AI 都會 coding 了,我為什麼還要學程式?真正稀缺的是理解 system

AI 能協助寫出程式,但作業分數、工作產出與長期理解需要分開檢查。

AI 讓「寫出 code」變得愈來愈便宜,但這不代表「理解 software」也跟著變便宜。

如果你最近看過 coding agents 寫 feature、修 bug、補 tests,甚至一次修改整個 codebase,很容易冒出一個合理的問題:

AI 都會 coding 了,我為什麼還要學程式?

我覺得這個問題問得很好。

因為如果「會 programming」只代表記 syntax、背 API、手動打一堆 boilerplate,那其中很大一部分工作,確實正在快速變得不稀缺。

但 software engineering 從來不只是把 syntax 打進 editor。

真正困難的問題通常是:

  • 你到底想讓 system 做什麼?
  • 需求裡有哪些還沒說出口的 constraints?
  • AI 產生的 code 到底有沒有符合真實 business rule?
  • 當它在 edge case、security boundary 或 production 才壞掉時,你看得懂發生什麼嗎?
  • 你能不能驗證、修改、接手,而不是只能再問一次 AI?

所以我現在比較喜歡把問題改寫成:

當部分程式碼可以更快生成時,什麼 programming capability 反而變得更重要?

Productivity 變高,不等於 programming capability 也一起成長

目前關於 AI coding 的 evidence,其實比「AI 讓 programmer 快很多」或「AI 讓 programmer 退化」都更複雜。

Alanazi 等人 2025 年的系統性回顧與統合分析彙整 2020–2024 年的程式教育研究。作者報告程式作業表現的合併結果較好,而「學習成功/理解容易度」未檢出統計上顯著的優勢;兩類結果不能互換,更不能把理解容易度直接當成數週後的記憶、遷移或獨立除錯能力。來源核對註:該論文摘要稱納入 35 項受控研究,結果章節則寫 32 項;公開文字未清楚交代兩者是否分屬不同分析樣本,本文因此不把單一收錄數字當成已確定的事實,也不據此估計對所有學習者的效應。以下用任務與測量方式更明確的實驗說明。

Bassner 等人刊於 2026 年的 TUM 研究,將 275 名入門程式課學生隨機分成三組,完成一個 90 分鐘、以多執行緒實作平行加總的練習。一組使用只給提示、不給完整解答的 Iris,一組使用可提供完整解答的 ChatGPT,對照組則可使用傳統網路資源,但不用 AI。兩個 AI 組的作業分數較高、挫折感較低;在前後測知識增益與程式理解測驗上,研究沒有發現較大的優勢。

這是特定課程、特定任務與短時間測量下的結果,不是長期能力退化的證明。「未檢出較大優勢」也不等於「證明完全沒有學到東西」。它提醒的是:作業成績與概念理解需要分開檢查,不能只靠交出的程式判斷學習成效。

這和我前一篇談的 Performance ≠ Learning 是同一個問題,只是 programming 把它變得更具體。

能產生更好的 code,和你是否更能理解、debug、verify 一個 software system,是兩件不同的事。

1. Code 是 answer;Specification 才是 problem

「幫我做登入」看起來像一個清楚的 request。

但真的開始做之後,問題立刻變成:

  • 誰能登入?
  • session 怎麼管理?
  • password reset 呢?
  • OAuth 呢?
  • rate limiting?
  • account takeover?
  • privacy?
  • audit log?
  • edge cases?
  • 失敗後怎麼 recover?

AI 很擅長回答一個已經說清楚的 programming request。

但真實世界最稀缺的,往往就是把模糊需求變成一個可以安全實作的 specification。

一個 novice 看見「做登入功能」。一個更有經驗的 engineer 看見的是一整個 constraint network。

2. 能 Generate,不代表能 Verify

AI coding 最重要的不對稱之一,是 generation 可以非常快,但 verification 不會自動一起變快。

一段 code 能跑,不代表它:

  • edge cases 正確;
  • 沒有 security vulnerability;
  • scale 後仍可接受;
  • 不會破壞既有 behavior;
  • 符合 privacy constraints;
  • 真正符合 business rule;
  • 未來仍可維護。

如果 AI 一次生成一千行 code,而我們只能用「看起來合理」來驗證,那 productivity gain 很容易同時變成一種 verification debt。

真正的 debt 不是「我沒有逐行讀完」。

而是:system complexity 增長得比我的 causal understanding 更快。

3. 未來更值得學的是 computation 的 structure

Languages、frameworks、APIs 都會一直變。

更 durable 的東西是:

  • state 如何改變;
  • data 如何流動;
  • abstraction 如何隱藏 complexity;
  • interface 如何劃分 responsibility;
  • algorithm 的成本怎麼隨 input 成長;
  • concurrency 為什麼會產生 race condition;
  • distributed systems 為什麼不能假設每件事都同時成功;
  • tests 能證明什麼、不能證明什麼;
  • failure 如何 propagate;
  • security boundary 在哪裡。

這些不是 syntax trivia。

它們是你用來理解 AI-generated code 的 computational mental models。

4. Debugging 可能比「從零打 code」更能代表未來的 programming literacy

真實工程常常不是「請你從零寫一個 function」,而是:

為什麼這個 system 在 production 偶爾壞掉?

Debugging 要求你提出 hypothesis、找 evidence、縮小 search space、理解 state、重建 causal chain。

AI 當然可以讀 logs、解釋 stack trace、提出可能原因。但如果 learner 每次都只把 error 貼給 AI,再把 patch 貼回去,他可能永遠沒有練到最值得留下的 cognition。

我現在很喜歡一個極小的 practice:

問 AI 以前,先寫下:我現在認為 bug 最可能在哪裡?什麼 observation 會支持或反駁這個 hypothesis?

只多花幾十秒,但它保留了 debugging 裡最重要的 scientific reasoning loop。

5. 同一個 shortcut,對 expert 是 leverage,對 novice 可能是 missing curriculum

一個資深 engineer 讓 AI 產生 boilerplate,和一個還沒有任何 mental model 的 beginner 讓 AI 完成整個 project,看起來都是「AI coding」。

但 cognitive consequence 完全不同。

Expert 已經 internalize 大量 patterns、failure modes 與 standards。他可以高速 scan code、察覺 anomaly、要求 architecture changes,也比較知道什麼值得測。

Novice 還在建立這些 structures。

所以我不覺得答案是「初學者不要用 AI」。

更合理的做法是:讓 assistance 隨 expertise 與 learning target 改變。

如果今天練的是 decomposition,就不要讓 AI 一開始把 decomposition 全部做掉;如果練的是 debugging,就不要永遠讓它直接給 patch;如果已經熟悉基本結構,就可以讓 AI 承擔更多 repetitive implementation。

6. Productivity evidence 本身也提醒我們:不要把 AI coding 想成一個單一效果

AI coding 對專業開發工作的 productivity,也沒有一個適用所有情境的簡單數字。

Cui 等人 2025 年公布的研究整合 Microsoft、Accenture 與一家匿名 Fortune 100 公司的三個隨機實驗,共 4,867 名開發者。合併估計為使用 AI 工具者的完成任務數增加 26.08%,標準誤為 10.3 個百分點。研究也報告較缺乏經驗者的採用率與生產力增益較高。這是那些工作情境中的任務產出估計,不是「所有工程師快 26%」,也沒有直接證明學習能力增加 26%。

METR 在 2026 年 2 月 24 日的更新則回顧:以 2025 年 2–6 月資料進行的早期實驗,發現熟悉自己開源專案的開發者使用當時 AI 工具後,任務花費時間增加。後續研究的點估計朝加速方向移動,但信賴區間仍涵蓋無差異;不願放棄 AI 而退出研究、選擇不提交某些任務,以及多人機並行工作的計時困難,也使估計不可靠。研究者因此調整實驗設計,而不是宣布一個已確定的「小幅加速」。這裡描述的是該次更新,不是 2026 年 10 月所有工具的即時排行榜。

兩組研究的人、工具、任務與指標不同;一邊量完成任務數,另一邊量任務時間,不能直接拿百分比互相抵消,也不能據此推定哪個結果普遍適用。

它們提醒的是:AI coding 的價值取決於 task、codebase、developer expertise、tool capability、workflow 與 evaluation protocol。

也因此,「AI 已經能 coding」本身不足以回答「人還要學什麼」。

7. 我會怎麼學 programming in the age of AI?

如果今天重新開始,我不會用兩個極端:

  • 「什麼都不能用 AI,全部手刻才算學習」;
  • 「既然 AI 都會寫,就不用理解 code」。

我會比較像這樣:

  1. 先做預測:在查看解答前,先說明程式可能如何執行、錯誤可能在哪裡,以及什麼觀察可以推翻這個猜測。
  2. 再選擇協助:卡住時先要一個提示、方案比較或反例;必要時可以看完整解法,但之後要再檢查自己能否解釋與重建。
  3. 自己解釋,再驗證:不要只請 AI 解釋它的修改。先用自己的話說明狀態、資料流與取捨,再用測試和實際行為核對;AI 的說明也可能有錯。
  4. 在隔離環境練習除錯:只在本機練習專案或可丟棄的沙盒分支中植入已知錯誤,使用合成資料與已知正確版本比對。不要在正式服務、真實客戶資料或付費流程中故意製造故障。
  5. 減少提示,不減少必要資訊:下一次保留完整題目、需求、安全限制與測試條件,減少的是 AI 給出的步驟或答案;不是故意讓 AI 少知道規格。
  6. 換題目,並延後再試:在新情境重做相近任務,過一段時間再檢查能否獨立完成。一次作業成功,不足以回答能力是否保留下來。

這是本文提出的練習建議,不是上述研究直接驗證過的整套課程。目的是讓理解與驗證有機會發生;是否有效,仍要看實際學習結果。

把 AI 當成學習支援,是這套練習的設計方向,不是效果保證。若目標是工作交付而非練習,仍要優先遵守完整規格、測試與上線要求。

未來的 programmer 可能寫更少 code,卻需要理解更多 system

我不認為 programming 的價值會因為 AI 能生成 code 就消失。

比較像是它的中心正在移動:

  • 從 syntax → specification;
  • 從 typing → architecture;
  • 從 implementation → verification;
  • 從「能不能寫出來」→「知不知道什麼值得寫、怎樣才算正確」。

所以真正值得問的不是:

AI 都會 coding 了,我還要不要學寫 code?

而是:

當部分程式碼可以更快生成時,我需要具備什麼能力,才能安全地指揮、理解、驗證並改進一個由人與 AI 共同建立的 software system?

那個答案,仍然需要 programming literacy。

只是它愈來愈不像「誰能最快把 code 打出來」,而更像「誰真正理解 system」。

研究與延伸閱讀

Boundary note:這些研究來自不同 populations、tasks 與 outcome measures。本文不主張 AI coding 一定提升或傷害 programming ability;較穩健的結論是,performance / productivity 與 durable capability 必須分開測量,而 AI assistance 應該依 learner stage、task 與 learning target 設計。

延伸閱讀

分享你的喜愛
子揚
子揚

曾子揚(Tzu-Yang Tseng / Alan),成大經濟系畢業,AI Product Builder。透過 Insightful Reading 探索 AI / computing、親密關係與學習,並把研究、產品實作、閱讀與寫作整理成清楚、可檢查、可使用的理解。

文章: 46