當 AI 會寫程式，資工教育必須重新回答自己存在的理由

過去十多年，面對職涯焦慮最常見的建議只有四個字：學寫程式。程式設計被視為最接近「保證有工作」的技能。而當 AI 能在數秒內產出可運作的程式碼，這條建議的地基正在鬆動。

首先要釐清的是，變的不是需求，是需求的形狀。軟體本身的需求並未減少——反而因為開發成本下降而增加。改變的是人在其中做什麼：撰寫語法的比重下降，而定義問題、設計架構、判斷產出、整合系統與承擔責任的比重上升。

這對資工教育的意涵相當直接。傳統課程的結構是由下而上的：先學語法，再學資料結構與演算法，接著系統與應用。這個順序假設語法是必要的入門磚。而當入門磚可以由 AI 代勞，課程的價值重心必須往上移——但這不代表底層可以跳過。

事實上，反向的論點同樣有力：正因為 AI 會產出看起來可運作、實際上有隱藏缺陷的程式碼，能判斷它對不對的人才更稀缺。而這種判斷力恰恰建立在對演算法複雜度、記憶體行為、並行處理與安全邊界的紮實理解上。一個不懂 SQL 注入原理的人，看不出 AI 生成的查詢有什麼問題。

真正該調整的可能是教學的順序與目的說明。與其把基礎課程當成「先熬過去才能做有趣的事」，不如一開始就讓學生使用 AI 產出程式碼、然後被要求找出其中的問題——讓基礎知識以「查驗工具」的身分出現，而非以「入門門檻」的身分出現。

另一個現實壓力來自入門職缺。AI 承接的正是新手原本用來練功的初階任務，而這條成長階梯的斷裂已在產業端被觀察到。若企業端的訓練功能萎縮，補位壓力會回到大學——這意味著課程必須提供接近真實規模的專案經驗，而非只有作業級的小程式。

對台灣的資訊教育而言，這場重新定義同樣迫在眉睫。台灣的資工科系長期以扎實的基礎訓練見長，這在新環境中反而可能是優勢——前提是把這份基礎明確地連結到「判斷 AI 產出」這項新用途上，而不是繼續以舊的理由教它。