"以后写代码只需要说话就行了，还学编程干什么？"
2025 年，一个名为 Cursor 的编辑器让「对话式编程」从概念变成了日常。你输入一句自然语言请求，AI 直接生成完整的函数、模块甚至整个项目。GitHub Copilot 每月为超过 200 万开发者生成代码，全球约 29% 的新增 Python 代码由 AI 代笔。与此同时，一个尖锐的问题摆在了每个计算机专业学生面前：如果 AI 把编程降维成了对话，我们还有必要花几年时间学习写代码吗？
这个问题有一个简洁但危险的答案："没必要，学 prompt 就够了。"但在做出这个决定之前，我们应该先看清一张更大的图景。
对于未来的计算机专业人员，答案不是"学"或"不学"的二元选择。正确答案是：先通过扎实的训练奠定基础编程素养，再以 AI 作为效能 放大器 。跳过基础直接依赖 AI，等于用一个自己无法验证的工具去建造自己无法理解的系统。 这不是保守主义，而是对技术本质的清醒认识。
编程基础是不可替代的认知底座
要理解为什么基础编程训练不可跳过，首先要回答一个更根本的问题：学编程到底在学什么？
如果你的回答是"学语法"或者"学写代码"，那么 AI 时代确实不需要你学——AI 的语法比绝大多数人类都好。但计算机专业训练的核心从来不是语法，而是三样无法通过"观看"获得的东西：调试的耐心、抽象的能力、系统的直觉。
关于调试，有一个常见的误解——认为调试就是"找错"。实际上，调试的本质是在黑暗中对系统行为建立心智模型，然后反复修正它。你的 bug 导致了什么？为什么是这个结果？哪一部分的假设错了？这个过程没有捷径可走：只有亲手写过足够多的错误代码、经历过足够多次从困惑到通透的"啊哈"时刻，你才能在未来面对 AI 生成的代码时，一眼看出它哪里可能有问题。
关于抽象，编程的本质是把一个复杂问题拆解成精确的、机器可执行的步骤。这和用自然语言描述需求完全不同——后者天然包含歧义和模糊。当你习惯了用变量、函数、接口来"切割"世界时，你的思维方式已经发生了不可逆的变化。AI 可以生成这些抽象，但生成抽象和理解抽象是两种完全不同的能力。
关于系统直觉，它是最难言说但又最真实的东西。一个有经验的开发者打开一段代码，常常说不清为什么觉得"这里有问题"，但直觉是对的。这种直觉来自成千上万次亲手构建系统的经验——你对内存布局的感觉、对网络延迟的体感、对并发竞争的警觉，都是在反复实践中刻入认知的肌肉记忆。
或许有人会反驳："AI 也能解释和调试代码，我为什么非要自己写？"Anthropic 在 2026 年的一项随机对照实验给出了有力的回答。研究发现，使用 AI 辅助的开发者在一项技能理解测试中的得分比手动编码组低 17%（50% 对 67%），而习惯于将任务完全委托给 AI 的开发者得分甚至低于 40%。换句话说，长期依赖 AI 解释代码的人，对代码的理解在持续退化。 你无法通过让别人代替你跑步来训练自己的耐力。
没有基础素养的人无法有效判断和引导 AI 输出
假设你跳过基础训练，直接让 AI 帮你写代码。AI 返回了一段看似完美的工作，你把它部署到生产环境。然后出了问题。你有能力判断问题是出在 AI 的代码里，还是出在你的系统配置中，还是出在需求理解上吗？
这个场景不是假设。普渡大学的一项研究发现，ChatGPT 对编程问题的回答中有 52% 是不正确的，而约 40% 的提问者无法察觉这些错误。纽约大学的研究进一步显示，GitHub Copilot 在 89 个场景中生成的代码约 40% 存在安全漏洞——从 SQL 注入到跨站脚本攻击。这些代码在功能上是正确的——它能运行、能通过测试——但暗藏的危险对没有编程基础的人来说完全不可见。
我称之为**"好看陷阱"**：AI 生成的代码在语法和结构层面往往无可挑剔，但错误集中在语义理解、边界条件和安全维度。一个典型的例子是：让 AI 写一个读取 CSV 文件的 Python 脚本，它会默认使用 UTF-8 编码打开文件。如果实际文件是 GBK 编码，程序会直接崩溃。但用 UTF-8 测试文件测试时，一切正常。没有编程经验的人根本不会想到"编码"这个维度。
更隐蔽的是 API 幻觉问题。AI 经常生成直觉上完全合理但实际上不存在的 API。比如让 AI 用 pandas 筛选某列以字母开头的行，它可能生成 df['col'].str.match('^[A-Za-z]')——str.match 这个方法名听起来完全合理，但实际上 pandas 中根本不存在这个方法，正确的写法是 str.contains。没有基础的人看到这段代码，会认为"看起来没问题"，然后花上几个小时去调试一个自己连错在哪都找不到的 bug。
这引出一个更深刻的推论：有效的提示词工程恰恰依赖于编程思维。 你给 AI 的指令越精确、结构越清晰、边界条件越明确，AI 的输出质量就越高。而编写高质量 prompt 的能力——把模糊需求拆解成精确子任务的能力、预判 AI 可能在哪一步出错的能力——正是编程训练所培养的。这不是巧合：那些"写 prompt 很厉害"的人，往往正是有编程背景的人。
AI 作为放大器的前提是"有东西可放大"
到这里，有人可能会说："我承认 AI 有局限，但我直接用 AI 来学编程不行吗？用它写代码、让它解释给我听，效率不是更高？"
这个问题的答案，藏在两组看似矛盾的数据里。
第一组数据来自短期任务。Microsoft 和 MIT 等机构 2024 年对 4,867 名开发者进行的三项随机对照实验发现，使用 GitHub Copilot 的开发者提交的拉取请求数量增加了 26%，初级开发者的获益最大——他们采用率更高、持续使用更久。GitHub 2023 年的早期实验也显示 Copilot 让开发者完成任务的速度提升了 55.8%，同样是经验较少的开发者获益更多。
第二组数据则讲述了一个不同的故事。CSH 在 2026 年的一项研究发现，初级开发者的 AI 使用频率高达 37%，但生产力提升几乎只出现在经验丰富的开发者中。METR 2025 年的另一项实验发现，16 位资深开发者在 110 万行代码的真实项目中使用 Cursor Pro 后，完成时间反而延长了 19%——因为审查 AI 输出的时间超过了直接写代码的时间。
这两组数据并不矛盾。它们揭示了一个关键的机制：验证成本。
对于简单、定义明确的任务，AI 生成的代码质量足够好，新手可以直接使用，所以短期效率提升明显。但对于复杂的、需要深度理解业务上下文和系统架构的任务，验证 AI 输出是否正确所花费的时间和认知成本，往往超过了自己写一遍。经验丰富的开发者之所以能从中获益，不是因为他们写代码更快，而是因为他们审查代码更快——他们知道该看哪里、什么值得怀疑、什么情况下 AI 最可能犯错。
Science 杂志 2026 年 1 月发表的一项大规模研究印证了这一判断。研究者分析了全球 16 万名开发者的 3,000 万次代码修改，发现 AI 已经占到了 Python 新增代码的 29%。但 AI 的受益并不平均——资深开发者正在利用 AI 进一步拉大与新手之间的差距。AI 没有让编程变得更公平，它让强者更强。
Karpathy 在 Sequoia AI Ascent 2026 峰会上用一句话点明了这个道理："你可以外包思考，但不能外包理解。"你的编程基础决定了两件事：一是你能让 AI 做什么（上限），二是你知道 AI 做的东西对不对（底线）。没有这个底线，AI 对你来说不是放大器，而是放大风险的加速器。
真正的创新需要理解"为什么这个方法行不通"和"哪里可以突破"。AI 可以帮助你快速验证想法、生成原型、跨越从知道到实现的鸿沟——但前提是你自己知道要验证什么、为什么要验证、验证结果意味着什么。没有基础，"快速迭代"就变成了"快速在黑暗中跌跌撞撞"。
基础不是一成不变，但取消基础是危险的幻觉
这篇文章的立场可能会被误解为"固守传统、抵制 AI"。恰恰相反——如果你观察全球顶尖计算机院校 2023 至 2026 年间的课程改革，你会发现一个清晰的趋势：没有一所院校取消或弱化编程入门课程，但所有院校都在重新定义"编程教育"的内涵。
MIT 在 2022 年完成了课程编号体系的全面改革，将传统的 6.0001 升级为 6.100A/L，核心理念是分层教学而非缩减编程内容。教职人员在一场教学研讨会上达成共识：AI 应该作为学习的"脚手架"，而不是学习的替代品。
Stanford 的 CS106A 和 CS106B 保留了核心内容，同时明确了一条款：允许使用 AI 工具，但必须强制披露。更有趣的是，2025 年秋季 Stanford 开设了一门名为 CS146S "不写一行代码教你编程"的实验课——全程使用 Cursor 和 Claude，候补名单超过 200 人。这门课的存在本身就是对"不学编程"的反驳：它试图用 AI 来教编程思维，而不是用 AI 来替代编程思维。
UC Berkeley 的 CS 61A 恢复了线下闭卷手写代码考试，以杜绝 AI 作弊。Harvard 的 CS50 推出了自研 AI 助教 Duck（基于 GPT-4 加检索增强生成），目标是实现 1:1 的师生比——但同时明确禁止使用 ChatGPT 和 Copilot。
在国内，上海交通大学发布了全国最完善的 AI 使用分级规范，将课程场景分为禁止、有限、鼓励、开放四类。ACM 班创始人俞勇教授直言："当 AI 能瞬间生成标准答案，教师仍执着传统知识灌输是在刻舟求剑。"但他没有说"不需要基础知识"——他说的是"教学方法需要变革"。
这些改革共同指向一个结论：基础编程素养的定义正在改变，但取消基础是一个危险的幻觉。 10 年前，"基础"意味着手写排序算法、记忆 API、手工管理内存。今天，基础不再是记忆 API（AI 比你记得更全），而是理解架构、抽象、复杂系统、数据流和控制流的能力。翁恺教授在浙江大学坚持用 C 语言作为第一门编程课，他的理由朴素而有力："编程只能练会。"
回到问题的起点
"AI 时代要不要学编程？"
对于未来的计算机专业人员，这个问题的正确问法不是"要不要学"，而是"学什么、怎么学"。你需要的不是花四年时间背诵语法手册，而是在一个已经发生根本变化的技术生态中，有策略地建立自己的核心素养。
这套素养包括三件事：亲手写够代码，直到调试变成直觉；理解系统的底层逻辑，直到你能判断 AI 输出的质量；然后，再用 AI 把你已经具备的能力放大十倍。
AI 不是编程的终结者——从 MIT 到 Stanford，从 Harvard 到清华，全球最顶尖的计算机教育者用行动给出了同一个回答。AI 是那个你终于可以放心使用的放大器，但前提是你手里有东西可以放大。
Karpathy 还说过另一句话，可以作为这篇文章最好的注脚： "门槛从来没有消失，只是转移到了更高的地方。"
而你，应该站在门槛的高处。
