当人工智能以惊人的速度渗透到各行各业，一个根本性的疑问也随之浮现：在AI能够自动生成代码、甚至完成复杂设计的今天，传统的科学、技术、工程、数学（STEM）学位是否还有存在的必要？谷歌DeepMind联合创始人兼CEO德米斯·哈萨比斯给出了明确的答案：STEM不仅不会失去价值，反而会因为智能工具的普及变得更加重要。在他看来，真正理解技术底层逻辑的人，使用智能工具的效率可以达到普通人的10倍。这一观点与多位AI领域顶尖专家的判断不谋而合，共同勾勒出未来学习和职业发展的新图景。
编程语言进化史：从机器码到自然语言的跨越
哈萨比斯在谈及AI对编程的影响时，首先回顾了计算机语言的发展历程。从最初的机器码，到汇编语言，再到C语言、Python，每一次编程语言的跃迁都大幅降低了技术门槛，同时释放了更强大的生产力。如今，我们正站在新的拐点上——未来可能直接使用英语编写程序。
这种进化并非简单的“替代”，而是“抽象层级”的提升。早期程序员需要直接操作寄存器、内存地址，而现代开发者则可以通过调用API、使用框架来完成复杂任务。AI技术的介入，让这一抽象过程更进一步：你只需用自然语言描述需求，AI就能生成对应的代码片段。
但哈萨比斯强调，这绝不意味着人们可以放弃学习计算机科学。恰恰相反，只有掌握了系统架构设计、软件工程最佳实践和数据结构的底层逻辑，才能有效驾驭AI生成的代码。就像一位高级工程师能够快速判断自动生成的代码质量，而初学者却可能被漏洞百出的“垃圾代码”带偏方向。
事实上，这种“编程语言抽象化”的趋势与最新科技的演进方向完全一致。从命令行到图形界面，再到语音交互和自然语言编程，每一次抽象都让技术更贴近人类思维，但同时也要求使用者具备更强的逻辑思维和问题拆解能力。AI工具导航中大量涌现的自动代码生成工具，正是这一趋势的缩影。
技术深度决定AI工具使用效率：10倍差距从何而来？
哈萨比斯在访谈中抛出了一个令人警醒的数据：真正深入理解技术的人，使用AI工具的效率可能达到缺乏技术基础者的10倍。这个数字背后，反映了AI时代一个容易被忽视的真相——工具的效率取决于使用者的认知深度。
以AI图片生成为例，普通人输入“一只猫”就能得到一张还不错的图，但设计师会通过精准的提示词、参数调整、迭代优化，输出风格统一、细节丰富的专业作品。文生图工具的背后是复杂的扩散模型和注意力机制，理解这些原理的人能更好地控制生成结果。同样，在编程领域，如果你不懂数据结构，AI生成的代码可能虽然能运行，但效率低下、难以维护；而具备扎实基础的程序员，则能快速识别AI输出中的潜在问题，并进行优化。
这一现象在AI Agent技术的实践中尤为明显。越来越多的企业开始用AI Agent自动获取信息、执行任务，但Agent的可靠性高度依赖任务分解和流程设计能力。缺乏技术背景的用户往往只能进行简单的单轮对话，而技术专家则可以构建复杂的多Agent协作系统，实现真正的自动化。
因此，哈萨比斯的观点直指核心：AI不是让人变懒的借口，而是放大技术能力的杠杆。只有先获得扎实的基础知识，才能让这个杠杆发挥最大效用。这也解释了为什么Google、微软等科技巨头在大力推广AI工具的同时，仍然要求员工接受严格的计算机科学训练。
人文社科与AI的交叉：伦理学成为新刚需
值得注意的是，哈萨比斯并非只强调技术本身。他特别指出，在AI时代，哲学、经济学、伦理学等人文学科同样迎来了前所未有的施展空间。“面对即将进入的新世界，我们确实离不开上述学科。”这句话道出了一个深刻的洞察：AI不仅改变了“怎么做”，更迫使人类重新思考“该不该做”。
当AI系统能够自主决策时，伦理问题变得尖锐起来。自动驾驶汽车在遇到不可避免的事故时，应该优先保护乘客还是行人？AI招聘工具如何避免偏见？生成式AI产生的虚假信息如何追责？这些问题的答案不能仅靠算法解决，需要伦理学、社会学、法学等多学科的共同参与。
哈萨比斯本人作为DeepMind的创始人，一直非常重视AI安全与伦理研究。DeepMind内部设有专门的伦理委员会，并在2017年发表了著名的《AI原则》。他认为，未来的AI产品经理、政策制定者，甚至开发者，都需要具备一定的伦理素养，才能在设计和使用过程中规避风险。
与此同时，AI诗词生成器、藏头诗创作工具等应用，也展示了AI在人文领域的潜力。但真正有文化底蕴的创作者，能用AI工具生成更有内涵的作品，而不是机械地堆砌辞藻。这正是人文学科价值的体现——它赋予AI产品以灵魂。
专家共识：代码质量、品味与计算机科学基础
除了哈萨比斯，多位AI领域权威人士也表达了类似观点。被誉为“AI教父”的杰弗里·辛顿在去年接受采访时强调，计算机科学学位的意义远不止培养编程能力。“只达到合格中级程序员水平的人，显然很难长期依靠编程谋生，因为AI已经能够完成相应的工作了。但计算机科学学位带来的价值远远超过写代码，因此我认为，计算机科学学位在未来相当长一段时间内仍然有用。”
辛顿的论述揭示了“中级程序员陷阱”：AI最容易替代的是那些重复性高、创造性和复杂度低的工作。而计算机科学学位所培养的系统思维、算法设计、问题抽象能力，正是AI难以替代的核心竞争力。这就像数学家在AI辅助下能更快地证明定理，但不懂数学的人连AI的推导过程都看不懂。
Affirm首席执行官马克斯·列夫琴则从另一个角度切入，谈到了编程中的“品位与优雅”。他认为，扎实的计算机科学基础能够帮助开发者分辨优质代码和“垃圾代码”。“没有坚实的计算机科学基础，我甚至无法参与有关代码质量的讨论。”在AI生成代码越来越普遍的背景下，这种辨别能力变得尤为珍贵。艺术签名设计需要审美，而代码设计同样需要品味——这种品味源于对计算机科学原理的深刻理解。
这些专家的观点形成了一致的声音：AI不会让STEM专业贬值，反而会重塑其价值内涵。未来的程序员不再是“翻译工”，而是“架构师”——他们需要理解业务需求，设计系统架构，并利用AI工具高效落地。
如何用智能工具重构学习与职业路径？
面对AI技术的冲击，学生和职场人士应该如何调整？哈萨比斯的建议是：首先扎扎实实地打好STEM基础，然后积极拥抱智能工具，将两者结合。具体来说，可以从以下几个方面入手：
第一，重视基础理论的学习。无论是数据结构、算法、操作系统还是计算机网络，这些看似与AI“无关”的知识，恰恰是理解和优化AI系统的基石。当你能够用大模型训练的原理分析模型为何会“幻觉”时，你就能更有针对性地设计提示词。
第二，培养跨学科视野。如前所述，AI时代的很多问题需要伦理、法律、经济等多学科协同解决。学习一些哲学或社会学课程，能让你在技术决策中保持清醒。甚至，你可以尝试用古诗词生成工具来练习文学创作，理解AI在创意领域的边界。
第三，主动使用智能工具提升效率。不要害怕AI抢走你的工作，而是把它当成一个超级助手。例如，用抠图工具快速处理图片素材，用背景去除功能简化设计工作流，或者用AI网名生成器激发创意灵感。关键在于，在使用这些工具的过程中，思考其背后的原理，并尝试优化输出。
第四，关注最新科技动态，保持学习的连续性。AI技术迭代极快，今天的热门框架明天可能就被取代。但底层逻辑——如机器学习中的损失函数、优化算法——变化相对缓慢。掌握这些“不变”的东西，就能以不变应万变。
总的来说，哈萨比斯、辛顿和列夫琴的共识，为AI时代的教育和职业发展提供了清晰的坐标：STEM依然是核心，但需要与人文社科交叉；智能工具是放大器，但使用效果取决于用户的技术深度。与其担忧被替代，不如主动拥抱变化，让自己成为那个能驾驭AI的人。
未来已来，而您手中的智能工具，正是通往未来的钥匙。