AI时代，技术人员应该怎样进行学习和编程

关于AI对计算机行业的冲击以及技术人员在当下的自处之道，我想通过这篇文章做一些深度的梳理。近期行业内关于AI替代人类编程的讨论并未停歇。甚至黄某说未来不要学编程之类的话，作为显卡厂商，当然要坐在自己的立场上，我认为这种看法虽然揭示了部分趋势，但如果缺乏前置条件的约束，很容易产生误导。

我们需要清醒地认识到，当前的生成式AI本质上是一个基于概率的插值引擎。它所做的事情，是在海量的训练数据中寻找相关性，然后给出一种统计学意义上的“平均值”或“典型值”。理解了这一点，就明白了为什么我们不能全盘依赖AI。如果我们把AI不仅仅当成提升效率的工具，而是当成替代思考的依赖，甚至像轮椅一样去使用它，那么我们的技术上限就会被锁死在模型的平均水平里。我们将永远无法跳出既有训练数据的认知边界，更谈不上通过编程去创造新的价值。

对于抱着向上学习态度的从业者或学生来说，AI不仅不应是替代思考的捷径，反而应当是提升认知的梯子。

在实际开发中，我们需要理性审视AI的能力边界。AI非常擅长解决冷启动的问题，比如生成项目骨架、编写繁琐的样板代码、或者处理一些我们不熟悉但在工业界已有成熟方案的领域。在这些场景下，AI能极大地消除那些低价值的重复性劳动，让我们将精力集中在真正有价值的创造性工作上。然而，一旦涉及到复杂的系统状态管理、核心逻辑的重构，或是从无到有的创新性架构设计，AI的表现往往会大打折扣。因为它缺乏对系统全局的理解，更没有对逻辑一致性的内在坚持，它无法像人类一样处理那些训练数据之外的无人区问题。



因此，在AI时代，技术人员的学习重点必须发生转移。过去我们可能花费大量时间记忆语法细节或API调用方式，现在这些确实可以交给AI。但我们真正需要培养的核心能力，是对架构的理解力和对代码的掌控力。

这种掌控力体现在一种全新的工作流中：先明确设计，再生成代码。我们不能期待用一句模糊的指令就让AI生成完美的应用，相反，我们需要先用自然语言清晰地定义出功能边界、内存模型、错误处理机制等核心约束。这实际上要求我们具备比以往更强的系统设计能力和表达能力。我们必须把自己的设计品味强行注入给AI，让它在我们的框架内生成代码。如果连我们自己都无法清晰描述想要什么，AI生成的代码只是一堆不可控的逻辑堆砌，甚至还有隐形bug。

AI生成的代码，每一行都必须经过人工的阅读和审查。能够让代码跑起来并不是终点，理解代码为什么能跑起来，以及它在极端并发或边界条件下会如何表现，才是工程师的职责所在。如果我们跳过了阅读和理解代码的过程，只关注运行结果，那么我们实际上是丧失了对代码的智力控制权。一旦出现深层逻辑错误，我们将面临很高难度的调试，因为我们面对的是一个自己名义上构建但完全不理解的黑盒。

所以，底层基础知识的重要性不仅没有降低，反而变得更加迫切。操作系统原理、内存管理、并发模型、算法与数据结构，这些硬核知识是我们审查AI代码的底气。只有当我们懂得比AI多，理解得比AI深，我们才有资格去评判和修改它的产出。否则，我们就会被AI蒙蔽。

我大胆猜测一下，未来的技术人员将不可避免地走向分化。一类是只会提问的提示词操作员，他们的生存空间会被不断迭代的模型压缩，最终因为无法处理非典型问题而被淘汰；另一类则是能够真正驾驭AI的架构师或操作员，他们利用AI作为力量倍增器，去挑战更高难度的系统问题。

真正的黑客精神和工匠精神，在AI时代依然适用且珍贵。这并不意味着我们要拒绝工具，固执地手写每一行代码。真正的精神在于保持独立思考，在于对系统内部逻辑的极致追求，在于永远不满足于能用就行的平庸标准。我们要利用AI的高效来剔除平庸的劳动，从而腾出时间去琢磨那些AI尚未涉足的更具创造性的东西。这才是我们在AI时代应有的姿态。

不要畏惧AI时代，这是我们人类巨大的机会，让每一个人都能以古人不曾有过的效率和全新方式往前冲的机会。