大模型都会编程了，学生为什么还得自己学？

前几天，我看完清华大学2026级研究生的“开学第一课”，脑子里一直留着一个挺反常识的问题：

如果AI已经会写代码，而且写得越来越好，我们为什么还要花那么多时间，让年轻人自己学编程？

这个问题乍一听，好像答案很简单。

因为考试要考。

因为专业需要。

因为大学总不能什么都让AI干。

但仔细想想，这些答案其实都站不太住。

如果有一天，大模型写代码真的比绝大多数普通程序员快，调试能力也越来越强，那么单纯从“提高生产效率”的角度看，让一个二十岁出头的学生花几个月甚至几年时间，从变量、循环、数据结构一路学上去，确实显得有点低效。

可有意思的是，国内最接近AI前沿的一批老师，给出的答案恰恰是：

还得学。

而且不是随便学学。

---

一、AI能力越强，清华反而越强调那些“笨能力”

8月27日，清华大学举行2026级研究生开学典礼。

典礼结束后，校长李路明在综合体育馆讲了一堂“开学第一课”，题目叫《勇立潮头，开放包容，在不懈奋斗中练就过硬本领》。

清华官方报道里有一个细节，我觉得比很多关于AI教育的宏大讨论都值得琢磨。

李路明先介绍了清华在人工智能领域的布局，以及AI赋能教学、科研和学科建设的进展。

也就是说，学校的态度根本不是排斥AI。

恰恰相反，是尽可能把AI这样的新工具推到学生面前。

但是在讲完这些资源以后，他对研究生提出的要求，却突然变得特别“传统”：

问题意识、循证能力、判断能力和责任担当。

后面还有一句，坚持长期主义、脚踏实地。

我看到这里的时候，脑子里冒出来四个字：

老实出活。

当然，这是我的概括，不是李路明的原话。

但你仔细想想，这几个词其实都不新潮。

什么叫问题意识？

不是AI告诉你该问什么，而是你能发现哪里不对。

什么叫循证？

不是看到一串漂亮的数据就转发，而是能继续往下问：数据哪来的？样本是什么？原始论文在哪？这个案例真的存在吗？

什么叫判断能力？

AI可以给你五个方案，但是最后你得知道哪个能用、哪个不能用。

责任担当就更直接了。

材料可以让AI生成，代码可以让Agent写，PPT可以一键制作，但真正交出去的时候，不能出了问题以后说：

“这是AI写的。”

责任最后还是在人身上。

所以我越来越觉得，AI时代真正稀缺的能力，可能正在发生一次很有意思的变化：

以前我们训练的是“怎么把东西做出来”，以后越来越重要的，是“怎么知道这个东西做对了”。

---

二、真正值得注意的，是清华老师关于“学编程”的一次共识

如果只有这一次开学第一课，我可能还不会专门写这篇文章。

真正让我觉得值得聊的，是李路明今年6月27日在本科生毕业典礼上讲的另一件事。

清华今年专门召开了“智能时代人才培养系列研讨会”。

讨论过程中，老师们在一个问题上形成了高度一致的意见：

虽然大语言模型的编程能力已经非常强，清华理工科学生仍然要学编程。

目标并不是跟大模型比赛谁敲代码更快，而是让学生在掌握基本编程能力之后，进一步理解、驾驭人工智能。

我觉得这件事情最值得注意的地方，不是“清华要求学生学编程”。

大学本来就教编程，这没什么新闻价值。

真正重要的是前面的那个限定条件：

老师们完全知道大模型已经很会写代码了，然后仍然决定让学生学。

这和十年前完全不同。

十年前学生自己写代码，是因为机器不会写。

今天学生自己写代码，是在机器已经会写的情况下，依然要自己走一遍。

这两件事情表面一样，教育目的其实已经变了。

以前学编程，首先是为了获得一种生产能力。

以后学编程，很大一部分价值可能变成了：

建立理解系统的能力。

这就像计算器出现以后，我们依然让小学生学加减乘除。

不是因为成年人以后买菜时必须坚持笔算，而是因为如果一个人连基本数量关系都没有建立起来，他甚至没有能力判断计算器是不是按错了。

编程也是一样。

AI可以帮你写一个函数。

但这个函数为什么这样设计？

时间复杂度合理吗？

边界条件在哪里？

数据库为什么会锁？

这个接口为什么会产生安全漏洞？

一个异常到底是模型生成错了、依赖冲突了，还是业务逻辑本身错了？

如果这些东西你从来没有亲手碰过，仅仅因为AI“能跑起来”，你很容易把“运行成功”误认为“真正正确”。

---

三、AI最容易制造的一种错觉，叫“我好像懂了”

这才是我觉得AI教育真正麻烦的地方。

现在的大模型有一个非常强的能力：

它特别擅长把复杂的东西讲得像你懂了一样。

逻辑完整。

语言流畅。

结构清晰。

甚至还会主动给你举例子。

看完以后，你很容易出现一种感觉：

原来如此。

我懂了。

问题是：

“感觉自己懂了”和“真的掌握了”，并不是一回事。

2025年，《Nature Reviews Psychology》专门刊文讨论了一个很重要的区别：

performance gain和learning gain，也就是“表现提升”与“真正学习”并不相同。

生成式AI能够让学习者更快完成任务、写出更漂亮的答案，但这些当下的任务表现，并不能自动证明学习者完成了深层的认知加工。

OECD在2026年的《Digital Education Outlook》中也专门强调了同样的问题：

使用生成式AI成功完成任务，并不自动等于发生了学习。

OECD综合现有研究后认为，如果只是把认知任务外包给通用型生成式AI，确实存在降低主动参与和技能形成的风险；反过来，如果AI被设计成教学支架、导师或者反馈工具，它也完全可能改善学习效果。

这一区分很重要。

所以我不太认同另一种极端观点：

“为了锻炼脑子，学生就不应该用AI。”

这其实和当年说学生不能用搜索引擎差不多。

问题从来不是“用不用”。

而是：

AI到底替你省掉了什么？

如果它省掉的是重复劳动，那当然值得。

如果它把原本应该由你完成的认知训练也省掉了，事情就不一样了。

---

四、为什么“自己先做一遍”仍然有价值？

学习科学其实研究这个问题很多年了。

有一个经典概念叫 Generation Effect，生成效应。

简单来说，同样一份知识，相比直接阅读别人给出的答案，自己尝试生成答案，通常更容易形成记忆。

2007年的一项元分析汇总了86项研究、445个效应量，发现主动生成相对于单纯阅读存在明显的记忆优势。

另一个相关概念叫 Retrieval Practice，检索练习。

你可能也有过类似体验。

一本书看完觉得全懂，合上书以后，让你自己讲一遍，突然发现讲不出来。

恰恰是这种“逼着自己从脑子里往外拿”的过程，会强化长期记忆。

《Annual Review of Psychology》2021年的综述指出，主动检索能够减缓遗忘，而且这一效应在不同年龄和多种学习材料中都得到了观察。

还有一个很经典的学习科学概念叫：

Desirable Difficulties——有益的困难。

有些学习方式，在当下会让你觉得更累、速度更慢，短期成绩甚至不一定更漂亮，但是反而有利于长期保持和知识迁移。

当然，这也不意味着“越难越好”。

如果难度超过一个人的基础能力，认知负荷过高，同样会妨碍学习。

真正有效的，是适度而必要的困难，而不是没苦硬吃。

放回编程这件事里，就很好理解了。

一个学生第一次遇到程序报错：

看不懂。

查文档。

改一遍。

又报错。

继续找。

终于发现原来是一个类型错误。

从工作效率看，这半小时可能毫无意义。

AI十秒钟就能告诉他答案。

但从学习角度看，这半小时可能非常值钱。

因为真正留下来的，不只是那一行正确代码。

还有一种东西叫：

错误的体感。

以后他再次看到类似问题时，会觉得这里“不太对”。

高手身上很多所谓经验，说到底就是无数这种失败经验被压缩以后形成的模式识别。

AI可以把答案给你。

但这种体感，很难直接复制给你。

---

五、甚至已经有研究开始看到“认知外包”的代价

2025年一项针对120名本科生的随机对照研究，把学生分成ChatGPT辅助学习组和传统学习组。

45天以后进行了一次没有提前通知的知识保持测试。

结果显示，ChatGPT组平均答对57.5%，传统学习组为68.5%。

研究者据此提出，在缺少约束的情况下使用ChatGPT，可能因为减少了必要的认知努力，影响长期知识保持。

不过，这个结果不能简单翻译成：

“用ChatGPT学习会让人变笨。”

教育研究目前远没有形成这么简单的结论。

事实上，2026年另一项汇总35项实验研究、涉及4193名参与者的元分析发现，整体而言，ChatGPT对学生学习结果呈中等程度的正向作用，而且效果受到课程类型、使用时间以及教学方式影响。

这两类结果放在一起，我反而觉得特别有意思。

它们指向同一件事情：

真正决定AI有没有教育价值的，不是“有没有AI”，而是AI被安排在学习过程的什么位置。

让AI直接交答案，和让AI在你做完以后指出错误，是两种完全不同的学习方式。

让AI替你写程序，和先自己设计程序、再让AI帮你检查，是两回事。

让AI总结一本书，和自己读完以后让AI挑战你的理解，也完全不是一回事。

---

六、我现在越来越警惕一种东西：假顿悟

以前学习一个很难的东西，往往要经历一个阶段：

看不懂。

继续看。

还是不明白。

查资料。

重新想。

突然某一天，脑子里的几块拼图接上了。

这种感觉很爽。

现在AI把这个过程压缩了。

哪里不懂，问一句。

三秒钟以后，一篇逻辑自洽、结构完整、甚至带类比的解释就出来了。

于是特别容易产生一种：

“哦！原来如此。”

我把这种体验叫做“假顿悟”。

不是说AI解释错了。

恰恰相反，有时候它解释得非常好。

危险的地方在于：

解释得越好，你越容易把“我能看懂这段解释”误认为“我已经掌握了这个知识”。

其实验证方式很简单。

关掉AI。

关掉网页。

拿一张白纸。

自己重新讲一遍。

你马上就知道到底懂没懂。

所以我现在使用AI学习一个真正重要的新领域时，会刻意给自己留下一段不让AI参与的时间。

先想。

先写。

先做一个非常粗糙的版本。

哪怕做错。

然后再让AI进来。

因为我越来越觉得：

AI最适合消灭的是低价值摩擦，而不是所有认知摩擦。

---

七、没有基本功的人，甚至不知道AI错在哪里

这也是为什么我很喜欢清华毕业典礼上引用的一句话：

人工智能像一面放大镜。

它会放大一个人已有的能力，也可能放大懒惰。

过去很多人认为AI会成为一种“均衡器”。

高手和新手拿到一样的AI以后，能力差距会缩小。

现在看，这件事没那么简单。

在部分简单任务里确实可能如此。

但是随着任务复杂度提高，另一种现象会越来越明显：

越懂的人，越知道怎样使用AI；越不懂的人，越难判断AI生成的东西到底能不能用。

2025年，研究机构METR做过一个很有意思的随机对照实验。

16名有经验的开源开发者，在自己非常熟悉的代码库中完成246项真实任务。

研究人员允许其中一部分任务使用当时主流AI编程工具。

开发者事前觉得AI会让自己快24%左右。

结果实际测下来，使用AI的一组反而平均多花了19%的时间。

研究人员发现，其中一个重要成本就是检查、理解和修正AI生成内容。

当然，16个人的样本很小，而且研究针对的是经验丰富的开发者和成熟代码库，不能推广成“AI编程一定降低效率”。

但它提醒了一件很现实的事情：

生成代码的成本正在迅速下降，验证代码的成本并不会自动消失。

而验证，本身就需要专业能力。

---

八、真正危险的不是AI幻觉，而是人类已经失去发现幻觉的能力

这件事已经不只是学校里的问题。

2025年，德勤澳大利亚为政府部门完成了一份关于福利合规体系的独立审查报告。

合同金额约43.9万澳元。

报告发布以后，研究人员发现里面出现了错误引用，包括不存在的学术文献，以及对真实联邦法院判决的错误引述。

澳大利亚政府后来公开的文件确认，生成式AI工具曾被用于部分工作，一些引用错误与这些工具的使用有关；政府随后要求德勤退回合同最后一笔约9.76万澳元的款项。

我觉得这个案例特别有象征意义。

因为这份报告本身就是用来做审查和合规判断的。

结果做审查的报告，自己先出了证据问题。

问题当然可以归咎于AI幻觉。

但换一个角度看：

真正的问题不是AI为什么会犯错，而是为什么这么多人参与的专业流程，没有在提交以前发现这些错误。

AI幻觉以后大概率不会消失。

即使错误率继续下降，在金融、法律、医疗、工程这些高风险领域，也不可能因为错误概率低，就把审核环节取消。

于是一个很反直觉的变化出现了：

AI生成能力越强，

人的验证能力反而越值钱。

---

九、这也是为什么我越来越看重“循证能力”

回到清华的开学第一课。

问题意识、循证能力、判断能力、责任担当。

这里面我自己最看重的是第二个：

循证。

因为这个东西特别具体。

AI告诉你：

“根据哈佛大学一项研究……”

别急。

研究叫什么？

谁写的？

哪一年？

发表在哪里？

样本多大？

研究发现到底是什么？

AI告诉你：

“某公司使用AI以后效率提升了40%。”

继续问。

哪家公司？

40%指什么指标？

是员工自我报告，还是实际生产数据？

有没有对照组？

AI给你一个特别漂亮的数字。

第一反应不要是：

“这个数字真有冲击力。”

而应该是：

“我能不能顺着这句话，一直追到原始证据？”

这就是循证。

它不是一种知识。

更像一种职业习惯。

而这种习惯最大的敌人，恰恰就是AI越来越漂亮的语言。

以前网上一篇垃圾文章，排版乱、错别字多、逻辑也不顺，你一眼就知道不靠谱。

现在不一样。

错误信息也可以写得极其专业。

有标题。

有小标题。

有表格。

有数据。

甚至有一长串看起来像真的参考文献。

内容的“专业感”已经越来越不等于内容的可信度。

于是，人的判断标准必须跟着升级。

---

十、AI越强，基础能力为什么反而越重要？

今年清华团队还有一项发表在《Nature》上的研究，我觉得可以从另一个维度解释这件事情。

研究分析了4130万篇自然科学论文。

结果发现，使用AI工具的科研人员，个人产出和影响力明显提高：

论文数量更多，引用更多，成为项目负责人的速度也更快。

但是与此同时，从整个科学共同体来看，研究主题的广度反而收缩了4.63%，科学家之间的后续互动下降了22%。

研究者把这个现象理解为一种悖论：

AI扩大了个人生产能力，却可能让大家更集中地涌向数据丰富、AI容易发挥作用的方向。

我觉得这和学生学编程其实是同一个问题。

AI特别擅长：

在已有路径上加速。

但教育真正想培养的，不应该只是一个会沿着已有路径跑得更快的人。

真正稀缺的是：

谁发现这条路本身可能走错了？

谁能提出新的问题？

谁知道模型的答案看起来很漂亮，但逻辑前提其实不成立？

这就是所谓的“认知主权”。

---

十一、上周我买一个柜子，也被老板上了一课

说个特别生活化的事情。

上周末，我和爱人去建材市场换一个小柜子。

去之前，我让AI帮我整理了一份规格要求。

写得非常专业。

尺寸、板材、五金、镜面要求，一条一条列得非常清楚。

其中AI告诉我，镜子最好要求“超白无铜银镜”。

我觉得挺专业，就把这句话原样告诉老板，让他写进订单。

老板听完看了我一眼，笑了。

然后指着旁边一墙镜子问我：

你认识哪个是超白，哪个是普白吗？

如果我给你换一个，你怎么判断？

我当时一下卡住了。

因为我突然意识到：

AI给了我参数，但没有给我判断参数的能力。

我手里拿着一份非常完整的“专业方案”。

可真到了现场，我根本不知道东西对不对。

这其实就是未来很多人的工作状态。

AI告诉你应该买什么。

AI告诉你代码应该怎么写。

AI告诉你合同应该有哪些条款。

AI告诉你财务模型怎么搭。

问题是：

当别人真的把东西摆在你面前时，你认不认识？

如果不认识，那么那些知识严格意义上还不是你的能力。

---

十二、所以，学生以后到底应该怎么学编程？

我的答案不是回到十年前。

更不是禁止学生使用AI。

恰恰相反。

我认为学生应该尽早使用AI编程。

Coding Agent、自然语言编程、Vibe Coding这些东西，都会成为未来很普通的生产工具。

但教育可能需要刻意保留一部分“禁止外包区”。

比如第一次理解变量、函数、递归、数据结构、数据库、网络协议的时候，最好自己走一遍。

第一次Debug，最好自己追一次错误。

第一次设计一个稍微复杂一点的系统，最好自己画一次架构。

先形成基本模型。

然后再让AI加速。

这和OECD 2026年数字教育报告提出的思路其实很接近：

教育首先应该确保人具备独立思考和学科基础能力，然后再学习如何使用教育型AI，最后驾驭通用生成式AI。

顺序非常重要。

不是先把脑子交出去，再学习怎样思考。

---

十三、AI时代真正需要升级的，不是“会不会用AI”

过去两年，我们经常讨论一个问题：

未来什么人不会被AI淘汰？

有人说是会写Prompt的人。

有人说是会用Agent的人。

有人说是懂业务又懂AI的人。

这些说法都有道理。

但现在我越来越觉得，还有一层更底层的东西：

你得拥有一些不能轻易外包的能力。

你能不能提出问题。

能不能识别错误。

能不能检查证据。

能不能判断结果。

能不能在AI给你一个非常漂亮的答案时，仍然保持一点怀疑。

以及最重要的：

出了问题以后，你有没有能力重新自己走一遍。

所以，“大模型都会编程了，为什么学生还要学编程？”

答案可能并不是因为未来仍然需要大量人类亲手敲代码。

真正原因恰恰相反：

因为未来亲手敲代码可能越来越少，所以那些通过亲手实践才能形成的判断力，反而需要被刻意保护。

代码可以生成。

文章可以生成。

图片可以生成。

方案可以生成。

甚至研究假设都可以生成。

但有一种东西，大模型很难直接塞进你的脑子里：

你亲自做过以后形成的那种“我知道哪里可能不对”的感觉。

这才是基本功真正留下来的东西。

AI真正值得替我们拿走的，是重复劳动。

而不是把形成判断力的那段路，也一起拿走。

工具越强，人越需要知道自己在干什么。

这大概也是我理解的，为什么到了大模型已经会编程的今天，大学反而还要认真告诉学生：

这条路，你最好自己走一遍。

---

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）

参考资料

清华大学：《校长李路明为2026级研究生讲授“开学第一课”》，2026年8月28日。

清华大学：《清华大学校长李路明：引领智能时代 开创美好未来》，2026年6月。

OECD：《OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education》，2026年1月。

Yan等：《Distinguishing performance gains from learning when using generative AI》，Nature Reviews Psychology，2025年。

McDermott：《Practicing Retrieval Facilitates Learning》，Annual Review of Psychology，2021年。

Bertsch等：《The generation effect: a meta-analytic review》，Memory & Cognition，2007年。

Hao等：《Artificial intelligence tools expand scientists’ impact but contract science’s focus》，Nature，2026年。

澳大利亚Department of Employment and Workplace Relations及Department of Finance公开文件，关于Targeted Compliance Framework Assurance Review。