在当今 AI 承担了大量编程和软件开发工作的情况下,人类是否还需要学习这些计算机编程技能?这个问题困扰着许多正在进行职业选择的人,也困扰着领导者和人才培养者。
我将借助一些资源来回答这个问题,比如我经常收听的 AI Daily Brief 播客,其中 Nathaniel Whittemore 对这个问题进行了深入分析。我也听取了业内多位重要人物对这个核心问题的见解 - 人们是否还应该学习编程?
在此之前,我想谈谈"意境编程"(vibe coding)这个概念 - 即人类勾勒程序的大致框架,而用 AI 来完成细节。意境编程并不意味着你完全脱离编程过程,而是将大量工作实现自动化。
以下是我听到的一些支持继续学习编程语言的主要理由:
批判性思维技能很重要 Steve Jobs 等人对推广编程实践的观点,与职业人士所需要完成的任务密切相关。
这位已故的科技巨头说过:"每个人都应该学习如何编程。它教会你如何思考。"这句话可以说是点睛之笔。
正如 Whittemore 补充说:"在这个世界越来越多被代码主导的时代,编程所培养的特殊思维方式变得更加重要。"
更好的意境编程者 在播客中,Whittemore 提到那些了解如何进行队列排序或编写哈希表的人,可能比其他人更擅长使用 AI 进行编程。
企业环境定位 - 放入情境中 支持人类编程的另一个论据是 - AI 并不了解你业务的所有背景细节。除非你通过 API 连接了某些内容,或输入了大量数据,否则人类仍然比计算机更了解企业活动。因此在某些方面,AI 的能力会受到限制。
人类擅长创新 基本上,尽管 AI 在代码语法、逻辑和推理方面表现出色,但在创造力方面仍有局限性。
我再举一个播客中的例子,Whittemore 谈到计算机和 AI 可能无法创造出新的编程语言。他还引用了 Andre Karpathy 的流行说法"英语是最热门的新编程语言",但表示我们仍然可以利用 Python 和 C 等语言的语法。
调试和修复 该领域的许多专家也指出,人类在帮助调试和修复代码故障方面可以发挥重要作用。Whittemore 用他使用 Lovable 工具创建代码库的经历作为例子。他指出,当出现问题时,能够深入其中进行修复是很重要的。这是人类参与编程过程的另一个原因。
理解就业市场 在列举了这些支持社区编程的论据之后,让我们来谈谈业界是如何看待这个问题的。
在播客后面的内容中,Whittemore 谈到高级开发人员可能会使用 AI 来替代初级开发人员,可能不会再有初级开发人员的岗位了。那么,如果人们无法获得初级开发人员的工作,是否就应该停止学习编程呢?他说,这样想就是没有看到全局。
他说:"现在为了获得初级开发人员的工作而学习编程似乎有点疯狂。但另一方面,我认为现在没有什么比学习这种新的意境编程范式更有价值的了。"
他呼吁不要用传统方式学习,而是要用不同的方式学习,将你的编程知识与对现代世界运作方式的理解结合起来 - 学会如何创造,如何利用触手可及的创造力推动进步。
我就不说一些著名企业家的预测了,比如 Dario Amodei 预测 AI 将很快承担 90% 的编程工作,或者 Sundar Pichai 说 Google 25% 的代码库依赖于 AI。Whittemore 列举了一些支持和反对 AI 承担更大比例编程责任的论据,你可以在音频中找到这些内容。
回到 Arkham Whittemore 以一个巧妙的文学运动参考结束了那期播客,并将其与 AI 结合起来,这并非第一次。不久前,我查阅了 AI 社区中使用的"shoggoth"这个词,发现这是洛夫克拉夫特作品中的一个术语,在 AI 领域指的是类似于无定形团块的东西。
Whittemore 谈到他如何使用 AI 生成了一个类似于经典游戏《俄勒冈之路》的游戏,这个游戏曾是 X 世代在学校图书馆电脑上玩的黑白棒图游戏。他说他采用了这个模型,并将其应用到洛夫克拉夫特的世界中,这为 AI 生成的游戏开发提供了一个有趣的视角。
他显然还开发了新的《万智牌》资源集。所有这些都展示了这些工具如何助力更大的人类创造力。
Whittemore 说:"不要告诉我们,要展示给我们看。"
所以结论就是 - 即使 AI 可以自己完成大量工作,仍然有几个重要原因支持我们去了解现代编程语言的语法和使用方法。
好文章,需要你的鼓励
斯坦福大学研究团队开发了名为BrainSynth的AI系统,通过生成式AI技术创建解剖学上合理的3D大脑MRI影像。该项目由精神病学和行为科学教授Kilian Pohl博士主导,旨在通过AI生成的合成数据来研究大脑疾病的细微影响。研究显示,超过一半的合成MRI脑区域在解剖学上是合理的,能够准确编码年龄和性别等生物因素的影响,为神经科学研究提供了宝贵的数据资源。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
ETH苏黎世和迪士尼研究院联合开发的HiGS技术,通过巧妙利用AI绘画过程中的历史信息,实现了图像生成速度6-8倍提升的同时保持更高质量。这项即插即用的技术无需重新训练模型,在ImageNet数据集上创造新纪录,为AI图像生成领域带来重要突破,具有广泛的实际应用价值。