当AI包办90%的编程,顶尖大学紧急改教“批判性思维”

新闻

作者：微信文章

【编者按】当AI能以秒速生成代码，计算机科学（CS）专业的“黄金门票”似乎正在褪色。入门级岗位骤减65%，让无数学生和教育者陷入迷思：如果编程本身不再是门槛，CS教育的核心价值何在？这并非杞人忧天。真正的危机，潜藏在一个更深的悖论中——若AI取代了所有“菜鸟”，未来的资深专家又将从何而来？本文将深入探讨这场由AI引发的教育变革，剖析“回归基础”与“拥抱AI”的两条路径，并尝试在代码与思想的十字路口，为未来的程序员找到新的生存法则。

AI正在杀死初级程序员，但杀不死真正的计算机科学

“计算机科学学位曾是通往就业乐土的黄金门票，”一位大四学生对《纽约时报》感慨，“但现在情况不同了。”

这不是一句简单的抱怨，而是对一个残酷现实的精准描述。根据CompTIA的数据，过去三年，面向经验不足两年求职者的技术岗位数量暴跌了65%。背后的推手，正是那个我们既爱又怕的名字——AI。当人工智能越来越多地接管了编码的某些方面，曾经作为新手程序员“练级村”的入门级工作，正在被无情地抹除。

意大利“蜘蛛”地空导弹的拆解

聚焦AI落地与工程实践！GitHub本周爆火项目，哪个能让你的效率翻倍？(2025年第27周)

AI不再纸上谈兵！GitHub爆款项目揭秘：如何打造生产级LLM应用？(20250707-日报)

智商税还是真犯罪？揭秘Jane Street在印度被禁的“百亿策略”

这引发了一个直击灵魂的问题[1]：如果AI足以替代初级程序员，那么我们又该如何培养出未来的高级程序员和系统架构师呢？ 这就是当前计算机教育面临的核心“经验悖论”。没有了大量基础项目的实战演练，学生如何积累解决复杂问题的经验，成长为能够审查、指导甚至修正AI的专家？

面对这场风暴，全球的大学和教育者正紧急调整航向，探索两条截然不同的道路。
路径一：回归本源，强化“不变”的核心能力


许多资深从业者和教育者坚信，越是风云变幻，越要抓住不变的根本。正如社区讨论中一位用户所言，代码审查至关重要，而“要教会人们如何审查代码，你首先得教会他们如何编码。”

这种观点认为，CS的精髓从来不只是写代码，而是其背后的“计算思维”。这包括：
•问题分解：将宏大复杂的问题拆解成可管理的小任务。•逻辑与数学：深入理解离散数学、集合论和逻辑，这是构建一切复杂系统的基石。一位评论者强调，许多图形和算法程序高度依赖数学，这也是为什么我们需要GPU。•底层原理：学习C语言和汇编，不是为了“复古”，而是为了真正理解计算机如何工作、内存如何管理，以及为何会出现缓冲区溢出这类安全漏洞。这种底层知识，是诊断和解决AI可能无法理解的深层次问题的关键。
AI或许能写出看似可用的代码片段，但它无法真正“理解”。当AI“产生幻觉”或生成有缺陷的代码时，只有具备扎实基础的人类专家才能洞悉其谬误，并进行修正。
路径二：拥抱变革，培养“与AI共舞”的新技能


另一派观点则认为，固守传统无异于刻舟求剑。未来属于那些懂得如何驾驭AI的人。美国国家科学基金会（NSF）资助的“Level Up AI”项目，正是为了构建AI教育的共识。其负责人Mary Lou Maher指出，未来CS教育的重点将从编码转向计算思维和AI素养。

AI素养，意味着要学会如何与AI高效“对话”：
•精准提问（Prompt Engineering）：学习如何用清晰、无歧义的语言向AI描述需求，引导它给出高质量的答案。•批判性评估（Informed Skepticism）：培养对AI生成内容审慎怀疑的态度。一位用户分享的个人经验视频[2]就揭示了，过度依赖AI可能导致大量冗余和无用的“死代码”，看似高效，实则增加了维护成本。•人机协作：将AI视为一个强大的副驾驶，而不是自动驾驶仪。利用它处理重复性、模板化的工作（如编写单元测试、生成API样板代码），从而将人类的精力集中在架构设计、复杂逻辑和创新上。
斯坦福大学的Alex Aiken教授甚至预测：“软件工程岗位的增长可能会放缓，但参与编程的总人数将会增加。” 这意味着，AI可能成为一种技术民主化的工具，让医学、市场营销等领域的专家也能构建满足自己需求的程序。
结论：从“代码工人”到“思想领袖”


那么，正确的道路究竟是哪一条？答案或许是：两条路都得走。

卡内基梅隆大学的做法或许代表了未来的方向：课程既包含传统的计算基础和AI原理，也提供大量使用新工具设计软件的实践经验。教育的核心，正在从传授“如何做”（How）转向启迪“为何如此”（Why）以及“假如怎样”（What if）。就像教育家西摩·派普特在其经典著作《Mindstorms[3]》中所倡导的，计算机应是帮助孩子思考的强大工具，而非简单的指令执行器。

未来，一个优秀的计算机科学家，可能不再是因为他能写出多么精妙的代码，而是因为他具备：
1.深刻的洞察力：能判断AI方案的优劣，预见其潜在风险。2.严谨的批判性思维：能识别并修正AI的“幻觉”。3.强大的系统设计能力：能驾驭AI，构建稳定、可靠、创新的复杂系统。
AI的浪潮，淘汰的可能只是“代码工人”，但它永远无法取代具备深刻理解力和判断力的“思想领袖”。计算机科学的黄金时代或许没有结束，只是入场券的底色，从“代码”换成了“思想”。

---

对于这场正在发生的转变，你更倾向于哪种观点？是应该回归硬核的计算机底层原理，还是全面拥抱AI，培养“人机协作”的新技能？或者，你认为真正的答案在别处？欢迎在评论区分享你的看法。

本文内链接

[1]
灵魂的问题: https://developers.slashdot.org/story/25/07/06/0237251/how-do-you-teach-computer-science-in-the-age-of-ai
[2]
个人经验视频: https://www.youtube.com/watch?v=tAie809m0pE
[3]
Mindstorms: https://www.amazon.com/Mindstorms-Children-Computers-Powerful-Ideas/dp/0465046746