AI突飞猛进的时代,到底什么样的学习是有意义的?

最近看到这样一个帖子，讨论 AI 越来越强之后，我们到底还该学什么。楼主提到，一位学计算机的学弟开始怀疑基础课的意义。花不少时间学会的东西，真到做项目时，似乎还不如 AI 直接生成。

楼主自己有多年编程经验，也没能给出一个让人踏实的答案。翻完评论，我觉得这个问题值得认真聊聊，在这里谈谈我的想法。

引发这次讨论的原帖。

评论里有人劝学基础，有人觉得应该赶紧转向产品，也有人说，学得足够慢，以后就不用学了。

这句玩笑背后的担忧，我能理解。认真学一项技能，需要付出实实在在的时间。等到终于会用了，工具又往前走了一大步。我们当然会想，这些时间花得值不值。

所以我不太想用一句“学习总归有用”结束讨论。它回答不了眼下最实际的问题，时间有限，究竟该花在哪里。

一条评论让我很在意。评论者学数学，没系统学过计算机，想借助 AI 做点东西，结果配置环境就让他晕头转向。他形容自己的处境是“我不知道我不知道什么”。

这句话比“基础很重要”具体得多。

看懂事物的组成部分

有经验的人说一句让 AI 来做，脑子里可能已经有了大致的流程，知道遇到报错该往哪里查。这些判断用得太熟，便容易被当成人人都有的常识。初学者面对的却可能是满屏陌生词，连问题该怎么描述都拿不准。

我觉得基础学习至少有一份很实际的价值，让我们知道一件事大概由哪些部分组成。以后碰到新问题，能找到接着学的地方。

帖子里还有人拿登录系统举例。同样是让 AI 做登录，有人只想到账号密码，有人会继续考虑反复尝试密码怎么办，要不要限制访问频率。后者知道该检查哪些地方，验收时自然会多看几眼。

AI 也许会主动补上这些设计。但我仍希望自己看得懂它补了什么，知道哪些遗漏需要追问。

理解基础有用，接下来就得讨论学到什么程度。

有条评论提醒，即使没有 AI，实际工作里也未必需要自己手写红黑树。我赞同这个提醒。知道一种数据结构适合什么问题，与练到能熟练默写它，花费的时间不同，用途也有区别。

如果目标是深入研究算法，细节值得反复推敲。如果眼下想做一个能用的小项目，我会更愿意先把必要的原理弄明白，尽早开始实践。卡在哪里，再带着具体问题回去补。

基础该学多久，项目什么时候开始，终究得自己做取舍。把大量时间用来练算法，与用这段时间做项目、经历失败、继续修改，会积累出很不一样的经验。基础训练需要投入，真实项目同样需要时间，不能指望一句“都重要”就把日程安排好了。

对我来说，一项练习值得继续做，最好能说清它正在训练什么。如果目的已经达到，换一种更贴近当前问题的学法，也很合理。

一位电子信息专业的学生在评论里说，自己用 AI 做过竞赛项目，也拿到了一些成绩。但代码细节常常不理解，做完后“脑袋空空”，过程有时像抽奖。

他的另一句追问更让我在意。大家都说以后要做架构，可代码还没写熟，又该怎么获得架构能力？

这个问题让我对“以后只要设计架构”这样的建议多了一点保留。判断一个方案好不好，总得有些依据。亲手改过东西，发现原来的理解不对，再去查原因，这些过程很难靠记住几个架构名词补齐。

通过动手改动理解细节

我愿意让 AI 帮忙写代码，也希望留一点时间检查自己的理解。尤其是反复出错的地方，值得停下来，看懂其中一小段，试着改动它，再观察结果。没必要每次都从头手写，但也别让每一次完成都只剩下一个能运行的文件。

帖子里另一个学生说，自己做出的产品总觉得“差点意思”，却找不到差在哪里。我觉得，能逐渐把这份模糊的不满意说清楚，就是进步。下次提需求时，便有机会把要求写得更具体。

评论里也有让我无法轻松回答的担忧。有人说，执行岗位少了，可以去做设计；马上有人反问，设计岗位能容纳那么多人吗？

这个反问成立。一个人通过学习做得更好，并不能保证整个行业有足够的位置。我也没把握承诺，只要学好某几样东西，以后就一定安全。

为兴趣继续学习

我更愿意先找一件自己确实想完成的事，用 AI 推进，遇到看不懂、改不动的地方，就把它当成下一次学习的起点。必要时回到教材，把零散的问题连起来。工具变了，可以调整做法，已经形成的理解也能继续接受检验。

而且，有些东西我就是想弄明白。它暂时不能换来一份工作，也未必能比 AI 做得更快，我仍然可以花时间学。兴趣本来就值得占用一点日程。