构建软件从未如此简单。你用简单的英语描述一个想法，几分钟内，一个可工作的原型出现在你的屏幕上。它有用户界面，它连接到数据库，完成你想象中的事情。对于从未写过代码的人来说，这一刻就像魔法。对于那些经过多年与编译器和栈追踪斗争的人来说，这确实令人惊讶。原型在你的笔记本电脑上运行，但在负载下崩溃。它没有错误处理。你发现它可能在泄露你的API令牌。数据模型在演示时还算合理，但一旦你添加第二个用户就崩溃。身份验证是基于假设维持的。你会有一种对一切是否安全的烦恼。你想要部署它，突然间你发现“这可以使用”和“这可以投入生产”之间有一道深渊。获得一个原型从来不是困难的部分，软件工程师一直能够快速让某些东西运行。耗时的是其他一切：设计可以在规模上维持的系统，处理用户不应该遇到但不可避免会遇到的情况，构建可观察性，以便你知道何时出错，以及对数据架构做出深思熟虑的决定，在三年后你会更少后悔。所有这些都没有改变。AI显著加速了达到第一个工作版本的路径，但并没有缩短第一个工作版本与生产级别之间的距离。混淆出现在于，旅程早期部分的反馈循环变得如此快速和奖赏。你询问、你接收、你看到结果。这个循环确实令人兴奋，它让人产生了软件开发的其他部分也必须是类似压缩的印象。不是的。构建软件的困难问题从来不是主要关于写语法，而是关于判断：建什么，如何结构，什么可以推迟，什么时候该拒绝。这种判断使得一个随意编码者变成了雕刻家和工匠。它也是区分原型和生产级系统的关键。反对学习计算机科学的误导性论点可预见地，AI生成代码的可获得性引发了一波新的行业从业者，他们在质疑是否仍然有必要学习计算机科学。如果你可以通过描述来制作一个可工作的应用，为什么还要花费数年学习算法、数据结构、操作系统和理论呢？计算机科学教育的价值从来不仅仅在于生产代码的能力，而在于建立对系统行为、失败及其原因的思维模型。这个模型使你能够查看AI生成的代码，并意识到它所写的查询将对有五千万行的表进行全表扫描。它让你看到它提出的缓存策略在并发负载下将产生竞争条件。它告诉你它建议的架构解决了你描述的问题，但会使下一个问题变得更难。没有这个基础，你将完全依赖模型的判断。而模型没有判断。它们有模式匹配，急于生成它相信与你意图一致的代码。它们将自信地生成看起来正确、遵循约定但在生产中会失败的代码，这些失败会需要几天的时间去诊断，前提是你知道自己在寻找什么。现在可以说，是学习计算机科学历史上最好的时机，因为理解与输出之间的差距已经缩小。一个真正理解分布式系统如何工作的学生，现在可以在一小部分过去十年所需的时间内建立一个系统。有什么变化，什么没有变化 需求那些只能机械地写代码、逐行将需求翻译为实现的工程师确实在下降。工作的这一部分正在被自动化。正在发生的是生产率分布的下端压缩和顶部的天花板扩展。使用现代AI工具的有经验的工程师可以以五年前无法想象的速度移动。不是因为困难的问题消失了，而是因为消耗了大量时间和精力的机械工作已得到大部分处理。为真正需要专业知识的工作争取更多的时间。被抛在后面的人不是那些缺乏AI技能的人，而是那些将AI作为理解的替代品，利用感觉编码的方式处理无法推理的系统，然后发现自己无法修复崩溃的东西，无法扩展成长的事物，无法向任何需要维护它的人解释他们构建的东西。学习以不同的水平运作 所需的转变不是采用一组新的工具，而是在保持扎根于基础的同时，在更高的抽象层次上运作。这种结合确实强大。