摘要：当软件行业正在被AI、资本和效率逻辑快速重塑时，大学里的计算机教育到底还应该把学生培养成什么样的人？这个问题，正在让学术界和教育界陷入一种微妙的"不知所措"。
最近，Hendrix College 计算机科学教授 Brent A. Yorgey 写给学生的一封短文，在技术圈引发了不少讨论。文章并不长，也没有宏大的理论体系，却像一块石头扔进了水里，激起了一圈又一圈涟漪。
Yorgey 不是在讨论某个模型有多强，也不是在预测程序员会不会失业。他真正关心的是：当软件行业正在被 AI、资本和效率逻辑快速重塑时，大学里的计算机教育到底还应该把学生培养成什么样的人？
这个问题，正在让学术界和教育界陷入一种微妙的"不知所措"。
被动摇的信念
过去几十年，计算机教育有一套相对稳定的逻辑。学生要学数据结构、算法、编译原理、操作系统、数据库、软件工程；要通过写代码理解抽象，通过调试理解系统，通过项目理解协作。即使外部产业变化很快，大学仍然相信：只要基础扎实，学生就能适应未来。
但生成式 AI 出现之后，这个信念第一次被强烈动摇了。
因为 AI 不是又一个新框架，也不是又一种编程语言。它直接介入了"学习过程"本身。学生不会写代码，可以让 AI 写；不会解释错误，可以让 AI 分析；不会设计作业，可以让 AI 给思路；甚至不会表达，也可以让 AI 帮忙组织文字。于是老师突然发现，自己很难判断学生到底学会了什么。
这就是教育界最焦虑的地方。
禁止还是放开？
如果禁止学生使用 AI，似乎是在把课堂封闭在一个已经过去的世界里。毕竟学生毕业后进入产业，一定会面对 AI 编程工具、智能体开发流程和自动化协作环境。学校如果完全回避 AI，就会显得落后。
但如果全面放开 AI，又会出现另一个问题：学生可能跳过最关键的训练环节。没有真正经历过困惑、试错、调试、重构，就直接得到一个看似正确的答案。这样培养出来的人，可能会操作工具，却缺少判断力；可能能交作业，却不理解系统；可能会调用模型，却不具备真正的工程直觉。
所以，很多老师不是保守，而是真的困惑。
他们不知道今天的课程应该怎么设计。作业要不要允许 AI？考试要不要回到纸笔？项目评分是看结果，还是看过程？学生使用 AI 到什么程度算合理辅助，到什么程度算学术不诚实？更深一层的问题是：如果 AI 已经能完成大量初级编程任务，那么大学还要不要继续用传统方式训练初级能力？
一封击中核心矛盾的信
Yorgey 的文章之所以引起共鸣，正是因为他说出了这种教育现场的迷茫。他提醒学生，不要把技术趋势当成不可违抗的命运；要提前想清楚自己的道德边界；要保留深度思考的能力；要认真对待代码质量、文档、重构和长期维护。这些话听起来有些"慢"，甚至有些不合时宜，却恰恰击中了当下教育的核心矛盾：我们到底是在培养会更快产出代码的人，还是在培养能够理解技术后果的人？
学术界内部的分歧
当然，学术界内部也不是铁板一块。
一种观点比较悲观，认为生成式 AI 正在侵蚀基础教育。学生如果太早依赖 AI，就像数学还没学会就一直用计算器，最后失去的是基本功。对这类老师来说，AI 最大的问题不是作弊，而是让学生绕过了学习本身。
另一种观点则更开放。他们认为，AI 已经成为新的基础工具，教育不应该假装它不存在。真正的问题不是学生用不用 AI，而是如何教学生正确使用 AI：如何提出问题，如何验证答案，如何识别幻觉，如何把模型生成的代码转化为可维护的工程成果。按照这种观点，未来的计算机教育不应减少基础训练，而应增加"AI 协作能力"的训练。
还有一种更现实的看法认为，教育界现在最需要做的不是争论禁用还是拥抱，而是重新定义"能力"。过去，一个学生能独立写出代码，说明他掌握了技能；现在，仅仅能写出代码已经不够了。更重要的是，他能否解释代码为什么这样写，能否判断它是否可靠，能否发现 AI 没看到的问题，能否在复杂约束下做出负责任的技术选择。
产业界的态度
产业界的态度则明显不同。
企业不会像学校那样长期纠结"学习过程是否纯粹"。产业更关心效率、成本和交付。只要 AI 能让工程师更快完成任务，很多公司就会推动使用。尤其是在创业公司和互联网团队里，AI 编程工具已经从"尝鲜"变成"标配"。老板关心的是：同样的人，能不能做更多事；同样的周期，能不能交付更多功能；同样的预算，能不能减少低水平重复劳动。
从产业角度看，教育界的一些焦虑似乎过于理想化。企业会说：真实工作本来就不是闭卷考试，工程师本来就会查文档、用搜索、调用工具，现在只不过工具升级成了 AI。未来优秀的人，不是不用 AI 的人，而是最会驾驭 AI 的人。
但产业界也有自己的隐忧。
越来越多企业发现，AI 可以快速生成代码，却不能自动承担责任。代码能跑，不代表设计合理；功能能上线，不代表系统安全；demo 很惊艳，不代表可以长期维护。尤其是在金融、医疗、工业、能源这些高风险行业，工程判断力反而变得更重要。AI 降低了产出门槛，却也可能放大低质量决策的后果。
因此，产业界真正需要的，也不是只会"让 AI 写代码"的人，而是能够把 AI 纳入工程体系的人。他们要懂业务、懂架构、懂测试、懂安全、懂边界，还要知道什么时候该相信模型，什么时候必须推翻模型。
问题推回教育界
这恰恰又把问题推回了教育界。
如果未来产业真正需要的是判断力、系统思维和责任意识，那么大学就不能只把 AI 当成作弊工具来防范，也不能只把它当成效率工具来拥抱。教育需要重新回答一个更根本的问题：在机器越来越擅长生成答案的时代，人类学习的价值在哪里？
答案也许不是让学生远离 AI，而是让学生在使用 AI 的过程中，变得更清醒。让他们知道，工具可以加速表达，但不能替代理解；模型可以生成代码，但不能替代责任；效率很重要，但不是所有值得做的事都能用效率衡量。
教育者的自我提醒
Yorgey 这封信真正有价值的地方，就在这里。它不是一篇简单的反 AI 宣言，而是一种教育者的自我提醒：不要在技术浪潮面前太快投降，也不要在产业压力面前忘记教育本身的使命。
AI 时代的计算机教育，最难的不是教学生如何使用新工具，而是教他们在工具越来越强的时候，仍然保留人的判断、边界和良知。