[随笔]AI编程时代该如何学习编程?AI制药的我还要学些什么?——我的阶段学习感受分享

多客科技

作者：微信文章
从4月7日联系导师开始学习到现在提前进组一个星期也已经有了很长一段时间了。这段时间学习了各种语言的基本语法、人工智能的各种算法和技术原理，自己尝试进行了两个cursor编程小项目，上线了一个健身小程序，看完了《计算机文化》这本书，今天做个阶段性感受分享。



generated by sora
剧变与机遇共存

很多LLM的建立初心就是为了编程，现在这个初心可以说已经有相当程度的实现了。有人说这是程序员在革自己的命，这样的说法我觉得对也不对，这其实是把程序员的群体括的太大了。

小公司或者一些前端开发的基层程序员，每天做的事情都是大量重复的工作，这些工作中的代码没有太强的逻辑性，也没有太大的难度，但在这些程序员在群体中占比很大。这类程序员的工作之所以还有很高的需求和不错的工资待遇主要是因为以前的代码学习本身相当于学一个新的语言，这门语言涵盖范围很广，门槛在于学习知识上，但这种低理解难度、高知识量的任务交给AI来做实在是得心应手，所以这部分程序员的工作自然是被淘汰掉了。

那么什么程序员的工作保住了呢？或者说AI编程时代增加了对哪种程序员的需求呢？

在具体代码上表现的深层的逻辑和结构或许是人类暂时还能够超过AI的部分，拥有这些能力的程序员是现在最需要的且需求应该在提高。受限于AI的上下文（context）限制，AI经常会忘记自己到底在干什么，之前都干了什么，未来还干什么，有时也很难理解一个项目的全局思维。

对于这部分的解决办法我看到了很多IDE给出了AI编程软件流程上的更改，包括会先根据用户给出的需求自我总结分类，再画出流程图和任务模块，然后在编程过程中不断提示自己之前的规划内容。由于我没有测试过这些工具的效果，网络上的说法也是众说纷纭，所以我认为至少现阶段我应该具有这部分能力，即代码逻辑和项目结构的审核和改进能力。
我该如何把握这个机遇

由于我还是研0，还有一些时间可以泛泛地学习，所以这可能是我仅剩的可以广撒网的阶段。以上，我们需要那种透过代码现象看本质的抽象能力，那么需要先看懂代码本身的能力成了必须，但这能力又不需要太深入。我们需要掌握大多数常用语言的语法和基本逻辑，这一方面不至于完全看不懂AI生成的代码一脸懵，另一方面只学习最基础的部分可以节省时间学习更多的语言并掌握这些语言背后逻辑的共性和语言之间的关系。

满足我们这样的学习需求的就有 www.runoob.com 菜鸟教程这样的网站，但不建议去看网上的那种长视频精讲python之类的教程，这些教程讲的都太细了，且只适合于以前的代码学习方式。

比如，我近期在菜鸟教程上学完了HTML、CSS、JavaScript、python和正则表达式的基本语法和逻辑。除了python以外其实对于我的AI制药专业来讲都有点不务正业，我之所以要学习这些语言是因为我的第一个AI编程项目是制作一个个人博客，在这个项目中大量使用了html、js、css老三样。作为第一个项目，他给我的感受很直接，我对AI生成代码的很多最原始的困惑都源自于此。

生成了代码后的第一刻感受就是为什么要用这些语言？生成的这么多文件是怎么相互配合的？为什么要创建那些文件夹和所包含的文件？为什么要把那些文件命名为index、style等？

这些疑问都在我学习了基本语法之后得到了解决，也恰恰说明了AI编程的出现也不能完全消除对代码语句阅读的能力需求。

对各种语言的语法有了基本的了解之后就需要培养自己的逻辑能力和理解后的创意了。逻辑能力就不能再依靠基础教程了，因为他们都是针对单独语句的教学，没有整体项目的演示。整体项目框架和逻辑的学习只能基于现实的案例，github绝对是最全的地方。

代码的语法是人为规定出来的有绝对的正确答案，而大型项目的逻辑和语句的配合用法是没有规定的、没有标准答案的，所以这部分只能靠学习现实案例，所以接下来我应该着重在理解大型优秀项目代码上入手，同时要注意借助AI工具辅助理解，这个理解的目的不求完全能够做到自己手写出同样的项目，而是理解背后的逻辑和结构，并能够在未来审核AI生成的代码是否符合这些逻辑或是否有逻辑错误。
未来如何锦上添花



人工智能可以大致分为机器学习、计算机视觉、专家系统、自然语言处理等，机器学习又可以分为强化学习、监督学习、无监督学习和深度学习。

我们现在用的AI都是深度学习为核心的，且在解决一些问题的效果也远远超过了其他AI领域，看起来好像深度学习出来之后旧的那些精密复杂优雅的算法都在绝对的算力面前失去了光泽。但模型的架构决定了模型能力的上限和特异性，在我之前的文章中的deepseek所用到的那些改进transformer的技术也都源自于深度学习领域以外的算法，又比如之前也讲过的alphafold也采用了多种非深度学习的技术。

我作为一个硕士生，我们课题组也不是特别大的课题组，或许我们能做的就是在细分领域垂直突破。要提高这种特异性并建立壁垒，靠的可能就是多技术的融合和训练内容的独特性。当然这些能力是最难的部分，这种突破在我看来都是一篇大型论文的重要创新点，也是项目能打出的差异化宣传内容。

因此，近期我也进行了关于机器学习、sklearn和NLP的学习，也都是借助菜鸟教程开展的。

接下来我应该继续完成基础知识学习（包括菜鸟教程上的SQL、Numpy、Pandas、Matplotlib、Tensorflow、Ollama、Pytorch、Node.js），同时开展对github上优秀大型项目代码的理解、复现，积累实践经验。最后，我也应该把之前在b站fun in code中学习的大量基础算法重新复习一遍，温故知新，加深理解，以便于未来能够进行一些难度较大的锦上添花工作。
AI制药的制药应该怎么学？

说一大堆AI编程的东西差点忘了我不是个程序员，我是AI制药专业的。AI制药其实主要就是利用AI的技术解决药物发现和设计的问题，基本内容就是大分子结构预测、分子对接以及在二者基础上的先导物的设计和活性预测。这涉及到我首先需要有基本的生物化学知识和生物信息学知识，其次还应该有分子对接、能量预测等等的知识，最后就是要了解大多数的主流相关软件。在这一部分的学习上目前比较迷茫，有些无从下手。

除此以外我认为也应该有一定的湿实验能力。以上说的所有的部分都属于干实验，都是在计算机上的模拟，说到底都属于一种预测。预测的好不好还是需要现实中的实验验证。但在这部分我是比较欠缺的，我大学本科的制药工程是化学制药而非生物制药，注重于化学合成药物本身而非生物合成和活性验证。现阶段预测的药物大多是大分子，进行的湿实验也都是活性验证，虽然在生化的学习中了解过一些相关的技术（如凝胶电泳、离心、westernblot），但是自己上手的经验很少，设计实验的能力更是完全没有，因此这也是我着重需要培养的能力。

综上，基础语言学习、基础算法复习、大型项目理解实践、对接相关知识学习和活性验证实验技能培养是我还需要继续进行的学习内容。