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
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。