J'ai étudié l'IA, puis j'ai rejoint OpenAI en tant que chercheur

Il y a peu, j’ai assisté à une rencontre sur l’IA à Shanghai.

L’événement était largement axé sur les applications concrètes de l’intelligence artificielle.

Mais ce qui m’a le plus marqué, c’est une stratégie d’apprentissage partagée par un investisseur expérimenté.

Il expliquait que cette méthode avait non seulement sauvé sa carrière, mais aussi transformé sa façon d’évaluer les personnes en tant qu’investisseur.

De quoi s’agit-il ? De la maîtrise de l’art de poser des questions.

Dès qu’un sujet vous intrigue, échangez avec DeepSeek. Continuez à interroger—posez des questions jusqu’à ce qu’il n’ait plus de réponse à donner.

Cette stratégie du “questionnement infini” m’avait paru puissante sur le moment, mais après l’événement, je l’ai vite oubliée.

Je ne l’ai ni mise en pratique, ni approfondie.

C’est seulement récemment, en découvrant l’histoire de Gabriel Petersson—qui a quitté l’école et utilisé l’IA pour se former jusqu’à rejoindre OpenAI—que j’ai saisi la portée réelle du “questionner jusqu’au bout” à l’ère de l’IA.

Podcast d’interview de Gabriel | Source : YouTube

Du décrochage scolaire à chercheur chez OpenAI : un parcours inattendu

Gabriel est originaire de Suède et a quitté le lycée avant d’obtenir son diplôme.

Profil de Gabriel sur les réseaux sociaux | Source : X

Il pensait auparavant qu’il n’était pas assez doué pour une carrière dans l’intelligence artificielle.

Tout a basculé il y a quelques années.

Son cousin a lancé une start-up à Stockholm, développant un système de recommandation pour l’e-commerce, et a invité Gabriel à rejoindre l’équipe.

Gabriel a accepté, bien qu’il n’ait ni formation technique ni économies. Au départ, il a même passé une année entière à dormir sur le canapé du bureau.

Mais cette année a tout changé. Il n’a pas appris en salle de classe, mais sous pression, en résolvant des problèmes concrets : programmation, vente, intégration de systèmes.

Pour accélérer sa progression, il est devenu prestataire, choisissant ses projets, collaborant avec des ingénieurs de haut niveau et sollicitant activement du feedback.

En postulant pour un visa américain, il s’est retrouvé confronté à un dilemme : ce visa exige de prouver une “capacité extraordinaire”, généralement par des publications académiques et des citations.

Comment un décrocheur pouvait-il justifier cela ?

Gabriel a trouvé une solution : il a compilé ses meilleurs articles techniques issus des communautés de développeurs comme contributions “scientifiques” alternatives. À sa surprise, les autorités migratoires les ont acceptés.

Après son installation à San Francisco, il a continué à se former en autodidacte sur les mathématiques et le machine learning à l’aide de ChatGPT.

Aujourd’hui, Gabriel est chercheur chez OpenAI et contribue au développement du modèle vidéo Sora.

À ce stade, vous vous demandez sûrement—comment a-t-il réussi ?

Réflexions de Gabriel | Source : X

Remplissage récursif des connaissances : une approche contre-intuitive de l’apprentissage

La clé, c’est le “questionnement infini” : choisir un problème concret et exploiter l’IA pour le résoudre intégralement.

La méthode de Gabriel va à l’encontre de l’intuition de la plupart des gens.

Traditionnellement, l’apprentissage se fait “par le bas” : on pose d’abord les bases, puis on passe aux applications. Par exemple, pour apprendre le machine learning, on commence par l’algèbre linéaire, la probabilité et l’analyse, puis l’apprentissage statistique, puis le deep learning, avant de s’attaquer aux projets réels. Ce parcours peut durer des années.

Lui adopte une démarche “par le haut” : il démarre sur un projet concret, résout les problèmes au fil de l’eau, et comble ses lacunes à la demande.

Comme il l’a expliqué en podcast, cette méthode était difficile à mettre en œuvre auparavant—il fallait un enseignant omniscient capable d’indiquer à tout moment la prochaine étape.

Aujourd’hui, ChatGPT joue ce rôle.

Réflexions de Gabriel | Source : X

Comment cela s’applique-t-il concrètement ? Il donne l’exemple de l’apprentissage des modèles de diffusion.

Première étape : commencer par la vue d’ensemble. Il demande à ChatGPT : “Je veux apprendre les modèles vidéo—quel est le concept central ?” L’IA répond : autoencodeurs.

Deuxième étape : coder d’abord. Il demande à ChatGPT d’écrire un extrait de code pour un modèle de diffusion. Il ne comprend pas tout au début, mais ce n’est pas un problème—il exécute le code quand même. Si ça fonctionne, il dispose d’une base pour le débogage.

Troisième étape, la plus critique : le questionnement récursif. Il examine chaque module du code et interroge chacun d’eux.

Il descend couche par couche jusqu’à comprendre la logique profonde, puis revient au niveau précédent pour poursuivre avec le module suivant.

Il nomme ce processus “remplissage récursif des connaissances”.

Remplissage récursif des connaissances | Source : nanobaba2

Cette approche est bien plus rapide qu’un apprentissage progressif sur six ans—on peut acquérir une intuition de base en trois jours.

Si vous connaissez la méthode socratique, vous reconnaîtrez le principe : on progresse vers le cœur d’un sujet par un questionnement sans relâche, chaque réponse servant de point de départ à la suivante.

La différence, aujourd’hui, c’est que l’IA est questionnée. Et comme elle est quasi-omnisciente, elle peut expliquer l’essentiel des choses de façon accessible.

En somme, Gabriel utilise cette démarche pour extraire le cœur du savoir de l’IA—et comprendre vraiment le sujet.

La plupart des gens régressent avec l’IA

Après avoir écouté le podcast, l’histoire de Gabriel m’a amené à m’interroger :

Pourquoi certains, comme lui, utilisent-ils l’IA pour apprendre efficacement, alors que beaucoup d’autres ont l’impression de perdre en compétences ?

Ce n’est pas qu’une impression personnelle.

Une étude Microsoft Research de 2025 [1] montre que l’usage fréquent de l’IA générative entraîne une baisse significative des capacités de pensée critique.

Autrement dit, nous déléguons notre réflexion à l’IA, et nos capacités cognitives s’atrophient.

Le développement des compétences suit le principe “use it or lose it” : quand on utilise l’IA pour coder, notre propre compétence en programmation s’étiole.

Travailler avec l’IA en mode “vibe coding” semble efficace, mais à long terme, les compétences réelles des développeurs s’érodent.

On confie ses besoins à l’IA, elle génère le code, on l’exécute, tout paraît parfait. Mais si l’on doit désactiver l’IA et écrire la logique centrale soi-même, beaucoup se retrouvent bloqués.

Encore plus frappant, les résultats observés en médecine. Une étude [2] a montré que les compétences de détection lors de coloscopies baissaient de 6 % chez les médecins après trois mois d’assistance par l’IA.

Cela peut sembler négligeable, mais il s’agit de capacités diagnostiques réelles qui impactent la santé et la vie des patients.

La question est donc : pourquoi certains progressent-ils avec le même outil, tandis que d’autres régressent ?

La différence réside dans la façon d’utiliser l’IA.

Si vous traitez l’IA comme un outil qui fait le travail à votre place—écrire du code, rédiger des articles, prendre des décisions—vos compétences s’atrophient. Vous sautez la réflexion et ne recevez que le résultat. Les résultats se copient, mais la pensée critique ne se développe pas seule.

Mais si vous considérez l’IA comme un coach ou un mentor—pour tester votre compréhension, explorer vos angles morts, clarifier vos concepts flous—vous accélérez réellement votre apprentissage avec l’IA.

L’essence de la méthode de Gabriel n’est pas “laisser l’IA apprendre à ma place”, mais “apprendre avec l’IA”. Il reste toujours l’initiateur des questions, l’IA ne fait qu’apporter matière et retours. Chaque “pourquoi” vient de lui, chaque niveau de compréhension est le fruit de sa propre démarche.

Cela me rappelle le proverbe : “Donne un poisson à un homme, il mangera un jour ; apprends-lui à pêcher, il mangera toute sa vie.”

Remplissage récursif des connaissances | Source : nanobaba2

À retenir en pratique

Vous vous demandez peut-être : je ne suis ni chercheur en IA ni programmeur—comment appliquer cette méthode ?

Je pense que l’approche de Gabriel peut être généralisée en un cadre de cinq étapes pour apprendre n’importe quel domaine inconnu avec l’IA.

1. Commencez par des problèmes concrets—pas par le premier chapitre d’un manuel.

Plongez-vous directement. Quand vous bloquez, comblez la lacune au besoin.

Ainsi, vos connaissances prennent sens et contexte, ce qui est bien plus efficace que la mémorisation de faits isolés.

Réflexions de Gabriel | Source : X

2. Considérez l’IA comme un mentor d’une patience infinie.

Vous pouvez poser n’importe quelle question, même la plus simple. Demandez-lui d’expliquer les concepts de différentes manières, ou “comme à un enfant de cinq ans”.

Elle ne juge pas, ne s’impatiente pas.

3. Continuez à questionner jusqu’à ressentir une vraie intuition. Ne vous contentez pas d’une compréhension superficielle.

Pouvez-vous expliquer un concept avec vos mots ? Donner un exemple qui n’apparaît pas dans la source ?

Pouvez-vous l’enseigner à un non-initié ? Sinon, continuez à demander.

4. Attention : l’IA peut halluciner.

En questionnant de manière récursive, si l’IA se trompe sur un concept clé, vous risquez de vous éloigner de la vérité.

À des moments clés, croisez donc les réponses avec plusieurs IA pour sécuriser vos bases.

5. Documentez votre démarche de questionnement.

Vous créez ainsi un capital de connaissances réutilisable. La prochaine fois que vous affrontez un problème similaire, vous disposez d’un cheminement complet à relire.

Traditionnellement, on valorise les outils qui réduisent la friction et augmentent l’efficacité.

Mais pour l’apprentissage, c’est l’inverse : une friction modérée et des obstacles nécessaires sont essentiels à l’apprentissage réel. Si tout est trop fluide, le cerveau passe en mode économie d’énergie et rien ne s’ancre.

Le questionnement récursif de Gabriel crée intentionnellement de la friction.

Il continue de demander pourquoi, se pousse aux limites de sa compréhension, puis comble progressivement les vides.

Ce processus est inconfortable, mais c’est précisément cet inconfort qui ancre la mémoire sur le long terme.

L’avenir du travail : des spécialistes polyvalents

Aujourd’hui, le monopole des diplômes s’efface, mais les barrières cognitives s’élèvent discrètement.

La plupart considèrent l’IA comme un “générateur de réponses”, mais une minorité, comme Gabriel, l’utilise comme “entraîneur de pensée”.

Des techniques similaires émergent déjà dans tous les secteurs.

Par exemple, sur Jike, de nombreux parents utilisent nanobanana pour aider leurs enfants à faire leurs devoirs. Mais au lieu de laisser l’IA fournir la réponse, ils lui demandent de générer la solution étape par étape, d’analyser chaque étape et d’en discuter la logique avec leurs enfants.

Ainsi, les enfants apprennent non seulement la réponse, mais surtout la méthode de résolution.

Prompt : “Résous l’intégrale donnée et écris la solution complète au tableau” | Source : nanobaba2

D’autres utilisent Listenhub ou NotebookLM pour transformer de longs articles ou papiers en dialogues podcast entre deux voix IA, expliquant, questionnant et discutant. Certains y voient de la paresse, mais d’autres constatent que l’écoute du dialogue puis la lecture du texte original améliore leur compréhension.

Pendant le dialogue, des questions surgissent naturellement, vous obligeant à vous demander : ai-je vraiment compris ce point ?

Podcast d’interview de Gabriel converti en podcast | Source : notebooklm

Cela annonce une tendance de fond : l’essor des spécialistes multi-compétences.

Autrefois, créer un produit exigeait des connaissances en front-end, back-end, design, exploitation, marketing. Désormais, comme Gabriel, on peut utiliser le “remplissage récursif des lacunes” pour maîtriser rapidement 80 % des compétences manquantes dans n’importe quel domaine.

Si vous êtes programmeur, l’IA peut vous aider à combler vos lacunes en design et en logique métier, et vous permettre de devenir chef de produit.

Si vous êtes créateur de contenu, l’IA peut rapidement vous aider à acquérir des compétences en code et devenir développeur indépendant.

Dans cette dynamique, il n’est pas exclu de voir émerger davantage d’“entreprises individuelles”.

Reprenez le contrôle de votre apprentissage

En repensant au conseil de cet investisseur, j’en comprends enfin le sens profond.

“Continuez à questionner jusqu’à ce qu’il n’y ait plus de réponses.”

C’est un état d’esprit clé à l’ère de l’IA.

Si nous nous contentons de la première réponse de l’IA, nous régressons silencieusement.

Mais si nous continuons à creuser, à pousser l’IA à clarifier sa logique et à intégrer cette compréhension, alors l’IA devient notre extension—pas notre substitut.

Ne laissez pas ChatGPT penser à votre place—faites-le penser avec vous.

Gabriel est passé de décrocheur dormant sur un canapé à chercheur chez OpenAI.

Il n’y a pas de secret—juste un questionnement incessant, des milliers de fois.

À une époque où l’anxiété face au remplacement par l’IA est forte, l’arme la plus concrète est peut-être celle-ci :

Ne vous contentez pas de la première réponse. Continuez à questionner.

Déclaration :

1. Cet article est republié depuis [geekpark], les droits d’auteur appartenant à l’auteur original [Jin Guanghao]. Pour toute demande relative à cette republication, veuillez contacter l’équipe Gate Learn, qui traitera votre requête dans les meilleurs délais conformément aux procédures en vigueur.
2. Avertissement : Les opinions exprimées dans cet article n’engagent que leur auteur et ne constituent pas un conseil en investissement.
3. Les autres versions linguistiques de cet article sont traduites par l’équipe Gate Learn. Sauf mention de Gate, il est interdit de copier, distribuer ou plagier la traduction de cet article.