这两年，一个几乎已经成为社会焦虑核心的话题是：

AI 会不会让计算机专业迅速贬值？AI 越来越会写代码了，程序员是不是很快就不值钱了？

这种焦虑并不难理解。
代码补全越来越强，AI Agent 能处理越来越长的任务链，很多过去需要人工查文档、搭框架、写样板、调接口的工作，现在几分钟就能做出一个像样的雏形。

于是很多人自然会得出一个判断：

既然机器越来越会编程，那学习计算机是不是没有以前那么重要了？

我对这个问题的看法恰恰相反。

AI 不是在让计算机变得不重要，而是在迫使人们重新理解：计算机里真正重要的东西，到底是什么。

更准确地说，AI 并没有让编程突然失去价值。它只是让很多人不得不承认一件本来就成立的事实：

编程从来不等于技术的全部，甚至在很多深层问题上，它本来就不是最根的那一层。

---

一、真正被冲击的，不是“计算机”，而是对计算机的浅表理解

过去很长时间里，很多人对“学计算机”的理解，其实是相当表层的。

在不少人的印象中，计算机无非就是这些东西：

• 会几门语言
• 熟悉几个框架
• 会搭项目
• 会调接口
• 会写业务逻辑
• 会把功能拼出来

谁写得快，谁会的工具多，谁就更“厉害”。

这种理解当然不能说完全错，因为软件行业本来就需要大量实现工作。问题在于，它太容易让人误把：

• “会实现”当成“会理解”
• “会调用”当成“会建模”
• “能写出来”当成“知道自己到底在做什么”

而 AI 的到来，恰恰最先冲击的，就是这部分。

如果一个人的核心能力主要停留在样板拼接、文档查阅、接口搬运、框架套用、功能堆叠这些层面，那么 AI 的确会让他的优势迅速缩水。
但这并不意味着“计算机不重要了”，而是意味着：

这些东西本来就不是计算机最本质、最不可替代的部分。

所以我一直觉得，AI 带来的并不是“计算机贬值”，而是：

计算机领域里某些长期被高估的表层技能，开始回归正常估值。

这不是毁灭，而更像一次清洗。

---

二、十几年前流行的“API 编程崇拜”，今天看只对了一半

我记得十几年前，在 CSDN 上有不少混得很不错的大 V，一直在鼓动大家练习 API 编程。
他们的基本观点大致是：API 编程值得练，否则你永远走不到一个优秀的软件架构师。

现在回头看，我觉得这个判断并不全错，但它只说对了一半。

API 编程当然重要。
因为它训练的是一种很现实的软件能力：

• 你如何理解接口契约
• 你如何组织输入输出
• 你如何处理异常和边界条件
• 你如何把多个模块拼成一个可运行的系统
• 你如何在现有生态里调动资源，而不是永远闭门造车

这些能力都很重要，甚至可以说，没有 API 编程的训练，很多人很难真正进入工程世界。

但是，API 编程不是全部，甚至不是核心。

它可以训练你进入系统，却不能自动保证你理解系统。
它可以帮助你熟悉模块协作，却不能自动赋予你抽象建模能力。
它可以让你更快地“把东西接起来”，却不能替代你判断“为什么要这样接、边界该怎么划、结构是否稳定”。

所以今天回看，那些年流行的技术观念，真正准确的说法应该是：

不会 API 编程，不容易进入真实软件系统；只会 API 编程，也走不进真正高阶的软件能力。

而 AI 的出现，恰恰把这个问题暴露得更明显了。

因为如果一个人的核心优势只是“熟练调用现成能力”，那 AI 很容易把这部分能力进一步平民化、自动化。
这时真正拉开差距的，就不再是“会不会调接口”，而是：

• 你知不知道该调什么
• 你知不知道为什么这样组织
• 你能不能定义清楚边界和约束
• 你能不能保证整个系统长期不失控

这才是 AI 时代真正会筛人的地方。

---

三、编程依然非常重要，但它从来不是技术最深的一层

这里我想说一个可能不那么讨巧、但我一直比较相信的判断：

编程始终重要，但它从来不是技术活动中最根的那一层。

我不是因为 AI 出现了，才突然觉得数学、抽象和建模比编程更重要。恰恰相反，我从一开始转行做技术时，就已经意识到了这一点。
所以这些年一直坚持自学数学，从未中断。

不是因为数学“高大上”，而是因为我越来越清楚地感觉到：

真正决定一个人技术上限的，往往不是他会不会某个工具，而是他是否有能力从结构层去理解问题。

编程当然非常重要。没有编程，很多抽象无法落地，很多模型无法验证，很多系统无法运行。只要软件世界还存在，编程就不可能不重要。

但编程的重要性，更多在于它承担了这样一个角色：

• 把思想变成执行
• 把抽象变成流程
• 把模型变成系统
• 把意图变成约束

也就是说，编程是落地层，但不是全部。

真正更深的东西，往往是这些：

• 你到底在解决什么问题
• 你对这个问题的抽象是否正确
• 你的边界划分是否合理
• 你的状态组织是否清晰
• 你的系统不变量是什么
• 你的模型依赖了哪些前提
• 你的方法为什么成立，又会在什么条件下失效

这些问题，编程可以承载，但不能替代。

所以在我看来，AI 带来的变化不是“编程不重要了”，而是：

机械写代码在编程中的占比会下降，而抽象、建模、结构、判断在编程中的地位会被看得更清楚。

---

四、大模型编程真正危险的地方，不只是它会犯错

关于大模型编程，我越来越觉得，最不可忽略的风险并不只是“它会犯错”。

犯错当然是问题，但犯错很多时候反而容易暴露，也更容易被经验较强的人识别出来。
真正更值得警惕的是另外两件事：

1. 它会把一些真正好的想法“平滑掉”

很多好的技术想法，最初并不是“平均正确”的。
它们往往带有明显的锋芒、特殊的约束、很强的问题针对性，甚至一开始看起来不那么“通用”。

而大模型天然倾向于生成统计上更常见、更平滑、更容易自洽的方案。
这意味着它在很多时候会做一件很隐蔽的事：

把原本有机制感、有辨识度、有问题针对性的好想法，磨平成一个“看起来合理”的通用解。

这个过程未必会立刻报错，甚至代码还能跑。
但真正有价值的结构、独特的建模角度、关键的异常路径，很可能就在这种“平均化生成”里被悄悄抹平了。

这比明显错误更危险。
因为错误会让你警觉，而“被平滑掉的好想法”往往会让你误以为：系统已经被理解了。

实际上没有。

2. 它并不真正掌握系统中的生成机制和后果链条

很多人喜欢用“因果律”这个词来描述这一点。
如果换成更工程化的语言，我更愿意说：

大模型并不真正理解一个系统为何如此生成、约束从何而来、一个局部修改会沿着什么链条传导到全局后果。

它可以复现模式，可以生成局部正确的表达，可以在大量常见问题上表现得相当聪明；
但这并不等于它真的持有了系统内部的机制图景。

因此，凡是涉及下面这些事情时，它都很容易显得“像懂了”，但其实没有真正抓住核心：

• 为什么这个边界必须这样划
• 为什么这个不变量不能破
• 为什么这两个模块表面上相似，实质上却不能合并
• 为什么某个默认值看起来不起眼，却关系到整个系统的稳定性
• 为什么一次局部优化，最后会反噬整体结构

这也是为什么，越是长链条、强耦合、高责任的系统，越不能只把大模型当作“更快的程序员”。

---

五、AI 并没有降低技术门槛，它只是把门槛从“执行”推回到了“理解”

很多人之所以对 AI 焦虑，是因为他们把“门槛下降”理解成了“专业性消失”。

但这两者其实不是一回事。

AI 确实在大幅降低很多实现层面的门槛：

• 更快搭原型
• 更快写接口
• 更快补测试
• 更快生成一段看起来很像样的代码

这些都是真的。

但与此同时，AI 也在逼着人们面对另一件事：

当实现本身变便宜后，真正稀缺的到底是什么？

答案并不是“什么都不稀缺了”，恰恰相反，很多过去被实现成本遮蔽掉的能力，反而变得更稀缺了，比如：

• 问题定义能力
• 抽象设计能力
• 系统分解能力
• 约束表达能力
• 一致性维护能力
• 正确性判断能力
• 对整体结构的长期持有能力

以前很多人可以靠勤奋、熟练度和模板经验，把这些问题暂时糊过去。
现在 AI 替你把实现做便宜了，这些问题就再也藏不住了。

这也是为什么我并不认为 AI 会毁灭程序员职业。

真正会被压缩的，不是“程序员”这个职业本身，而是其中那些：

• 低理解度
• 强模板化
• 弱建模
• 弱判断

的部分。

程序员不会消失，只会分化得更明显。

---

六、大模型会让优秀程序员更优秀，但不会替代长期训练

我比较认同一个判断：

大模型会让一个优秀的程序员更加优秀，但很难把一个缺乏基本判断力的人直接变成合格工程师。

原因并不复杂。

一个优秀程序员使用大模型时，通常是在做这些事：

• 把已想清楚的结构更快地落地
• 把机械重复的部分更快地外包出去
• 用它做代码草拟、方案对照、边角检查和局部提速
• 用自己的判断力去筛选、修正和重组模型生成的内容

所以对这类人来说，大模型像一个高带宽、高速度的助手，能显著放大其产出效率。

但对一个本来就不合格的人来说，问题恰恰在于他缺少的是这些更根本的东西：

• 对问题的定义能力
• 对边界的感觉
• 对结构的判断
• 对异常的敏感
• 对后果的预估
• 对“哪里看起来对、其实不对”的识别能力

这些能力，靠堆更多自动生成的代码，并不会自动长出来。
相反，模型越强，越可能帮他把本来就模糊的理解包装成一个“暂时可运行”的假象。

于是一个很吊诡的现象就会出现：

强者用 AI 放大能力，弱者用 AI 放大幻觉。

这也是为什么，我并不相信大模型会简单地“抹平人和人之间的技术差距”。
很多时候，它反而会让差距变得更大。

---

七、真正值得担心的，不只是技术革命本身，而是很多管理者对它理解得太浅

从产业角度看，我并不担心“大模型编程会不会进入真实世界”。
这件事其实已经在发生，而且只会继续加深。

我更担心的是，很多组织里的决策者会用一种过于表层的方式理解这场变化。

最常见的误判包括：

• 把“能生成代码”理解成“能替代工程能力”
• 把“短期提效”理解成“长期结构问题已经解决”
• 把“原型生成速度变快”理解成“复杂系统构建门槛下降”
• 把“人人都能写一点代码”理解成“高水平程序员不再重要”

这类理解最大的危险，不在于乐观，而在于它会扭曲组织的人才判断。

一个真正成熟的组织，面对这场变化时应该更加珍惜那些：

• 能做深度建模的人
• 能持有系统结构的人
• 能对长期一致性负责的人
• 能识别“哪些地方不能交给平均化生成”的人

但如果管理层只看见了“生成快了”“人效高了”“低门槛了”，却没看见后面的结构风险，那么组织最后很可能做出相反的事：

一边以为人才门槛降低了，一边让真正稀缺的高水平工程能力变得更难形成。

所以我越来越觉得，未来公司真正会缺少的，未必只是程序员，而是优秀程序员成长所需要的土壤、耐心和判断标准。

---

八、从哲学层面看，AI 在帮助人重新认识自己

我越来越觉得，AI 的价值不只是“替人干活”，更重要的是，它正在帮助人重新认识自己。

过去很多工作中，人和机器的边界并不清晰。很多人既做判断，也做执行；既做建模，也做搬运；既做思考，也做大量机械重复。因为工具不够强，很多人不得不把大量时间消耗在执行层。

而 AI 的出现，正在迫使人重新回答一个问题：

什么是机器可以做的，什么是必须由人承担的？

这其实不是一个单纯的职业问题，而是一个更深的问题：

人的位置在哪里？人的责任在哪里？人的不可替代性又在哪里？

AI 让越来越多的人意识到，真正属于人的，未必是“亲手把每一行代码敲出来”，而更可能是：

• 定义问题
• 设定目标
• 划定边界
• 建立结构
• 识别约束
• 维护一致性
• 做出判断
• 承担后果

从这个意义上说，AI 的一个深层价值就在于：

它把很多原本被工具门槛遮蔽的问题，重新暴露成了“人的问题”。

以前只有少数真正有思想深度的人，会持续去追问：

• 这件事的本质是什么？
• 结构在哪里？
• 哪些是表面现象，哪些是稳定机制？
• 什么是核心不变量？
• 为什么这个方法能成立？

现在，AI 在某种程度上逼着更多人面对这些问题。因为如果你不去想，AI 并不会替你自动产生正确的结构。
它只会用最常见的模式，去填补你没有定义清楚的空白。

所以我并不把 AI 看成单纯的替代工具。
我更愿意把它看作一面镜子。

它照出来的，不只是机器有多强，也照出了人过去究竟在哪些地方，并没有真正理解自己在做什么。

---

九、AI 没有削弱计算机，反而让计算机更接近它本来的面目

我始终认为，计算机从来不只是“编程训练”。
它更深处，是一门关于形式化、抽象、建模、结构和可执行表达的学科。

只是过去很长时间里，行业需求、就业逻辑和工具生态，把很多人的注意力引向了更表面的层面：

• 语法
• 框架
• 业务实现
• 工程套路

这些当然重要，但它们并不等于学科的核心。

AI 的出现，反而让这个学科更接近它本来的面目。

当“写出来”不再稀缺时，下面这些能力自然会浮到前台：

• 想清楚
• 建模正确
• 结构稳定
• 边界明确
• 约束可验证

这也是为什么，我并不赞同那种“AI 让计算机专业没价值了”的判断。

更接近事实的说法应该是：

AI 不是在削弱计算机，而是在清洗长期附着在计算机之上的泡沫，并凸显它真正硬核的部分。

从这个角度看，计算机不仅没有贬值，反而变得更“真”了。

---

十、对程序员来说，未来拼的不是谁写得更快，而是谁理解得更深

如果说 AI 真的改变了程序员这个职业，我觉得它改变的不是“有没有程序员”，而是：

什么样的程序员更有价值。

未来真正更稀缺的，很可能不是那种把所有时间都花在具体实现上的人，而是能够同时做到以下几件事的人：

• 能从领域问题中提炼出正确的计算问题
• 能建立稳定的抽象和合理的边界
• 能看见一个系统几年后会在哪些地方出问题
• 能判断哪些细节可以委托给 AI，哪些细节必须亲自定义
• 能把结构清楚地表达出来，并持续约束后续实现
• 能在系统出问题时追溯到真正的原因，而不是陷入表层补丁

这些能力，很多都不是简单靠“多写代码”自然长出来的。它们要求的是更深的理解能力，而这种理解能力，往往又和下面这些东西有很深的关系：

• 数学
• 逻辑
• 建模
• 结构感
• 领域知识
• 工程判断

所以我从不觉得“继续学数学”是一种脱离现实的坚持。
恰恰相反，在今天这个阶段，它反而越来越现实。

因为当 AI 把实现层的门槛压低之后，那些真正决定你能走多远的能力，只会越来越往抽象层、结构层和判断层集中。

---

十一、真正会被淘汰的，不是编程，而是对编程的误解

很多讨论 AI 的文章，喜欢把结论说得很极端：

• 要么是“程序员完了”
• 要么是“AI 永远不能替代程序员”

我觉得这两种说法都太粗了。

更准确的判断是：

AI 不会毁灭编程，但它会毁灭一种对编程的误解。

这种误解认为：

• 编程主要就是写代码
• 技术能力主要就是熟悉工具
• 只要能把功能做出来，就算真正理解了系统

而 AI 正在逼着人们看到：这些东西都不够。

编程依然重要，而且会长期重要。
但它的重要性，不在于它是单纯的“打字技能”，而在于它是连接：

• 抽象与现实
• 模型与系统
• 思想与执行

的中介。

谁能在更深的层面上理解问题，谁就能更好地使用 AI。
谁只是把 AI 当成更快的代码生成器，谁就更可能生产出更大规模的混乱。

所以未来真正的分野，不是“会不会编程”，而是：

你到底是在用编程承载结构，还是在用编程堆积功能。

---

写在最后

我并不认为 AI 会让计算机专业失去价值，也不认为程序员这个职业会遭遇毁灭性打击。

我真正相信的是：

AI 只是让编程回到它应有的位置。

它没有让技术变浅，反而让那些真正深的东西更难回避了。
它没有让计算机不重要，反而让抽象、建模、结构、判断这些原本就更重要的能力，更清楚地显现出来。
它没有让人不再需要思考，而是在逼着更多人去面对那些过去只有少数人愿意认真面对的问题。

归根到底，AI 淘汰的不是计算机，也不是编程。
它淘汰的，是对计算机的浅表理解。
它筛选的，也不是谁会用更多工具，而是谁真正理解自己在构建什么。

编程不会消失。
消失的，只会是那些把编程误当成技术全部的人。