você.

Gabriel saiu do abandono escolar e do sofá do escritório para se tornar pesquisador na OpenAI.

Não há segredo—apenas questionamento incansável, milhares de vezes.

Em tempos de ansiedade sobre substituição por IA, talvez a arma mais prática seja esta:

Não se contente com a primeira resposta. Continue perguntando.

Declaração:

1. Este artigo foi republicado de [geekpark], com direitos autorais do autor original [Jin Guanghao]. Se houver qualquer preocupação quanto à reprodução, entre em contato com a equipe Gate Learn, que atenderá prontamente sua solicitação conforme os procedimentos aplicáveis.
2. Aviso legal: As opiniões e visões expressas neste artigo são exclusivamente do autor e não constituem aconselhamento de investimento.
3. Outras versões deste artigo em outros idiomas foram traduzidas pela equipe Gate Learn. Exceto quando Gate for citado, não copie, distribua ou plagie o artigo traduzido.