# 现在大家似乎都不看好计算机专业了
**作者**: Mr Panda
**日期**: 2026-04-21T05:05:44.000Z
**来源**: [https://x.com/PandaTalk8/status/2046455320508293489](https://x.com/PandaTalk8/status/2046455320508293489)
---
为什么 AI 时代计算机科学仍然值得学习
前言：一个正在误导很多人的叙事
"AI 都能写代码了，还学什么计算机？"
这句话正在以各种变体，出现在高考志愿填报的讨论区、家长群、职业规划的咨询帖子里。它的潜台词是：既然 AI 可以替代程序员的工作，那花四年时间学计算机科学就是一笔亏本的投资。不如学医、学法、学金融——这些"AI 替代不了的专业"。
而且这不只是嘴上说说。数据已经在反映这种情绪了。根据美国国家学生信息研究中心（National Student Clearinghouse Research Center）2025 年秋季的最新数据，计算机与信息科学专业的研究生招生同比暴跌 14%，本科招生也下降了 3.6%——与此同时，美国整体本科招生还在以 1.2% 的速度增长。这意味着计算机科学正在逆势流失学生，而且是全面性的：无论本科还是研究生，无论哪种类型的院校，报名人数都在下降。
这组数据说明一件事："AI 会替代程序员"的叙事，正在真实地影响人们的教育选择。
但这个选择很可能是错的。错得离谱。它错得非常隐蔽，因为它的前提看起来很合理——AI 确实已经能写出相当质量的代码，而且能力还在快速增长。
问题出在推理的第二步：从"AI 能写代码"推导出"计算机科学不值得学"。这一步跳过了一个关键事实：计算机科学从来不等于"写代码"，就像物理学从来不等于"做实验"一样。 代码是计算机科学的表达工具，不是它的内核。AI 能替代的是工具操作，替代不了的是这门学科教给你的思维方式。
这篇文章要讲清楚三件事：计算机科学的核心到底是什么，为什么这个核心在 AI 时代不仅没有贬值反而在升值，以及一个学过计算机科学的人在 AI 时代拥有哪些不可替代的结构性优势。
一、计算机科学的核心不是编程
## 1.1 一个被严重误解的学科
公众对计算机科学的理解，大多停留在"学写代码"的层面。这种误解不怪公众——过去二十年互联网行业的高薪岗位确实以编程为主，"学计算机=当程序员=赚高薪"这条路径太过清晰，以至于掩盖了这门学科真正的知识结构。
但如果你翻开任何一所顶尖大学的计算机科学课程表，你会发现"编程"只占其中一小部分。剩下的大部分课程在教一些看起来与写代码毫不相关的东西：
- 离散数学与逻辑：命题逻辑、集合论、图论、组合数学
- 算法与数据结构：不是教你用某种语言实现链表，而是教你理解不同的问题结构对应不同的求解策略
- 计算理论：什么问题是可计算的、什么问题在理论上不可能被高效求解、计算的本质边界在哪里
- 系统设计：操作系统、计算机网络、数据库、分布式系统——不是教你用某个工具，而是教你理解复杂系统如何被设计、如何运转、如何在约束条件下做权衡
- 人工智能与机器学习：概率论、统计推断、优化理论、神经网络的数学原理
这些课程的共同特征是：它们教的不是某种技术，而是一种思考复杂问题的方式。
## 1.2 计算思维：这门学科真正传授的东西
计算机科学家 Jeannette Wing 在 2006 年提出了一个概念叫"计算思维"（Computational Thinking）。她的核心论点是：计算机科学对人类认知的贡献，不在于计算机本身，而在于它培养的一套分析和解决问题的思维框架。
这套框架包含几个核心能力：
抽象能力——面对一个复杂的现实问题，你能识别出哪些细节是本质的、哪些是可以被忽略的，然后把问题简化到可以处理的程度。这跟编程无关，这是一种普适的认知能力。一个受过良好计算机科学训练的人，看待任何复杂系统时都会自动执行抽象操作：哪些是接口、哪些是实现细节、哪些是需要关注的约束、哪些是可以暂时忽略的噪声。
分解能力——把一个大问题拆解成多个可独立处理的子问题，定义子问题之间的依赖关系，设计解决顺序。这也跟编程无关。它适用于设计一个商业策略、规划一个项目、甚至组织一篇文章。
模式识别——在表面不同的问题之间识别出结构相似性，从而把一个领域的解决方案迁移到另一个领域。算法课上学到的"动态规划思想"，本质上是一种跨领域通用的优化策略：如果一个问题可以被分解为重叠子问题，就不要重复求解，把中间结果缓存起来。这种思维方式在资源配置、路径规划、决策优化等无数非编程场景中都有直接应用。
系统性思考——理解一个系统中各个组件之间的交互关系、反馈回路、瓶颈位置。操作系统课教你的不是 Linux 命令，而是"如何在有限资源下调度多个并发任务"。分布式系统课教你的不是某个中间件的配置方法，而是"一致性、可用性和分区容忍性之间为什么无法兼得"。这些是在不确定环境中设计可靠系统的基本认知框架。
这些能力的共同点是：它们不会因为 AI 的出现而贬值，反而会因为 AI 的出现而增值。 原因在下一节展开。
二、为什么 AI 时代这些能力在升值
## 2.1 AI 消灭了低层执行，放大了高层设计的价值
一个有用的类比：工业革命淘汰了手工纺织工人，但让纺织工程师变得更值钱了。
机器替代的是肌肉劳动——重复性的、可标准化的、不需要判断力的工作。但设计机器、优化生产流程、判断市场需求——这些需要工程思维和系统设计能力的工作，反而因为机器的存在而变得更有杠杆。你设计的一套生产流程，通过机器可以放大一百万倍。你的设计能力越强，这个放大效应越大。
AI 对编程行业的影响遵循完全相同的逻辑。
AI 正在快速替代的是实现层的工作：把一个明确的需求翻译成代码、调试一个已知类型的 bug、写一段标准的数据库查询、实现一个常见的 UI 组件。这些工作确实在被 AI 吞噬，而且速度会越来越快。
但 AI 目前无法替代、并且在可预见的未来也很难替代的，是设计层的工作：
- 一个系统应该被拆分成哪些模块？模块之间的接口如何定义？
- 面对多个技术方案，在性能、成本、可维护性、开发速度之间如何权衡？
- 一个产品的技术架构应该如何设计，才能在未来三年的增长中不会成为瓶颈？
- 当系统出现一个从未见过的故障时，如何从症状推断出根因？
这些问题的共同特征是：它们没有标准答案，需要在不完整的信息下做判断，需要综合考虑技术约束和商业约束，需要对系统的整体行为有深层理解。
AI 让实现层工作的价格趋近于零，同时让设计层工作的价格大幅上升。 因为当实现成本降低时，能被实现的项目数量会爆炸式增长——每一个项目都需要有人做设计层的决策。设计能力的供给没有增长，需求却在暴涨。
计算机科学的课程体系，恰恰是训练设计层能力的最系统化路径。
## 2.2 理解 AI 本身需要计算机科学的基础
一个经常被忽视的事实是：要高效地使用 AI，你需要理解 AI 的原理；而理解 AI 的原理，需要计算机科学的基础。
这不是说每个人都要能推导 Transformer 的注意力机制公式。但至少需要理解几个基本问题：
- AI 模型的输出是概率性的，不是确定性的——它给你的答案"可能对"，而非"一定对"。不理解这一点的人，会把 AI 的输出当作权威答案，在关键决策中犯下严重错误。
- AI 模型有能力边界——它在训练数据覆盖充分的领域表现优异，在数据稀疏或需要真实世界因果推理的领域表现不可靠。不理解这一点的人，不知道什么时候该信任 AI、什么时候该质疑它。
- AI 模型的行为受到提示方式的显著影响——同一个模型，给出不同的指令结构，产出质量可能相差数倍。但这不是一种神秘的"咒语"，它背后有可理解的技术原因——上下文窗口、注意力分配、token 预测机制。理解这些原理的人，使用 AI 的效率远高于把它当作黑盒的人。
- AI 生成的代码需要被评估——它在语法上几乎总是正确的，但在架构合理性、安全性、可维护性、边界条件处理上经常存在问题。能识别这些问题的人，需要具备扎实的计算机科学基础。
简言之：AI 是一个极其强大的工具，但它不是一个可以无脑使用的工具。你对计算机科学的理解越深，你从 AI 中提取价值的效率越高。 反过来，一个完全不懂 CS 原理的人使用 AI，就像一个不懂会计原理的人使用 Excel——他能做一些基本操作，但无法分辨输出结果是否合理。
## 2.3 AI 让计算机科学的应用边界急剧扩大
在 AI 出现之前，计算机科学的应用场景主要集中在软件行业内部。学 CS 的人去互联网公司写代码、做系统、搞基础架构。
AI 正在把 CS 的应用边界推向几乎所有行业。
医疗行业需要理解 AI 模型如何辅助诊断、这些模型的局限性在哪里、如何设计人机协作的诊疗流程。金融行业需要理解 AI 交易系统的风控逻辑、模型的偏差来源、算法决策的可解释性要求。制造业需要理解如何用 AI 优化供应链、预测设备故障、提升质量控制。教育行业需要理解 AI 辅助学习系统的设计原理、个性化推荐的机制、以及人类教师在 AI 时代应该承担什么角色。
所有这些应用场景，都需要既懂行业、又懂 CS 底层原理的人。
这意味着 CS 专业的毕业生不再只有"去互联网公司当程序员"这一条路。他们可以进入任何一个正在被 AI 改造的行业，成为那个行业中最懂技术的人——这种跨界能力在每个行业都是稀缺资源。
AI 没有缩小 CS 的就业市场，反而把它从一个行业扩展到了所有行业。
三、"学 CS"不等于"当程序员"
## 3.1 程序员的角色在变化，但 CS 的价值没有变
很多人把"计算机科学不值得学"和"程序员会被 AI 替代"混为一谈。这是两个完全不同的命题。
"程序员"描述的是一个岗位——一个以写代码为主要产出的职业角色。这个角色确实在被 AI 重塑：初级程序员的很多日常工作已经可以被 AI 辅助甚至替代，纯粹的代码编写工作的市场价格在下降。
但"计算机科学"描述的不是一个岗位，而是一种知识体系和思维训练。学过 CS 的人可以成为程序员，也可以成为系统架构师、产品经理、技术顾问、AI 应用设计师、技术投资人、创业者——甚至成为一个理解技术的作家、律师或医生。
一个学了四年计算机科学的人，他获得的不是"写代码的技能"，而是：
- 对复杂系统的结构性理解能力
- 在约束条件下做技术决策的训练
- 对计算的本质边界的认知
- 对数据、算法、系统三者之间关系的直觉
- 以及最重要的——用形式化的方法把模糊问题变成可处理问题的能力
这些能力在 AI 时代的任何职业路径上都有用，不仅限于写代码。
## 3.2 AI 时代最稀缺的不是会用 AI 的人，而是能评估 AI 输出的人
这是一个很多人还没有意识到的结构性趋势。
AI 的使用门槛在快速降低——越来越多的人能用 AI 生成代码、生成文案、生成分析报告。当所有人都能用 AI 生成"看起来像那么回事"的东西时，能分辨这些输出到底靠不靠谱的人，就成了最稀缺的资源。
AI 生成一段代码，它在功能上可能是正确的，但在安全性上可能有漏洞、在性能上可能有隐患、在架构上可能与系统的其他部分不兼容。谁能发现这些问题？受过系统化 CS 训练的人。
AI 生成一份数据分析报告，它的图表可能很漂亮、结论可能看起来合理，但采样方法可能有偏差、统计检验可能不恰当、因果推断可能站不住脚。谁能发现这些问题？理解概率论和统计基础的人。
AI 建议了一种技术方案，它在当前场景下可能可行，但在系统规模增长十倍之后可能完全不可用。谁能预见这个问题？理解系统设计原理和可扩展性理论的人。
在 AI 时代，"会用 AI"是基础素养，"能评估 AI"才是核心竞争力。 而评估能力的基础，恰恰来自扎实的计算机科学教育。
## 3.3 创造 AI 的下一个突破，需要的是更深的 CS 研究
当前的 AI 浪潮建立在过去几十年计算机科学研究的积累之上——神经网络的理论基础来自上世纪的计算神经科学和数学优化理论，Transformer 架构来自 Google 的自然语言处理研究，大规模训练的工程能力来自分布式系统和高性能计算领域的积累。
AI 的下一个突破在哪里，现在没有人知道。但有一件事是确定的：它不会来自"使用 AI 的人"，而会来自"研究 AI 底层原理的人"。
当前的大语言模型仍然存在大量未解决的根本性问题：推理能力的可靠性、长期记忆与知识更新、能耗效率、安全对齐。解决这些问题需要的不是更好的提示词工程，而是计算理论、数学、认知科学、系统工程领域的根本性突破。
学计算机科学，不只是为了使用当下的 AI，也是为了有能力参与定义 AI 的未来。这一点对于那些真正有研究潜力的年轻人来说尤其重要——AI 的下一个范式革命，需要的是理解计算本质的人，而非只会调用 API 的人。
四、对"不值得学 CS"论调的逐一回应
## 4.1 "AI 能写代码了，程序员要失业了"
AI 能写代码，就像计算器能做算术一样。计算器出现之后，数学系没有被取消，数学家没有失业。因为数学从来不等于算术。
AI 替代的是"把明确规格翻译成代码"这个环节。但定义规格本身——理解业务需求、设计系统架构、做技术选型、评估方案权衡——这些工作不但没有被替代，反而因为实现成本的下降而变得更有需求。
一个更准确的表述是：AI 正在消灭"代码翻译员"这个岗位，但正在创造更多"系统设计师"的需求。而后者需要的知识基础，比前者更深厚。
## 4.2 "学 PROMPT ENGINEERING 就够了，不需要学 CS"
Prompt Engineering 是一种使用技巧，不是一门学科。它的价值取决于你使用 AI 去做什么事情。
一个不懂 CS 的人学了 Prompt Engineering，他可以让 AI 帮他写邮件、做翻译、整理资料。这些场景下 PE 确实够用了。
但一个懂 CS 的人使用 AI，他可以让 AI 帮他设计系统架构、分析算法复杂度、审查代码安全性、优化数据库查询、调试分布式系统的一致性问题——然后凭借自己的 CS 知识评估 AI 给出的每一个建议是否可靠。
两者的差距不是线性的，是数量级的。PE 解决的是"如何跟 AI 沟通"的问题，CS 解决的是"你能让 AI 帮你做什么层级的事情"的问题。 你的知识决定了你的天花板，PE 只是帮你更高效地接近那个天花板。
## 4.3 "NO-CODE 工具已经让不懂技术的人也能做产品了"
No-Code 工具确实降低了产品原型的制作门槛。但原型和产品之间隔着一条巨大的鸿沟。
一个 No-Code 工具搭建的应用，在几十个用户的场景下可能运行良好。但当用户增长到几千、几万时，你会遇到性能瓶颈、数据一致性问题、安全漏洞、可维护性挑战——所有这些问题，No-Code 工具都无法帮你解决。
更重要的是：No-Code 工具本身就是 CS 知识的产物。使用工具的人越多，设计和改进这些工具的人就越稀缺、越有价值。使用工具的门槛在降低，但创造工具和理解工具的能力永远是高价值的。
## 4.4 "CS 课程教的东西太过时了，跟不上 AI 的速度"
这个批评有一小部分合理——某些大学的 CS 课程确实在具体技术栈的更新上滞后。但 CS 教育中真正有价值的部分——算法思维、系统设计原理、计算理论、数学基础——这些东西的保质期是以十年为单位计算的。
快速过时的是具体的编程语言和框架，不是底层的计算原理。TCP/IP 协议的设计思想在四十年后的今天依然是理解网络系统的基础。关系型数据库的范式理论在半个世纪后依然是数据建模的核心框架。算法复杂度分析的方法论在任何新技术出现后都能直接应用。
学 CS 不是学某种会过时的技术，是学一套经受了几十年考验的思维工具。 AI 不是对这套工具的否定，而是这套工具的最新产物。
五、什么人尤其应该学计算机科学
## 5.1 想进入 AI 行业的人
这一点看似显而易见，但需要强调：AI 行业最核心的岗位，全部建立在 CS 基础之上。 模型训练需要理解优化理论和分布式计算，模型部署需要理解系统工程和性能优化，AI 应用开发需要理解软件架构和数据工程，AI 安全需要理解对抗攻击的理论基础。
"不学 CS 也能进 AI 行业"这种说法在狭义上成立——你可以做 AI 产品经理、AI 内容营销、AI 销售。但 AI 行业中真正具有定价权和不可替代性的岗位，没有一个可以绕开 CS 的基础训练。
## 5.2 想创业的人
在技术驱动的时代，创始人不懂技术是一个巨大的结构性劣势。
不懂 CS 的创始人在三个关键环节上容易犯致命错误：一是技术选型——他无法判断 CTO 推荐的方案是合理的还是过度设计的；二是招聘——他无法在面试中区分一个真正优秀的工程师和一个只会面试的人；三是产品决策——他不知道哪些功能是技术上简单但商业上有价值的，哪些功能是技术上极其困难但商业上未必必要的。
学过 CS 不意味着你要亲自写代码，但它让你在做上述决策时有基本的判断力。在 AI 时代，这种判断力的价值进一步放大——因为 AI 工具的选择、AI 能力的评估、AI 风险的把控，都需要技术认知作为底座。
## 5.3 想在任何行业拥有技术杠杆的人
AI 正在把计算能力注入每一个行业。医生可以用 AI 辅助诊断，律师可以用 AI 辅助法律研究，记者可以用 AI 辅助数据调查，教师可以用 AI 辅助个性化教学。
但"用 AI"和"用好 AI"之间的差距，取决于你对 AI 的理解深度。一个学过 CS 的医生，他能理解 AI 诊断模型的置信度意味着什么、在哪些情况下应该信任模型输出、如何设计合理的人机协作流程。一个没学过 CS 的医生，他只能被动地接受或拒绝 AI 的建议，无法做出精细的判断。
CS 正在从一个"行业专属知识"变成一种"通用增强能力"。 无论你最终进入什么行业，CS 的基础训练都会让你在那个行业中拥有别人没有的技术杠杆。
结语：学科的价值不取决于它的工具是否被替代
回到最初的问题：AI 时代，计算机科学还值得学吗？
答案是：不仅值得，而且比以往任何时候都更值得。
AI 替代的是计算机科学的表层产出——代码、脚本、配置文件。AI 替代不了的是这门学科的内核——抽象能力、系统思维、形式化推理、在约束条件下做设计决策的能力。
当一个工具变得廉价时，真正升值的是那些知道如何使用这个工具、评估这个工具、改进这个工具的人。铁锤便宜了，建筑师反而更贵了；相机普及了，真正有审美的摄影师反而更稀缺了。AI 正在让计算能力变得空前廉价，而理解计算本质的人正在变得空前稀缺。
物理学没有因为自动化仪器的出现而贬值。数学没有因为计算器的发明而贬值。医学没有因为影像 AI 的出现而贬值。一门学科的价值不取决于它的日常工作是否被工具替代，而取决于它的核心思维框架在新环境中是否仍然不可或缺。
计算机科学的核心思维框架，在 AI 时代不仅不可或缺，而且正在成为这个时代最强大的认知基础设施。
如果你正在考虑是否要学计算机科学，我的建议是：去学。不是因为它能让你找到一份写代码的工作——这种工作的价值确实在重新定义。而是因为它会给你一套理解和驾驭这个技术时代的底层思维工具。
这套工具的保质期，比任何一个具体的 AI 模型都长得多。
## 相关链接
- [Mr Panda](https://x.com/PandaTalk8)
- [@PandaTalk8](https://x.com/PandaTalk8)
- [3.9K](https://x.com/PandaTalk8/status/2046455320508293489/analytics)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [1:05 PM · Apr 21, 2026](https://x.com/PandaTalk8/status/2046455320508293489)
- [3,948 Views](https://x.com/PandaTalk8/status/2046455320508293489/analytics)
---
*导出时间: 2026/4/21 14:06:06*