每天挑选一期硅谷 AI 科技值得关注的播客，让你与前沿同频。如果你现在没空可以收藏进 晚点再听 LaterCast，在通勤、走路或做家务时一篇篇轻松听完
"AI 会写代码，但你仍然应该学习编程。"
"把太多思考外包给 AI，人会离亲自解决问题越来越远。"
"去做东西，做有人使用、有人喜欢的东西。"
Chris Piech 是斯坦福大学计算机科学教授，他发起的在线编程项目 Code in Place 已经运行六年，课程横跨 Cursor、Claude Code 出现前后，他正好能看到学生如何使用 AI，也能看到哪些用法让学习变快，哪些用法会把人推向放弃。
机器已经会写代码，为什么还要花时间学编程？Piech 谈到 AI 导师为何会打击动力、真人十分钟的帮助怎样改变完课率，也分析了把代码交给 Claude 五周后可能冒出的架构问题。
四年后的不确定性，让学生失去学习动力
Code in Place 的报名人数几乎翻了一倍，想学编程的人比以前更多。与此同时，Piech 看到的动力危机也比过去明显。一个学生现在选择四年制专业，既要考虑今天能做什么，也要猜 2030 年的岗位会长什么样，那时的 AI 又比现在多走了四年。
"如果你开始一个四年项目，就得想想 AI 再进步四年后，2030 年还有哪些工作。"
这种焦虑很容易把“AI 能做”变成“我不必再学”，编程、写作、概率论和论证能力都受到影响。Piech 拒绝顺着这条路往下走，因为工具能完成任务，并不等于使用者可以放弃理解。当 AI 放大一个人的能力时，原有基础会决定这次放大究竟带来产出，还是带来一堆自己看不懂的结果。
他提到一位能力很强的学生，对方一直用 AI 做东西、解决问题，状态反而很好。Piech 问他如何看待 AI 的未来，学生说自己基本不想这些，只管保持好奇、继续学习。这个回答让每天要想十次 AI 的 Piech 停下来重新看问题：反复预测未来，有时只是在消耗今天动手的力气。
计算器普及以后，孩子仍然要懂乘法
Piech 用乘法解释这件事：计算器早就能算出 13 乘 7，孩子依然需要理解乘法是什么，只是背诵每一道算式的重要性降低了。编程也会出现类似变化，记住每条命令的价值正在下降，理解程序如何表示问题、数据如何进入算法，仍然需要自己掌握。
"我们不能跳过基础，但可以更讲究把时间花在哪些基础上。"
他把编程学习拆成两块：一块是告诉计算机做什么的语法，另一块是把大问题拆开、组织数据和设计算法。AI 会越来越擅长前一块，人的训练重心自然会向后一块移动。基础课的目标也该随之改变，少考一点记忆，多让学生解释自己的拆解过程和架构选择。
Piech 当年刚接触编程时，很快被创造东西的感觉吸引。两周知识已经足够让他开始制作，他随后愿意主动投入 40 个小时，把还不熟悉的概念一个个补起来。先让学生体验自己能做出什么，再沿着作品追索原理，这种动力比一张命令清单更耐久。
真人聊十分钟，完课率提高十个百分点
Code in Place 起源于疫情初期，斯坦福的旗舰编程入门课当时被迫转到线上。Piech 和团队想把课程开放给更多人，却发现只上传视频远远不够。斯坦福学生身边原本有一位年纪稍长、经验多一点的助教，愿意花时间陪他把问题想清楚，这层支持在线上最容易丢失。
项目六年里试过不同剂量的 AI，直接把聊天机器人交给学生，退课和失去动力的情况会增加。团队后来把 AI 放进学习过程的恰当位置，效果才开始改善。答案是否准确只是其中一层，课程还要判断学生何时需要提示、何时需要自己卡一会儿，以及谁来让他愿意继续。
学生写代码时会收到一个弹窗：有位教师在线，愿意和你聊十分钟，要不要接通？只要学生选择愿意，完成课程的概率就会提高 10 个百分点。团队回看过这些对话，AI 给出的答案通常正确，真人教师反倒偶尔会说错，决定结果的是有人在乎学生是否继续成长。
"AI 的答案是对的，真人并不总是对，可人与人的接触会带来动力。"
聊天机器人擅长回答已经被提出的问题，教师还会主动拿出一个学生从未想到的概率题，让他兴奋到整天都想继续研究。要做到这件事，教师需要知道学生处于什么水平、准备往哪里走，再挑一个刚好够难的例子。清晰解释可以规模化，点燃好奇心却依赖关系和上下文，当前 AI 导师恰好缺少这一层。
原型第一天能跑，架构问题第五周才出现
Piech 自己经常用 AI 编程，也有足够的编程和架构经验检查结果。他观察到，AI 做出的坏选择未必会在原型阶段暴露，麻烦可能等到五周后，学生开始使用产品时才变成奇怪的错误。那时如果开发者看不懂架构，连问题藏在哪里都很难判断。
"我用 AI 编程很多，但我碰巧也懂编程和架构。"
论文和代码面对同样的风险，AI 代写得越多，亲自写作和完成关键架构的能力越容易生疏。Piech 并不反对使用工具，他要求学生留意自己是否和 AI 一起成长。产出看起来越来越快时，使用者可能正慢慢失去判断质量、追查错误和接管工作的能力。
他把这个边界问得很朴素：如果 AI 写了太多论文，一个人会在什么时候失去独立写作能力；如果 AI 接手太多代码，他又会在什么时候无法完成架构里最有价值的部分。工具用得越顺，越需要定期关掉自动驾驶，确认自己还会做哪些事。
学编程，是为了获得快速而诚实的反馈
编程有一种很少见的训练价值：反馈来得快，也可以被证伪。逻辑错了，程序就不能工作，改完以后结果马上变化。生活中的判断常常要几个月甚至几年才看得出后果，一个人很难用同样密度练习拆解问题和修正决定。
"AI 会非常擅长语法，未来更重要的是你会不会解决问题。"
Piech 因此仍然鼓励学生学习编程，因为未来工程师即使不再靠记住 API 获得优势，也要判断需求、拆开任务、验证假设，并在工具走偏时把系统拉回来。代码只是练习场，被反复训练的是面对一个模糊问题时，怎样把它变成可以检验的一连串选择。
Claude Code 最好的用法，是边做边补课
Piech 给年轻人的练法很直接：用 Claude Code 做大量原型，同时让它解释完成这个原型所需的核心概念。这样既能利用工具降低制作门槛，也能在一次次迭代里补上知识。他把高贡献工程师的成长归结为一件朴素的事，一个人亲手创造的时间有多少。
"我会做很多 Claude Code 原型，再让它教我完成这些东西所需的核心知识。"
这里要分清“你在创造”和“你把任务交给 Claude”所占的比例。只看生成了多少代码，很容易把调用工具的熟练度误当成工程能力。更有效的循环是先做出东西，再追问工具替你做了哪些决定，随后自己修改、验证，直到能说清系统为什么这样工作。
“花在任务上的时间”听起来很老派，却能抵抗一种常见错觉：原型生成得快，经验就积累得快。Piech 更看重学生在多次迭代里遇到不同失败，再把重要概念从工具手里拿回来。完成十个小产品，也该留下十次自己做判断的痕迹。
初级工程师可以更早面对真实用户
AI 降低了进入软件开发的门槛，一个 18 岁的高中毕业生和朋友已经可能做出质量不错的代码库，甚至围绕它创办公司。过去往往要到资深阶段才接触的问题，如今会提前摆到初级工程师面前：什么值得做、用户到底需要什么、哪个功能能让对方继续推进工作。
"如果我是初级工程师，我会现在就练习理解什么值得做，不会等到成为资深工程师。"
Piech 认为，顶尖工程师未必是记得最多代码的人，更可能是能把现实中的人类问题接到应用、数据科学和研究上的人，这也为职业阶梯增加了一条新入口。年轻工程师不用等权限和年资慢慢下放，可以借助 AI 提前练习选问题、见用户，并承担自己做出的产品选择。
职业变化通常比演示视频慢得多
Piech 在 2011、2012 年读博时，已经看到自动驾驶取得重大进展，当时很多人以为出租车和卡车司机很快会消失，实际结果是卡车司机的就业人数仍在增长。真实道路有大量长尾情况，价值昂贵的货物也需要有人负责，演示中的能力因此迟迟无法完整替代一项职业。
"公路上 99% 的情况可以相同，剩下 1% 的不同仍然很难让 AI 全部掌握。"
他相信完全自动驾驶最终会到来，只是人们严重高估了抵达那一天的速度。软件工作也可能经历类似过程，局部任务迅速自动化，整套岗位则受责任、协作和异常处理牵制。与其反复猜五年后的岗位名称，不如观察今天哪些任务已经交给 AI，以及自己是否仍能处理那 1% 的意外。
Piech 最后把 AI 形容为人的乘数，关心病人的医生可以借它做得更快，关心学生的教师也能把时间放到更需要人的地方。前提始终是人先有方向、有责任感，也保留足够能力检查结果，因为再强的乘数也无法替使用者决定什么值得做。
写在最后
学习编程的理由已经变了：先用 AI 做一个有人愿意使用的小东西，再回头补上架构、算法和需求判断，过程中保留一部分必须亲手完成的工作。工具会继续变快，你能否解释选择、发现错误，并把真实问题转成可运行的产品，决定了这次放大最终属于谁。
内容来源："Stanford CS Professor: AI Can Code。 That’s Why You Should Learn | Chris Piech"丨 EO（嘉宾：Chris Piech）
原视频：https://www.youtube.com/watch?v=g-CD1d0q01I
