当 AI 成为预制菜，我们还有必要学习“古典计算机科学”吗？

“人类正在失去复杂系统理解能力”

高中时，我因为参加信息学竞赛（Olympics in Informatics）获奖，被保送进入浙江大学竺可桢学院，主修计算机科学与技术。

那个年代，一个优秀程序员的成长路径其实非常“古典”。

我们会花大量时间：

• 学算法
• 刷题
• 学数据结构
• 学操作系统
• 学数据库
• 学编译原理

很多东西不仅要会“用”，还要理解为什么。

后来十多年，我一直在人工智能产业的一线。

从传统机器学习，到深度学习，再到今天的大模型、Agent、AI Infra，我几乎完整经历了这一轮AI技术演化。

但很奇怪。

越接近今天这个AI爆发的时代，我反而越频繁地开始思考一个问题：

未来的年轻人，
还有必要像我们这一代人一样，
去学习那些“古典计算机科学”吗？

不是因为 AI 变强了。

而是因为我发现，越来越多的年轻人，开始问一个我回答不了的问题：

"我花四年学数据库原理、学编译器、学算法，出来之后 AI 全都会了。那我这四年到底在学什么？"

我想了很久之后发现，我没办法简单地说"你错了"。

因为他们说的有一部分是事实。

只是这个事实指向的，不是"AI 会不会替代程序员"这种老话题。

而是一个我觉得更值得认真想的东西：

我们可能正在逐渐失去“理解自己所创造的系统的能力”。

一碗重庆小面的故事

我先讲一个跟技术无关的事。

十年前，街边一家小面馆，老板凌晨四点起来熬汤、和面、备浇头。

一碗面端上来，是有灵魂的。

今天你打开外卖平台，八成以上的店铺在用料理包。

撕开，加热，出餐。三分钟搞定。

味道说不上难吃，甚至比很多新手厨师做得更稳定。

但你再想找一碗真正手工现做的好面——

越来越难了。

有意思的是，大部分消费者并不觉得有什么问题。

不是手艺失传了。是当料理包能满足 90% 消费者的需求时，愿意花十年学手艺的年轻人就越来越少了。然后，能品出好坏的舌头也跟着退化了。

这不是一个效率的问题。

这是一个关于"分辨力"的问题。

正在发生的事

回到软件行业。

过去，一个优秀工程师的成长路径很长。

学算法，学数据库，学网络，学操作系统，学分布式，学性能优化。然后在无数次线上事故和系统崩溃里，慢慢积累出经验。

SQL 优化、JVM 调优、缓存设计、高并发架构、网络排障……

这些东西过去都需要多年经验。本质上，它们是手艺。

现在：

Cursor 能直接改代码。Claude 能分析架构。Copilot 能自动补全。Agent 能自己调用工具链。AI 能生成 SQL，能定位报错，能给出性能优化建议。

这些工具确实好用。

我自己每天也在用。

但我越来越清楚地感觉到一件事——

AI 不是在帮工程师变强。AI 是在让"中等水平的工程能力"变得不再稀缺。

就像料理包不是在帮厨师做菜，而是在让"会做菜"这件事变得不重要。

于是一个很自然的结果出现了：

很多年轻人开始觉得，花十年去学底层技术，性价比太低了。

"反正学不过 AI，那我为什么还要卷？"

我理解他们。

说实话，如果我是今天的大一新生，我不确定自己会不会也这么想。

AI 也无法触达的 10%

但 AI 有一个很明确的能力边界。

AI 擅长的是统计规律——见过海量数据，能在"典型问题"上给出"标准答案"。

但复杂系统里真正致命的问题，往往不是典型问题。

一个跑了五年的分布式集群突然出现不可复现的数据倾斜，查询延迟从 50ms 飙到 5 秒，但只在特定时间窗口出现。AI 会给你一套教科书式的排查流程，但定位不了根因。

最后解决问题的，往往是一个在脑子里同时装着硬件拓扑、操作系统调度策略、JVM GC 行为和业务数据分布规律的人。

这种人能把跨层级的线索串起来，形成一个 AI 目前无法构建的全局判断。

类似的场景还有很多——分布式雪崩、多层缓存穿透的连锁故障、GPU 驱动和推理框架的兼容性问题、Agent 在复杂工作流中的死循环。

这些问题的共同特点：数据极其稀少，场景高度复杂，环境强耦合，互联网上往往没有现成答案。

能解决这些问题的人，我愿意叫他们 "古法工程师"。

就像真正会手工熬高汤的大厨，会修机械表的老师傅。

早已不是主流生产力。

但在复杂系统和核心场景里，仍然不可替代。

消失的“新手村”

但我真正不安的，不是 AI 现在做不到什么。

而是一个更安静、更缓慢、也更不可逆的事情

培养这些人的路径，正在消失。

今天那些能解决疑难杂症的数据库专家、内核工程师、分布式系统架构师

他们是怎么长出来的？

没有人天生就会的。

过去 20 年，互联网的快速发展，给了他们技术和职业道路上“打怪升级”的机会。 他们从写最基础的 SQL 开始，踩过无数坑，在线上事故中被反复捶打，用十年、十五年的时间，一层一层搭建起了自己的技术直觉。

这条路径的起点，恰恰就是那些"AI 已经能做的 90% 的工作"。

如果未来初级工程师的日常工作全部被 AI 接管了，年轻人将没有机会走这条从新手到专家的路？

这就好比你把面馆学徒揉面、切菜、看火候的活全用机器替了。

效率确实高了。

但十年之后你发现：没有新的师傅了。

而且更微妙的是，你甚至不会意识到这是个问题。

因为大部分时候，AI 的"预制菜"足够好。系统正常运转，业务照常跑，一切都没什么问题。

直到某一天，系统出了一个 AI 处理不了的故障。而这一次，没有人接得住了。

被很多行业验证的规律

我慢慢意识到，这不是软件行业独有的故事。

当工具足够好的时候，人类会逐渐失去工具所替代的那部分能力。而且这个过程几乎不可逆。

摄影——大量人精通滤镜和修图软件，但真正理解光学原理、能用光线讲故事的人越来越少。

音乐——大量人会拼 Loop、用 AI 编曲，但真正懂和声、懂对位法的人在减少。

航海——今天的远洋货轮全部依赖 GPS 和电子海图，但国际海事组织至今要求船员必须掌握天文导航。因为 2017 年美国海军两起撞船事故的调查发现，年轻军官对电子系统的过度依赖，导致了基本态势感知能力的严重退化。

航空——绝大多数飞行员日常靠自动驾驶飞行。但遇到空中险情时，自动化系统给出错误指令，最后能不能活下来，取决于飞行员有没有能力接管——有没有能力理解此刻正在发生什么。

这些行业的共同特征：

工具让"平均水平"大幅提高了。

但也让"真正理解这件事的人"悄悄变少了。

而且在"变少"的过程中，几乎没有人会发出警报。

因为一切看起来都运转得很好。

两种未来

我不想贩卖焦虑。

作为一个亲历者，我只是在记录我观察到的东西。

如果要做一个判断的话，我认为未来的软件研发工程师会分化成两种人

第一种：AI 操作员。

精通各种 AI 工具链，能高效地调模型、拼 Agent、做自动化、快速交付。

效率极高，产出稳定。这会成为主流。

但门槛在快速降低，竞争会非常惨烈。

当人人都能用 AI 写出 80 分的代码时——"会用 AI"本身就不再是竞争力。

第二种：复杂系统工程师。

深入研究数据库原理、操作系统、分布式系统、编译器、AI Infra、GPU 调度、推理优化、大规模系统稳定性。

这类人会越来越少。

但会越来越贵。

因为 AI 越强，我们构建的系统就越复杂。系统越复杂，就越需要真正理解底层的人来兜底。

两种角色没有高低之分。

但如果你选择第二条路

你学的不是"怎么写 SQL"。

而是"B+ 树为什么要设计成那个样子""MVCC 在不同隔离级别下的并发行为""WAL 日志在崩溃恢复中的精确语义"。

这些知识不会帮你通过明天的面试。

但它们构成的是一种理解复杂系统的思维方式。

这种能力可以迁移。

而"会写 SQL"不行。

写在最后

我们这代技术人有“新手村”打怪升级的机会，给了我们充足的缓冲去选择“法师”、“战士”和“射手”的职业发展与技术规划。

今天我看着新一代年轻人站在一个完全不同的路口，我说不出"你一定要走我走过的路"这种话。

但我观察到的趋势让我不安：

我们正在建造越来越复杂的系统，同时培养越来越少的能理解这些系统的人。

这两条线迟早会交叉。

交叉的那一天会发生什么，我不知道。

但我希望到那时候——还有人能理解，正在发生什么。

彭靖田｜上海载极数据科技创始人 & CEO，Google AI 开发者专家