那他们呢？写给 AI 原生的一代

刘胜与那篇《我不得不把才华埋葬在昨天》刷屏之后，很多人转给我，说结尾那几段问到心里去了：学生肯定用 AI 做 Lab，工程能力会垮，那他们怎么办？

我第一反应是写点什么，给今年入学的新同学们指条路。写了个开头，删了。

删的原因有两个。一是我自己也才毕业不多久，手写的代码还没攒够本，AI 就把这一环接走了——论资历，我离“过来人”三个字差得远。二是写着写着发现，我所有的“建议”都建立在一个没被验证过的假设上：假设他们以后面对的软件工程，和我们面对的是同一个东西。

这个假设，大概率是错的。

一个新物种

想一件事。今年出生的孩子，长到能接触软件工程，大约是十二到十八年后。那时候的 AI 是什么水平？我不知道，你敢说你知道吗？我们连两年后的模型能力都预测不准，何况十八年。

再近一点。今年入学的新同学，他们是十四五岁就看着 ChatGPT 长大的一代人。他们第一次写代码的时候，旁边就坐着一个什么都会的“人”。我和他们的差别，不是“会用 AI”和“不会用 AI”的差别，是把 AI 当工具和把 AI 当环境的差别。

工具是可以放下的，环境是放不下的。鱼感觉不到水。

这不是修辞，是有实打实的后果的。我学编程的时候，“计算机怎么想”和“人怎么想”是两件事，要花大量时间把自己掰成计算机的形状——类型、指针、状态机、边界条件。而他们从一开始面对的就是一个能听懂人话的东西，他们要掰的，可能完全是另一个方向：怎么把模糊的人意图，约束成确定的行为。这两件事需要的直觉根本不同。所以我特别警惕“给新同学提建议”这件事——教汽车司机怎么赶马车，教得越认真，可能错得越离谱。

那“要不要手写 Lab”“要不要禁止 AI”这类争论呢？在他们眼里，可能就像更早一辈争论“要不要学打算盘”。不是说打算盘没用，而是这个问题本身就属于上一个时代。他们会在 AI 原生这个底色上，长出一套我们想象不到的研发范式。

想明白这一点，“那他们呢”这个问题就变味了。它不是一道我们能答的题。我们能做的，不是给答案，是把自己看到的现场如实转述一下：这场实验进行到哪一步了，哪里塌过，为什么塌。

一个更狠的规律

在讲现场之前，先讲一个我一直在琢磨的事，因为它可能是这整件事里唯一接近“规律”的东西。

航空业有个著名的“自动化悖论”。自动驾驶越好，飞行员平时越轻松，手动飞行的机会可能越少；可恰恰是在最极端的情况下——自动驾驶失效、仪表互相矛盾、警报响成一片——需要人接管。法航 447 事故资料里，自动驾驶断开后的失速识别与机组协同都是关键问题。这不是一句“飞行员太久没手飞”就能解释的事故，却提醒我：自动化程度越高的系统，异常发生时对人的判断和接管能力要求可能越高。

软件行业也可能遇到类似的问题。AI 把“平时”的成本打到地板上，但系统不会自动变得更安全，风险可能被压缩到更少的时刻、更隐蔽的角落。平时越顺，出事的那一刻，对手上那个人功底的要求就越狠。

这个规律意味着什么，我说不好。也许新一代会有别的办法长出这种“兜底能力”，也许不会。但把这条规律摆出来，比摆一百条“要打好基础”的忠告都有用——忠告会过时，规律不会。

现场一：AI 时代，怎么做软件工程

这件事现在没人有标准答案，但有几个方向正在剧烈地发生。

“写规格”正在变成新的“写代码”。 今年我明显感到 spec-driven development 的兴起：不再是一句 prompt 扔给 Agent 然后祈祷，而是先把“要做什么、边界在哪、怎么算完成”写成结构化的规格，让 Agent 对着规格实现，人对照规格验收。GitHub Spec Kit和 AWS Kiro 的规格工作流都在沿着这个方向探索。背后的共识很朴素：Agent 写代码很强，猜你心思很烂，所以“把意图写清楚”成了杠杆率最高的活。软件工程的核心难题，正在从“怎么实现”回到“你到底要什么”——兜了一大圈，又回到需求分析这个老问题上来了，只是这次手里多了个不知疲倦的实现者。

Vibe coding 的争论还没打完。 Karpathy 提出这个说法时，描述的是一种放手让模型生成代码的状态。后来这个词也常被用来批评代码能跑、能演示，却没有经过认真理解与验证的做法。但另一边，在原型探索阶段它又确实有用。现在各团队都在自己交学费，划那条“哪里可以 vibe、哪里必须严谨”的线。这条线划在哪，可能会成为未来工程师的核心手艺之一。

“验证”成了新的瓶颈。 代码生成越来越快，review、测试、评估的压力也跟着增加。OpenAI Evals这样的项目，把给模型产出写“考卷”变成了可复用的工作流。还有个更微妙的连锁反应：代码太多，没人读得完了，于是“代码是资产”这个信念在动摇——生成一万行只要几分钟，但理解、验证、维护这一万行的成本一文没少。代码在通胀，理解在通缩。 真正保值的，是你脑子里那份对系统的理解。

注意，这些没有一个是“结论”。它们全是进行中的实验，明年可能又翻篇。但这恰恰是最值得知道的：我们不是在一条修好的路上走，我们是在一边走一边铺路。

现场二：AI 时代，怎么培养人

这堆探索更乱，也更诚实。

学校和老师在分裂。 Anthropic 对大学生使用 Claude 的研究说明，AI 已经进入真实的学习过程。面对这件事，有的课程收紧了，回归手写、闭卷、白板编程，理由是基本功不能外包；有的课程尝试放开工具，把考核转向读懂 AI 写的代码、找出问题并改到能交付——考的不是产出，是判断力。两条路方向相反，谁对谁错，现在没人知道。诚实地说，可能都对，也都会付出各自的代价。

学徒制断了一截，全行业都在找替补。 老的链条是：新人写烂代码、被 review 指出问题、改、再写，几年后逐渐能独当一面。现在新人第一天就可能在指挥 Agent，这条链条正在变化。有人刻意“保留手艺”——代码可以不写，但必须读得懂；有人让新人专门练习审查 AI 产出；也有人觉得这都是刻舟求剑。同时，斯坦福数字经济实验室关于早期职业岗位的研究观察到了年轻劳动者在部分 AI 暴露度高的职业中就业走弱。它不能单独证明每一个岗位变化都由 AI 造成，却足以说明：这届新同学面对的开局值得认真看，而不是一句“别担心”带过。

简历在失效，作品在升值。 当“写出一个能跑的东西”人人可为，能证明你价值的就变成了别的东西：你做的取舍、你公开的判断、你扛过的事。

我自己还信的东西

讲到这儿，按理该上“建议”了。但我还是忍住了，改成说说我自己的行李吧——我翻了一遍自己这几年攒下的东西，发现舍得一直带在身上的，挑不出任何具体技术。技术有半衰期，范式更替的时候半衰期直接归零。翻来覆去就剩三样，而且说白了，这三样在一百年前就成立，估计一百年后还成立：

一是实事求是。 代码能跑就是能跑，不能跑就是不能跑，系统不会因为你 prompt 写得好听就放过你。在一个生成内容无限廉价的时代，“这东西到底是不是真的”会成为最贵的判断。

二是刨根问底的习惯。 AI 最擅长给出“看起来对”的答案，而工程里要命的全是“看起来对”的东西。多问一层为什么，问到答不上来为止——这个习惯不折旧。

三是为自己的结果负责。 Agent 不会半夜被告警叫起来，不会在复盘会上说“这事怪我”。扛事，是人最后让不出去的东西，也是组织永远愿意为之付钱的东西。

这三样不是建议，是我自己的押注。对不对，我和新同学们一样，要再等几年才知道。

最后

所以，那他们呢？

我的回答是：这问题我答不了，可能也不该我答。我这种夹在两个时代中间的人——一只脚还踩在手写代码的旧世界，一只脚已经被拽进了 AI 原生的新世界——能做的最好的事，大概就是把路标留下来：哪条路走过、哪里塌过、为什么塌。经验会过期，教训不会。

剩下的，就是别挡路。

每一代人都觉得下一代要完，每一代下一代都没完。他们没有昨天，所以没什么可埋葬的。等他们站到问题面前的时候，手里握着的，是我们给不了的直觉。

刘胜与说，这些问题需要时代本身来回答。

是的。而他们，就是时代。