人工智能来了，我们还要学习编程吗？

这篇是《科技慢半拍》EP69：人工智能来了，我们还要学习编程吗？的文字稿整理版，把节目里来不及展开的编程语言历史、低代码演化和教育分析一并补齐。

楔子：那些言之凿凿的预言

2024 年 11 月，几件事几乎同时发生：

阿里发布了 Qwen2.5-Coder-32B-Instruct，开源，测评结果与 GPT-4o 和 Claude 3.5 Sonnet 持平——这两个名字代表当时全球最高水平，而国内模型在两到三个月内就追上了。更震惊的是，Qwen2.5-Coder 已经集成进了 Cursor。

百度在 2024 年百度世界大会上发布了无代码工具”秒哒”，李彦宏现场说：“基本上以后不会存在程序员这种职业了……未来的编程语言只会剩下两种：一种叫英文，一种叫中文。”

英伟达 CEO 黄仁勋早些时候也说过类似的话：“生成式 AI 的未来发展大幅降低了学习编程的意义，人类应该专注于生物学、教育学、制造业或农业。所有人都不再需要学习编程。”

Stability AI 的 CEO 莫斯塔奎更直接：“五年后，就不会再有程序员了。”

谷歌 CEO Pichai 补充了一个数据：谷歌超过四分之一的新代码由 AI 生成，再由工程师审查接受。

这些人没有一个是外行。他们的预言引发了两类人的焦虑：一是正在学编程的大学生，担心毕业即失业；二是把孩子送进编程培训班的家长，不确定还值不值得继续。

这期节目和这篇文章，试图给出一个更有依据的答案。

编程语言的四代演化：一部向自然语言靠近的历史

要判断编程会不会消失，先要理解编程语言从哪里来，又在往哪里去。

第一代：机器语言

1940 年代，世界第一台计算机 ENIAC 诞生时，没有编程语言。控制计算机靠物理方式——插线板上的数千个开关和电缆，打孔代表 1，不打孔代表 0。这是计算机唯一能直接理解的语言。

机器语言的优点：运行速度极快，直接映射硬件。缺点：一旦出错，极难排查；换一台机器，一切从头来。

第二代：汇编语言

汇编语言用助记符代替二进制指令——MOV代表移动数据，ADD代表加法。仍然是低级语言，与硬件体系结构强相关，但至少人类能读懂。

1950 年代末，汇编语言开始被更高级的语言取代。但直到今天，驱动程序、嵌入式系统、早期游戏机（Atari、NES）仍在使用汇编语言——它在资源极度受限的场景下仍有不可替代的价值。

第三代：高级编程语言

第三代语言的出现是一次质的跨越：程序员不再需要关心寄存器、内存地址这些底层细节，转而处理变量、函数、循环、对象等更接近人类思维的概念。

几个标志性节点：

Fortran（1958）：IBM 的约翰·巴克斯设计，世界上第一个被实际使用的高级编程语言，今天仍然跑在数值天气预报和有限元分析的程序里。

BASIC（1960 年代）：达特茅斯学院的凯梅尼为了普及编程而设计，“尽量简单”是核心原则。比尔·盖茨高中时代就在用 BASIC 编程，微软最初靠给 Altair 微型计算机写 BASIC 起家。

C（1970 年代）：Dennis Ritchie 创建，今天仍是计算机领域的核心语言。它既是高级语言（不依赖特定硬件），又是低级语言（能直接操作内存）。C 语言启发了 C++、Objective-C、C#，在流行度榜单上几十年从未跌出前三。

Java（1991）：“编写一次，随处运行”——跨平台是它最大的特性，依靠 JVM（Java 虚拟机）在任何支持 Java 的系统上运行。Sun 公司的詹姆斯·高斯林发起，后来 Sun 被 Oracle 收购。

第四代：更接近人类语言的编程语言

Python、Ruby、SQL——这些语言的设计哲学是”可读性第一”。Python 的创始人吉多·范罗苏姆有一句名言：“代码被阅读的次数远多于被写作的次数。”

Python 被称为”自带电池”的语言，标准库极其丰富。它成为 AI/机器学习社区的首选语言，部分原因正是：数学家和科学家能快速上手，不用先学低级语言。

一条清晰的轨迹

从第一代到第四代，编程语言的演化有一条清晰的轨迹：从机器逻辑走向人类自然语言。

每一代语言，都把程序员从更多的底层细节中解放出来，让他们能专注于更高层次的逻辑。AI 辅助编程让这个趋势加速——但它是这条轨迹的延伸，不是终点。

编程语言和软件不会消失

先给出一个明确的结论：只要冯·诺依曼架构的计算机不发生根本性变革，编程语言就不会消失。

计算机的底层逻辑是：CPU 只能执行机器指令，所有的高级语言最终都要编译或解释成机器指令来运行。无论自然语言有多接近，中间始终存在一个”翻译层”——这个翻译层就是编程语言存在的原因。

那软件呢？软件的需求还会增加吗？

两个说法给出了答案：

“软件吞噬世界”——软件的广度

2011 年，Marc Andreessen 在《华尔街日报》发表了《为什么软件正在吞噬世界》。他预言软件会重塑汽车、零售、物流、金融、医疗保健、教育——所有传统行业。

十年后回望，这个预言兑现得比他说的更彻底。SaaS 渗透进企业业务流程的每一个环节，Zapier 一家公司连接了超过 6000 个软件的 API。“软件吞噬世界”已经不是预言，而是现实。

“软件定义一切”——软件的深度

软件从应用层下沉到基础设施层。软件定义网络（SDN）、软件定义存储、软件定义数据中心——原本由硬件固化的逻辑，被软件接管，变得灵活可编程。

这意味着：对软件的需求只多不少，对代码的需求只增不减。

未来可能的问题不是”不需要代码了”，而是”需要更多更复杂的代码，但写代码的人门槛在降低”。

AI 编程工具的演化：从 Copilot 到 Cursor

AI 辅助编程不是 2024 年才出现的新鲜事，它有一个完整的演化脉络。

IDE：程序员工具箱的底座

集成开发环境（IDE）是 AI 编程工具的前身。达特茅斯 BASIC 是第一种在 IDE 中创建的语言，Maestro I 是世界上第一个商业 IDE（1970 年代，2.2 万名程序员在用）。

IDE 的核心功能：代码编辑、编译/解释、调试、语法高亮、代码补全。这些功能减少了低级错误，但没有减少程序员需要”想清楚”的部分。

低代码：让非程序员能搭应用

低代码平台（LCDP）用拖拽取代手写代码。业务流程系统（BPMS）、报表平台、前端界面构建器——这些工具让”公民开发者”能自己搭建简单应用。

但低代码平台的边界很清晰：只能在预设范围内操作。 一旦需求超出模板，仍然需要程序员手工编写代码。低代码平台没有消灭程序员，而是创造了一个新的工作分层：复杂逻辑还是程序员的领地。

GitHub Copilot：副驾驶时代

2020 年，GPT-3 发布。最早对此最敏感的不是普通用户，而是全球最大代码库 GitHub——因为代码正是高度规范、整理得最好的语言，大语言模型最擅长处理的就是这类语料。

GitHub Copilot 诞生，基于 OpenAI Codex（GPT-3 的代码专化版本）。2022 年的学术评估发现：Codex 的平均表现已经优于大多数编程学生，但在复杂的条件判断和循环逻辑上仍有不足。到 2023 年底，Copilot 切换到 GPT-4，能力已不可同日而语。

Copilot 的定位是”副驾驶”——它帮你写代码，但你仍然是那个知道去哪里的人。

Cursor：从副驾驶到自动驾驶的临界点

Cursor 的出现让很多程序员感到真正的震撼。

让 Cursor 出圈的是一个现场直播：Cloudflare 副总裁 8 岁的女儿，用 Cursor，45 分钟内搭出了一个功能完整的聊天机器人。180 万人在线观看。OpenAI 创始成员 Karpathy 看完大为赞叹，并在 X 上大胆预言：“未来编程只需要狂按 Tab 就够了。”

还有人 5 分钟内用 Cursor + 语音构建了财务仪表盘；有人 3 周用 11000 行代码写出了网页和移动端都支持的视频编辑器。

Cursor 背后的 Anysphere 公司由 4 位 MIT 高材生创建，团队只有 12 人。它同时集成了 Claude 3.5 Sonnet、GPT-4o 和 Qwen2.5-Coder，流量已经超过了 GitHub Copilot。

Cursor 真正做到了”让人人都可以写代码”。 但这恰恰引出了一个更重要的问题：当代码可以被自动生成，人的价值在哪里？

程序员不可替代的三项核心能力

即使 AI 能生成所有代码，仍然有三件事需要人来做。

一、编程思维：把模糊需求变成精确指令

让 AI 生成代码的前提是：你能把需求说清楚，而且没有歧义。

听起来简单。试试看：

让计算机给你一杯水。

你需要描述：水的类型（矿泉水/自来水/开水）、温度（多少度、如何达到这个温度）、容量、盛水的容器、运送方式、溢出处理、容器破损处理……这些细节软件早就帮你做好了，你才能一键操作。但现在是你来设计这个系统，这些问题你必须提前想清楚。

这就是编程思维：把复杂问题拆解成精确的、无二义性的小步骤。

编程思维的四个要素：

问题分解：把一个大问题拆成可执行的小步骤（如何做汉堡？→ 买食材、准备面包、煎肉饼、组装……）
模式识别：发现问题中的规律和重复性（看到鱼鳍就知道它用来游泳）
抽象：从具体事物中提取本质特征，忽略无关细节（长方形 = 四个直角 + 四条边）
算法设计：设计解决路径（排序算法、分类算法）

随着 AI 能力提升，“代码实现”这一步可以交给 AI，但前四步——尤其是问题分解和抽象——仍然需要人来做。而且 AI 生成的代码，质量完全取决于你提供的需求描述质量。

能够精确描述需求，这是多年编程训练出来的肌肉记忆。

二、专业领域知识：把业务逻辑翻译成 AI 能理解的语言

就算你描述清楚了”我要一个财务管理系统”，AI 也无法自动理解”借方贷方""科目轧差""余额方向”这些财务专业逻辑——除非你告诉它。

这就是专业领域知识的价值：把领域逻辑翻译成 AI 能接受的精确描述。

看现在用 AI 编程成功的例子，大多数是 2C 的消费级应用——音乐播放器、天气 App、简单的聊天机器人。这类应用逻辑相对简单，普通人凭直觉就能描述需求。

但 2B 的企业级系统——医院的 HIS 系统、银行的核心交易系统、电信的 BSS 系统——背后有几十年积累的行业逻辑和约束规则。没有领域专业知识的人，根本提不出正确的需求，AI 再强也无济于事。

甚至 2C 应用也需要领域知识。做一个音频播放器，你真的了解什么是”好的播放器体验”吗？还是只是在模仿现有产品？纯粹的模仿，价值极其有限。

从传统开发流程看，这件事就是”需求分析”——把业务人员的自然语言转化成专业的系统需求文档，再从需求文档转化成代码。这个过程 AI 可以大幅加速，但不能取消。

三、框架、补齐与串接：帮 AI 走最后一公里

即使有了清晰的需求描述，AI 生成的代码也常常存在漏洞——逻辑断点、边界条件处理缺失、模块间无法串接。

程序员的第三项核心能力，是发现这些漏洞并填补它们。这不是写一段新的完整代码，而是在 AI 生成的代码基础上，做精准的修复和连接。

这件事比”从头写代码”更难，因为：

你需要理解 AI 代码的逻辑（即使你可能不熟悉所有语法细节）
你需要判断哪里是问题所在，而不只是看到”程序报错了”
你需要和 AI 反复磨合，不断提炼需求，直到输出达到要求

另外，AI 对整体架构的把握目前还比较弱。如何设计一个系统的模块结构、数据流向、扩展性——这些架构能力，仍然是经验积累的产物，不是 AI 能自动生成的。

所以 AI 时代的程序员工作流是：开头做分析 → 搭框架 → 提炼需求 → 让 AI 写代码 → 找漏洞 → 帮 AI 补全最后一公里。

这与传统程序员的工作方式已经截然不同，但并不意味着程序员消失——而是职业转型。

程序员职业的未来：转型而非消失

判断一个职业是否会消失，可以看一个标准：生产资料是否消失，或是否被高度自动化替代。

电报收发员消失了，因为电报技术本身消失了。底片冲洗工消失了，因为胶片摄影被数码摄影替代。

但程序员不同：编程语言不会消失，软件需求还在增加。生产资料（编程语言）和产出物（软件）都还在，只是生产方式变了。

更接近的类比是：数控机床取代了传统车工/铣工，但没有消灭这个职业——它要求工人转型为数控操作员，精度和效率大幅提升。

同样，AI 会让程序员职业转型：

高端方向：懂架构、懂原理、懂 AI 的全能型工程师——需求只增不减，薪水更高
专业方向：懂行业、懂领域逻辑、能和 AI 协作的 2B 开发人才——仍然不可替代
被淘汰的方向：没有专业积累、做通用 2C 应用、薪水要求高但价值贡献低的中端程序员

这不是预测，而是已经在发生的事。近期程序员裁员的主要灾区，正是这第三类人。

AI 科研论文的结论也印证了这个判断：整体产出增加，顶尖人才收获更多，没有专业积累的底层人才价值接近于零。

编程教育怎么做？

理清了程序员职业的未来，教育问题就有了答案。编程教育分两类，答案不同。

少儿编程：学的是思维，不是语法

家长让孩子学编程，通常有三种动机：

普及性技能：编程像外语一样，未来每个人都应该懂
职业规划：学好编程，将来好找工作、好赚钱
升学加分：竞赛证书，为高考铺路

如果是第二和第三种动机，结论很清晰：意义不大。 技术变化太快，今天学的具体语法四年后可能完全不同。奥数这类基础能力训练，性价比远高于学一门可能很快过时的编程语言语法。

如果是第一种动机，问题就变成：少儿编程课应该教什么？

答案是：计算思维，不是语法。

Logo 语言（1967 年）和 Scratch（MIT 媒体实验室，2000 年代）是儿童编程教育的两个里程碑。Scratch 今天已有超过 70 种语言版本，国内的编程猫、猿编程都基于 Scratch 框架。

这类工具的价值不是让孩子学会”写代码”，而是：

在约束条件下解决问题的能力
把大问题拆解成小步骤的习惯
发现规律、建立模型的思维方式
理解计算机如何被人类指挥——去掉对技术的神秘化

好的编程教育，评价标准不应该是”能不能写出能跑的程序”，而是”孩子是否学会了用结构化方式思考问题”。

职业教育：重点不是写代码，是领域能力和 AI 协作

以找程序员工作为目的的职业教育，面临的是同一个问题：程序员职业要转型，职业教育的内容也必须同步转型。

传统职业培训的重心是语法和框架——学 Java Spring、学 Python Django、学 React。这些仍然有价值，但已经不是瓶颈。

新的职业教育重心应该是：

领域专业能力：你要服务的是医疗行业还是金融行业？先学懂这个行业的运作逻辑和专业术语，再谈开发。
AI 协作实战：如何与 Cursor、Copilot 这类工具高效协作？如何提炼需求、发现 AI 代码的漏洞、做最后一公里的补全？这些是新的核心技能。
补齐和串接能力：这部分很难通过培训课传授，只能靠实战积累——在真实项目中与 AI 反复磨合。职业培训机构能做的有限，真正的成长在工作中。

理想的编程教育结构

综合下来，理想的编程教育路径是：

儿童和少年阶段：学编程思维，了解计算机如何被人类指挥，去神秘化，锻炼在约束条件下解决问题的能力
大学和入职前阶段：学领域专业能力，熟悉要进入的行业术语和运作机制
工作阶段：在真实项目中通过实战积累框架能力和 AI 协作能力

回到最初的问题：人工智能来了，我们还要学习编程吗？

答案取决于你”学编程”的目的。如果是学语法、学框架、为了写出让编译器通过的代码——这件事 AI 会越来越能替代你。如果是学会把事情讲清楚、学会在复杂问题里找到逻辑、学会用结构化方式思考——这些能力在 AI 时代只会更值钱。

黄仁勋和李彦宏说的对了一半：写代码这件事的门槛确实在大幅降低。但他们忽略的另一半是：当写代码变容易，真正成为瓶颈的是”知道要写什么”的能力。

这，才是编程教育应该专注的地方。