代码正在变便宜，但对复杂系统的判断力正在变贵。AI 没有让编程失效，它只是把编程推到了更高的层级。
要点速览
- AI 并未取消编程，而是把重心从“写代码”上移到“定义问题、审查结果、承担后果”。
- 编程的本质是把混乱现实转化为可计算的清晰约束，这项工作只能由人完成。
- 代码成本下降，错误风险同步放大。缺少底层知识的人，会从指挥者退化为签收员。
- 岗位会变形但不会消失，价值正向架构、可靠性、安全与业务落地迁移。
- 真正稀缺的不是代码，而是对复杂系统的判断力。
过去一年里，编程可能是被人工智能冲击最直接的能力之一。过去要查文档、写样板代码、调很久 bug 的功能，现在一句提示词就能生成雏形。于是不可避免地有人追问：既然 AI 已经会写程序，大学生为什么还要学编程？是不是该把时间省下来，去做更“高阶”的事？
01、一个问错了方向的问题
这个问题问错了方向。AI 没有让编程失效，它只是把编程从“手工劳动”推进到“定义问题、审查结果、承担后果”的层级。
计算器普及以后，人并没有停止学数学；导航软件再好用，真正安全驾驶仍然需要懂交规、懂车况、懂风险。AI 生成代码也一样：它能给出答案，却不能替我们确认问题是否被正确理解，更不能替系统上线后的崩溃负责。
“每个人都应该学习编程，因为它教会你如何思考。”—— 史蒂夫·乔布斯
这句话无论是否逐字可考，都抓住了关键：编程训练的不是语法，而是把混乱现实整理成清晰步骤的能力。
02、编程的本质：把世界变成可计算的问题
很多项目失败，不是因为代码不够漂亮，而是问题没有被定义清楚：用户是谁，数据从哪来，异常怎么处理，成本上限是多少，失败后能否回滚。
AI 很擅长在边界内填空，但边界常常由人来划定。不会编程的人，容易把一段“看起来能跑”的代码当成解决方案；懂编程的人则会追问：十万人并发时会不会垮？输入被恶意构造时会不会泄露数据？依赖升级后还能不能构建？
这种把模糊愿望翻译成精确约束的能力，不会因为模型变强而贬值，反而会越来越贵。
03、成本下降，风险上升
生成式工具最典型的失败，不是完全答错，而是“自信地半对”：接口似乎存在，逻辑似乎成立，复杂度却在暗处失控；代码能通过示例，却过不了边界；本地运行良好，一进生产环境就被时区、编码、网络抖动和安全注入教做人。
审查 AI 输出，需要的不只是审美，而是数据结构、操作系统、网络、数据库、测试、安全这些底层知识。
“计算机科学并不只是关于计算机，正如天文学并不只是关于望远镜。”—— 艾兹格·迪杰斯特拉
工具越强，越不能把专业理解外包给工具。没有底层知识，人就不像指挥者，更像签收员——签字很快，后果很慢。
04、岗位会变形，但不会消失
未来“把需求机械翻译成代码”的初级工作会减少，这并不意外；就像排版软件出现后，誊写员消失了，但设计师没有消失。
真正扩张的是问题定义、架构取舍、系统集成、性能优化、可靠性工程、数据治理、安全合规，以及把大模型接进真实业务流程的能力。
企业缺的不是会让 AI 输出一百个 demo 的人，而是能让其中一个 demo 稳定运行三年的人。后者必须懂代码，也必须懂人、组织和约束。
05、编程正在成为跨学科的通用素养
不是每个大学生都要成为软件工程师，但越来越多行业正在被软件重新定义。金融需要回溯策略与风控逻辑，生命科学需要处理组学数据，传媒需要理解推荐机制，制造业需要连接设备、排产和质量追溯，公共治理需要评估算法影响。
会一点 Python、SQL、正则、脚本和 API，不是抢程序员的饭碗，而是避免自己在专业上只能停留在“描述愿望”的层面。未来的竞争力，很可能属于那些既懂本行、又能亲手验证一个想法的人。
06“继续学编程”不等于“照旧学”
还在把课程上成语法大全，是会被时代惩罚的。更有效的方式，是以项目牵引：
做一个能被别人使用的小工具，而不是完成十次课后作业；训练读代码、写测试、看日志、压测、回滚；把 AI 当成结对伙伴，但必须坚持让它解释依据、暴露假设、生成反例；每段采纳的代码都经过重构、边界检查和安全审视。
评价学习成果的标准，也应从“记住了多少 API”改成“能否独立定位并修复一个陌生系统里的问题”。
说到底，AI 时代最稀缺的不是代码，而是对复杂系统的判断力。乔布斯说的“教会你如何思考”，放在今天应当补上一句：还要教会你怀疑机器的思考。
AI 会写字，所以我们要更会提问；它会生成答案，所以我们要更会证伪；它能加速实现，所以我们要承担定义正确性的责任。
当写代码变得便宜，懂得什么代码值得写、能不能写得久、出了问题谁负责，才真正昂贵。