← 部落格

工程筆記

斯坦福 CS 教授 Chris Piech：當 AI 已經會寫程式，為什麼我們更需要學習編程？

AI Engineering 閱讀約 8 分鐘 更新

斯坦福 CS 教授 Chris Piech：當 AI 已經會寫程式，為什麼我們更需要學習編程？ AI Agent 實戰 Bloss0m Note 081

在 Cursor、Claude Code 與 LLM 程式生成能力爆發的今天，「當 AI 已經能自動寫程式，人類還需要學編程嗎？」成了無數工程師與學生心中的迷惘與焦慮。

斯坦福大學（Stanford University）電腦科學教授 Chris Piech（曾任 CS106A 旗艦課程主講教授，並創辦全球最大規模的線上程式教育計畫 Code in Place）在最新的深度對談中，給出了極具啟發性的解答：「AI 確實能寫程式、做概率、寫文章。但正確的答案絕不是放棄人類下一代的智慧——當 AI 具備這些能力時，你的能力將被百倍放大，而具備深度的系統思考將比以往任何時候都更加重要。」

Chris Piech 教授結合其在 Stanford 課堂與全球 17,000 名學生、1,000 多名助教的 Code in Place 六年實驗數據，為我們揭示了 AI 時代下學習編程的真正本質、思考外包的隱性風險，以及未來工程師的核心競爭力所在。

1. 報名人數反向翻倍：工具變強後的「學習與動機危機」

許多人直覺認為，隨著 AI 程式工具的普及，想學寫程式的人應該會減少。然而，Chris 教授分享了一個非常驚人的實證數據：在 Code in Place 跨越 Cursor 與 Claude Code 出現前後的這幾年中，課程的報名人數不但沒有下降，反而反向翻倍！

全世界想要理解編程與 AI 的人潮正前所未有地湧入。但在這股熱潮背後，Chris 教授也敏銳地觀察到了學習者普遍面臨的「動機危機 (Motivational Crisis)」：

  • 對未來的過度焦慮 (Overthinking)：許多年輕學生在展開四年大學學程時，都在苦惱「如果 AI 在未來四年內再進化 4 倍，2030 年還會存在什麼工作？」這種對未來的極度不確定感，容易導致學習動機癱瘓。
  • 預測未來的歷史規律：Chris 教授回顧了他讀 PhD 時（約 2011–2012 年），Stanford 率先推出自動駕駛汽車實驗，當時全社會都在預言卡車司機與計程車司機職業將在幾年內消失。然而十多年過去了，卡車司機職業依然健康成長。人們往往大大低估了真實世界邊界條件（Long-tail edge cases）的複雜度，也高估了技術完全替代人類的速度。
  • 學習的起點公理：擺脫焦慮的最佳方式，就是停止過度預測未來。Chris 教授每天早上的起點公理就是：「我不去懷疑為什麼要讓自己與下一代變得更聰明，我直接將其視為真理並為之努力。」

2. AI 助教的局限：為什麼「人際連結」才是動機的核心？

作為全球最大規模的線上教育實驗，Code in Place 採用了 1:10 的師生比（17,000 名學生配備 1,000 多名真人 Section Leader）。團隊在過去幾年間進行了多次「不同 AI 劑量」的對照測試，得到了極具震撼力的結論：

單純給予 AI Chatbot 會降低完課率

如果只是給學習者一個 AI Chatbot，對他說「拿去用吧，用它來學習」，統計上學習者更容易感到挫折並選擇退選（Drop out）。在錯誤的學習時機被甩給 AI，會嚴重打擊學習熱情。

真人互動帶來 10 個百分點的完課提升

相反地，如果學生在編程時跳出一個彈窗：「線上有一位真人助教願意抽空陪你聊 10 分鐘，你願意嗎？」只要學生點擊同意，他完成整門課程的機率就會直接提升 10 個百分點。

更值得深思的是，研究團隊調閱了對話紀錄：AI Chatbot 的回答幾乎 100% 精準無誤且沒有幻覺，而人類助教偶爾還會講錯程式語法細節。 但為什麼人類助教效果更好？

Chris Piech 教授強調： 「教育的皇冠明珠永遠是動機（Motivation）與靈感（Inspiration）。AI Chatbot 善於回答問題，但它無法激發你對未知的好奇心。人類助教給予的關懷——『我在乎你成為一個聰明的人，在 AI 時代我不會放棄你的成長』——才是推動人類願意付出額外精力去主動思考的關鍵動力。」

3. 思考外包的陷阱：語法記憶 vs. 問題拆解與架構能力

在學習程式設計時，我們通常將技能拆解為兩個核心部分：

  1. 語法與指令 (Syntax)：如何告訴電腦執行具體動作。
  2. 問題拆解與邏輯 (Problem-Solving)：如何將複雜的大問題拆解為小模組、如何讓數據與演算法銜接、如何設計系統架構。
                          ┌──────────────────────────┐
                          │    程式設計 (Coding)     │
                          └─────────────┬────────────┘
                                        │
                ┌───────────────────────┴───────────────────────┐
                ▼                                               ▼
     ┌─────────────────────┐                         ┌─────────────────────┐
     │ 語法與指令 (Syntax) │                         │ 問題拆解 (Problem-  │
     │  (AI 高度代勞區)    │                         │  Solving & Arch)    │
     └──────────┬──────────┘                         │  (人類核心價值區)   │
                │                                    └──────────┬──────────┘
                ▼                                               ▼
┌───────────────────────────────┐               ┌───────────────────────────────┐
│ • 記憶 API 與函數寫法         │               │ • 將大問題拆解為小模組        │
│ • 產出草稿原型 (Prototypes)   │               │ • 設計數據流與演算法結構      │
│ • 自動修復簡單語法錯誤       │               │ • 邊界條件與維護性判斷        │
└───────────────────────────────┘               └───────────────────────────────┘

Chris 教授指出，AI 在 Syntax 層面會變得極其強大，未來記憶每條指令細節的必要性大為降低；但 Problem-Solving 的重要性卻被提升到了前所未有的高度。

過度外包思考的代價

如果開發者過度依賴 AI 撰寫程式碼，在剛開始構建原型時會覺得非常順暢；但到了 5 週後，當真實使用者開始進入系統並觸發極端 Bug 時，沒有掌握架構思維與底層邏輯的人將會完全失去排查與修復的能力。

計算機與乘法表類比

這就像計算機發明了幾十年，小學生依然需要學習乘法。雖然我們不再需要心算複雜的 13×713 \times 7，但我們必須理解「乘法」背後的數學概念與邏輯運算。我們不能跨越基礎（We can’t skip the foundations）。 扎實的基礎知識是你在高階層面進行藝術化創造的基石。

4. Coding 作為頂級思維訓練場，與年輕工程師的新機遇

為什麼在眾多學科中，編程特別適合用來訓練問題拆解能力？Chris 教授提出了「即時可證偽反饋」的理論：

即時可證偽的反饋（Immediate Falsifiable Feedback）

在現實生活中做出一個決定，反饋週期往往長達數月甚至數年，你很難密集練習如何做出更好的決策。但編程不同：如果你的邏輯錯了，程式碼會立刻崩潰並報錯。 這種極短的反饋迴圈，讓學習者能以極高頻率迭代並修剪自己的思維模式。

AI 時代的有效學習法：反向提問法

對於想要成長的年輕工程師，Chris 教授建議：

  1. 時間投入 (Time on Task)：真正決定你是否能成為高貢獻工程師的，是你親手進行思考與創造的時間，而不是你讓 Claude Code 代勞的時間。
  2. 用 AI 進行高效學習：利用 Claude Code 快速產出原型後，不要直接上線，而是反問 AI：「Claude Code，請教我為了構建這個系統，你使用了哪些最關鍵的架構概念與技術決策？」 把 AI 當作頂級的個案教學教練。

初階工程師的黃金技能轉型

隨著 AI 降低了開發門檻，一個 18 歲的高中生與朋友兩人就能打造出極具規模的 Startup Codebase。然而，門檻降低意味著競爭焦點轉移：

未來的頂尖工程師標準： 頂尖工程師不再是記憶最多語法細節的人，而是具備最高階「介面能力」的人——能夠將真實世界的人類痛點與需求，精準連結並轉化為軟體、數據科學與演算法結構的人。 初階工程師應該從第一天起就訓練這種產品洞察能力，而不是等待升至資深工程師才開始。

5. 給 AI 時代學習者的三大行動指引

最後，Chris Piech 教授為所有在 AI 浪潮中探索的工程師與學習者，總結了三條核心心法：

  1. 建立「我不放棄自己成長」的基石公理：不要被未來的預測所束縛。相信自己與下一代會比昨天更聰明，並專注於每天的基礎積累。
  2. 將 AI 作為能力放大器（Multiplier）：就像一位充滿熱情的醫生或教師使用 AI 能照顧更多病人與學生一樣，當你擁有扎實的思維基礎時，AI 將成為你強大的槓桿。
  3. 動手去建造人們喜愛的產品（Go Make Stuff!）：最好的學習永遠發生在實作中。去解決真實問題、打造人們真正使用並喜愛的軟體，在不斷迭代的過程中達成卓越。

延伸閱讀與參考資源

CONTINUE EXPLORING

沿著相近的架構、實作與工程決策繼續閱讀。

歡迎演講、企業內部技術分享與架構交流；可以先查看我適合分享的主題與公開工程成果。

演講與聯絡