每个初学者在2026年都在悄悄问同一个问题：当AI模型能写代码时，为什么还要学编程？这种担忧是合理的，入门门槛确实比以前更窄了。但编程中变得便宜的只是敲代码这一环节，剩下的——知道该问什么、能分辨对与几乎对——反而比以前更有价值。
如今，几乎每篇关于AI与就业的帖子底部都会出现这个问题，通常表述得很谨慎，仿佛提问者已经猜到答案，却还是有点不好意思地问：当模型能写代码时，学编程还有价值吗？
我想认真对待这个问题，因为我看到的大多数回答都没有做到这一点。一半的人说“当然，编程就是解决问题”，然后就过去了；另一半说“不，去学当水管工吧”。他们都跳过了初学者真正想知道的内容：周一应该做什么。
下面给出坦诚的回答。是的，学编程仍然值得。但所要学习的内容已经改变，入门的难度也比三年前更大。这两点同时成立。
担忧是合理的，那就从这里开始
没人应该被告知入门路径没问题。其实不然。斯坦福数字经济实验室一直在追踪从2022年底开始的ADP工资数据，在其2026年8月更新中，最易受AI影响的职业中22至25岁人群的就业人数比如果他们跟上受影响较小的同龄人步伐时应有的水平低了19%，而同职业的有经验工作者则没有出现类似差距。SignalFire的2025年人才报告从招聘角度揭示了这一现象：新毕业生在大厂招聘中仅占7%，比2023年下降了25%，也低于2019年的一半；在初创公司中这一比例甚至低于6%。
这些是恐慌背后的数字，它们没错。底层岗位确实变得更薄了。即便是我自己也会疑惑：“攀登还有价值吗？如今的攀登到底意味着什么？”
变得便宜的只是敲代码
我认为最重要的重新框架是这样的。长期以来，‘学编程’被理解为学会编写代码：语法、库API、三种语言中for循环的确切形式、将脑中想法转化为可运行文件的肌肉记忆；课程围绕此构建，面试也是如此，这一切说得通，因为编写代码曾是瓶颈，能做到的人是稀缺资源。
这一部分现在很便宜，而且变便宜的速度很快。一个模型能够以任何语言、基于纯英文描述，生成语法的速度超过了任何人类。如果学习编码意味着学习敲代码，那么老实说，这种担忧是正确的：这项技能在大约三年内就失去了大部分的市场价值。
但那从来不是让程序员变好的部分。那是让程序员成为可能的部分。有价值的部分一直是底层：知道该问什么，在答案出现之前就知道正确答案是什么样子，以及当运行的东西不是所期望的东西时该怎么做。敲代码是达到那层所付的税。税被免除了，但那层仍然存在。
差一点就是全部问题
在2025 年 Stack Overflow 开发者调查中，84% 的受访者使用或计划使用 AI 工具。只有大约 33% 相信这些工具产出的准确性，46% 积极不信任它，而被提及最多的挫折感（占 66%）是“AI 给出的解决方案几乎正确，但不完全正确”。其次（占 45%）是“调试 AI 生成的代码更耗时”。当被问到当他们不信任 AI 的答案时会怎么做，75% 表示他们会询问一个人。
将这些放在一起，2026 年工作的形状就显现出来。输出之所以看起来合理，是因为模型被训练来生成看起来像正确代码的文本，而且大多数时候它确实是正确的，这正是导致剩余情况危险的原因。一个看起来错误的错误答案不会造成任何损失。一个看起来正确的错误答案可能导致生产事故，而唯一的防御手段是能够辨别真伪的人。
“2025 年 7 月的 METR 研究”是我所知道的这一问题的最尖锐版本。十六位有经验的开源开发者在自己的代码库中处理了 246 个真实问题，每个问题被随机分配为使用或不使用 AI 工具来完成，而这些人正是对这些代码库非常熟悉的开发者——也就是工具本应最能帮助的那类人。使用 AI 后，他们花费的时间增加了 19%。在研究之前，他们预测会提速 24%；在经历了减速后，他们仍然认为自己实际上快了约 20%。（METR 很谨慎地指出，这只是一种开发者在特定代码库上的一次快照，我会认真对待这一限制，这并不是对 AI 工具整体的评价。）
但这种感知上的差距才是对初学者最重要的部分。即使是拥有多年判断力的人，也很难从内部感受到工具是否真的在帮助。完全没有判断力的人同样也没有机会感受到这一点。
因此，剩下的技能不再是编写代码。而是能够审视自己未编写的代码——即使它看起来没问题——并判断它是否正确。
地板升高了，天花板也随之升高
通常的说法是 AI "降低了门槛"。我认为这只是其一半，而且是较不有趣的那一半。
的确，门槛提升了。现在任何人都能让东西跑起来：一个可用的网页、解析 CSV 的脚本、完成某件事的小应用。以前这需要数月的学习，如今只要一个下午的提问即可，从外部看来这似乎是在贬低技能，而对于基础层面的技能而言，确实如此。
但天花板也随之上升，而且升得更高。理解系统的人可以阅读生成的代码，看到它在 await 时保持数据库连接打开，或者它在不该重试的时候重试调用，或者它今天是正确的，但第一次有两个用户同时访问时就会出错，而这个人现在能够指挥的产出远超他们手工所能产生的，因为他们的判断获得了杠杆。SignalFire 报告直言不讳地指出结果：冲击最严重的是应届毕业生，而对有经验工程师的需求仍在上升。同样的工具，产生了相反的效果。两组人的唯一区别在于理解程度。
这意味着初学者需要跨越的差距并未消失，而是转移了。以前的差距在于'不会写代码'和'能写代码'之间；现在的差距在于'它能运行'和'我知道为什么它能运行'之间，而市场已经不再为前半段付费。
自动售货机还是导师
这就留下了一个实际问题：当帮助他们产出的工具正是可能阻碍他们学习的同一个工具时，人们该如何跨越这个差距？
Anthropic 对此进行了一项小规模的对照试验，于2026年1月发表。参与者为52名开发者，大多为初级，且至少有一年Python经验。他们使用 Trio（一种他们均不熟悉的异步库）完成两项任务。一半人可以使用AI助手，另一半不能。之后，所有人都在不允许使用AI的情况下完成了一个14题的测验，考察他们刚才使用的概念。AI组平均得分50%，手工编码组平均得分67%。最大的差距出现在调试题上。AI组仅比手工组快约两分钟，这甚至未达到统计显著性水平——仅仅两分钟。
我会划线的部分不是平均值，而是谁超过了它。在 AI 组中得分高的人使用助手的方式有三种：他们先生成代码，然后不断追问直到弄懂；或者在同一个提示中同时要代码和解释；或者只问概念性问题，自己动手修正错误。得分低的人则把它当成自动售货机：把任务塞进去，拿出代码就走。
微软研究院从另一个角度在对 319 名知识工作者的 2025 年调查中得出了相同结论：人们对 AI 的信心越大，对其输出进行批判性思考的程度就越低；而对自身能力的信心越大，他们就越会进行批判性思考。对工具的信心和对自我的信心方向相反，只有其中一方才能真正建立起有价值的东西。
所以导师与自动售货机的区别不仅仅是一句口号。它是经过测量的差异：同一小时内，有人学会了库的使用，有人则没有。模型相同，任务也相同。决定性的区别在于，人是否让模型自己解释。
如果我只能给刚开始的人一条建议，那就是：永远不要接受你无法解释的代码。这并不是说‘永远不要使用模型’（对大多数初学者来说，模型是他们能接触到的最好的导师，它耐心、随时可用，即使在凌晨两点也能用五种不同的方式解释同一件事而不厌倦）。而是要让它解释清楚。问它为什么选择这样的结构。问如果删掉某一行会出什么问题，然后真的删掉那行看看结果。
这种挣扎不是为了得到代码而付出的代价，而是把课程刻进你脑中的过程；跳过它意味着你只得到了代码，什么也没有获得。
“好的，但模型仍在不断进步”
显而易见的反对意见是：如果模型足够好，理解是否还会重要？为什么要学习判断本来就正确的输出呢？
有两点。首先，“本来就正确”并不是风险所在。随着输出质量的提高，错误答案并不会变得更容易被发现，反而会更难，因为它们被更多的正确答案包围，外观几乎一致。调查中那 66% 的“几乎正确”比例描述的是一个好的工具，而不是一个坏的工具。一个坏的工具会犯任何人都能看出来的错误，也没有人会直接发布其未经审阅的输出。
第二，也是我一直想回到的部分，所有权不会转移。当生成的代码在凌晨3点导致支付服务宕机时，没有人会去通知模型。有人批准了那个diff，有人的名字在提交记录上，有人必须参加事后评审并解释这段代码本应做什么，而这些人都不是模型，因为模型不会参加通话来说明它的意思。那个人必须理解它。而且，模型的每一次改进都会让这种理解变得更有价值，而不是更低，因为它现在被分散到了更多的代码中。
这就是2026年学习编程的理由，我认为这不需要包装。入门路径变得更窄，而且在一段时间内仍会保持这样。突破的方法不是比模型生产更快——没有人能做到。而是要比周围只会生产的人更深入。模型可以写出代码。但仍有人需要拥有它，而那个人必须真正理解他们所拥有的东西。
谢谢阅读！英语不是我的母语，所以我使用AI来润色语法。这里的其他一切——想法、代码、观点——都是我的。
喜欢这篇吗？让我们保持联系 — 我在领英，随时很乐意聊天、交换想法，或者只是打个招呼。?
