想象一下，你正在接受训练，立志成为一名建筑大师。在过去，你的四年学位课程可能完全专注于教你如何完美地混合混凝土、亲手铺设每一块砖，以及精准地挥动锤子。你会成为精通工具和材料的专家。但你可能永远学不到如何设计一座能承载火车的桥梁，计算结构在风暴中是否会坍塌，或者管理整个施工团队。
这正是作者们所指出的当今计算机科学教育中正在发生的事情。
以下是他们论点的简明分解：
1. “砌砖”问题
几十年来，计算机科学学校一直将学生视为学徒砌砖工。他们花费数年时间记忆编程语言（如 Python 或 Java）的语法，并反复操练那些要求从头构建数据结构的谜题。
作者们认为，这就像教导土木工程师如何砌砖，却从不教他们如何设计桥梁。在现实世界中，工程师不会焊接每一个接头或手工焊接每一块电路板；他们利用熟练工人（或机器人）来完成体力劳动。相反，他们专注于架构、安全性、可靠性以及所有部件如何协同工作。
2. 施工现场的新“机器人”
如今，人工智能（AI）已经到来，它是终极的机器人砌砖工。AI 工具编写、修复和改进代码的速度和质量，在常规任务上都能超越任何人类。
- 旧方式： 学生试图通过更快地编写代码来与 AI 竞争。作者们表示，这是一场必败的战役。
- 新方式： 学生需要成为乐队的指挥或施工现场的工头。他们的工作不是演奏每一件乐器或铺设每一块砖；而是指挥 AI，验证 AI 的工作是否安全，并确保最终系统在现实世界中真正发挥作用。
3. 需要做出哪些改变？
该论文建议我们需要将课程体系彻底翻转：
- 从“如何构建”转向“如何设计”： 学生仍然需要理解基础知识（例如哈希表或图是如何工作的），但不应该被期望每次都从头重建它们。他们应该将这些基础知识视为可靠的构建模块，可以将它们拼接在一起以创建复杂系统。
- “系统”思维： 学生不仅要编写在试管中运行的程序，还必须学会设计具有以下特性的系统：
- 具有弹性： 当问题出现时不会崩溃。
- 安全： 不易被黑客攻击。
- 具有成本效益： 不会因云账单使公司破产。
- 符合伦理： 不会做出带有偏见或危险的决策。
- 管理“黑盒”： 由于 AI 基于概率（类似于掷骰子）而非严格规则做出决策，学生需要学习如何测试和验证这些不可预测的系统。这就像驾驶一辆汽车，其方向盘有时会根据天气不同而表现出不同的行为；你需要知道如何应对这种不确定性。
4. 目标：“拥有”系统
作者们希望毕业生成为拥有最终产品的人。
- 当前的毕业生： 能够编写一段很酷的代码，但可能不知道如何将其扩展到数百万用户，或者如何保持其安全性。
- 未来的毕业生： 将能够整合 AI 代理、数据库和用户界面，并将其连接起来，然后说：“我设计了它，我知道它的行为方式，并且我能保证它在压力下能够正常工作。”
核心结论
这篇论文并不是说计算机科学正在“变笨”。它是在说，这门学科正在成熟。
正如一位主厨不需要自己种植蔬菜也能成为伟大的厨师一样，一位杰出的软件工程师也不需要亲手编写每一行代码。他们需要理解食材（理论），知道如何组合它们（系统工程），并确保最终的菜肴（软件）安全、美味，并能端给饥饿的人群。
做出这一改变的时机就是现在。 如果学校继续教导学生仅仅“砌砖”，这些学生将被机器人取代。如果学校教导他们“设计建筑”，他们将成为雇佣机器人的人。
基于 Sekharan 和 Thiruvathukal 的论文《现在是时候了：计算机科学必须演进，以强调人工智能（AI）背景下的软件与系统工程》，以下是详细的技术总结。
1. 问题陈述
作者指出，传统的计算机科学（CS）课程与当前软件行业的现实之间存在严重脱节，而生成式人工智能（Generative AI）的迅速崛起加剧了这一矛盾。
- 课程过时：传统 CS 教育过度侧重于将编程语法、数据结构和算法本身作为“终极目标”。学生被训练为从零开始实现这些概念（例如“LeetCode"风格），而非将其理解为更大系统内可复用的构建模块。
- AI 的颠覆：生成式 AI 工具（如 Copilot、Cursor、大语言模型）已将常规编码任务商品化。AI 现在生成、调试和重构代码的速度快于人类。因此，行业正从“实现”角色转向“系统设计与编排”角色。
- 差距：毕业生往往未做好设计、验证和拥有在现实约束（成本、延迟、安全性、可靠性）下运行的复杂 AI 赋能系统的准备。他们缺乏管理 AI 智能体、处理随机行为以及将 AI 集成到生产环境所需的“系统思维”。
- 就业影响：随着常规编程的自动化，初级软件开发人员的就业相对减少，而对高级系统架构师和工程师的需求依然高企。
2. 方法论与论证
该论文并未呈现实证实验数据，而是基于以下概念性与论证性方法论：
- 比较分析：将 CS 教育与土木工程、机械工程、电气工程等传统工程学科进行类比。作者认为，正如土木工程师不会亲手铺设每一块砖，而是掌握设计桥梁的原理一样，CS 毕业生应掌握设计系统的原理，而非手动编写每一个函数。
- 历史背景化：回顾计算历史（大型机、个人电脑、Web、云计算），以证明计算始终作为一种分布式、系统导向的学科不断自我重塑。当前的 AI 浪潮被视为这一模式的强化。
- 行业证据：引用 Gartner、麦肯锡和斯坦福数字经济实验室的报告，以佐证关于行业角色转变、AI 集成带来的生产力提升以及初级编码岗位减少的论断。
- 理论框架：利用 Peter Denning 的“伟大原则”（Great Principles）框架，将计算重新定位为信息过程（通信、协调、设计）的科学，而非狭隘的编码工艺。
3. 主要贡献与拟议框架
作者提出了一项全面的课程改革，旨在将 CS 教育重新聚焦于系统工程，同时保留该学科的知识核心。
A. 重构核心概念
- 从实现到抽象：数据结构和算法应作为“概念性硬件”或可复用原语进行教学。学生必须理解其性能权衡（延迟、内存、故障行为），但不必为每个项目都从第一性原理重新实现它们。
- 系统思维为核心：课程必须优先考虑问题界定、抽象以及弹性、模块化系统的设计，而非次要的语法细节。
B. 新的核心能力
论文概述了必须成为 CS 学位核心的具体技术领域：
- 智能体编排：教导学生管理 AI 智能体、服务与人类之间复杂的“对话”，以维持目标一致性和分布式一致性。
- 可靠性与验证工程：从边缘选修课转变为核心关注点。这包括：
- 混沌测试与可观测性。
- 对大语言模型输出的严格验证（幻觉检测、自一致性检查、锚定权威来源）。
- 针对状态转换规则未显式编码的随机系统的行为回归测试。
- 基础设施与成本工程：将云账单、延迟和正常运行时间视为首要约束，类似于土木工程中的材料成本。
- 领域驱动集成：专注于将服务、数据管道和 AI 组件整合为连贯整体的“艰苦工作”。
- 伦理与安全：将伦理、法律和安全边界贯穿整个课程，强调对 AI 系统的专业所有权。
C. 重新定义毕业项目体验
作者提议从传统的学期项目转向面向生产的毕业项目：
- 现实约束：学生必须在明确的成本预算（例如云额度）内运作，并与真实利益相关者合作。
- 交付成果：除了代码，学生还必须产出架构文档、CI/CD 流水线、可观测性设置、成本仪表板以及事后反思报告。
- 处理不稳定性：学生必须学会为底层的不稳定性设计，将大语言模型视为可互换组件，并在 API 层之上设定明确的行为预期。
4. 结果与影响
虽然该论文是一项提案，而非关于已完成试点项目的报告，但它概述了采用此框架后的预期成果：
- 毕业生准备度：毕业生将立即对雇主产生价值，能够指挥 AI 智能体群、验证任务关键型输出，并交付能够经受住现实负载和安全威胁的系统。
- 学科保全：该提案认为，这种演进提升而非削弱了计算机科学。它保留了知识核心（抽象、严谨推理、数学基础），但将其转移至复杂系统的设计与管理上。
- 行业对齐：通过将教育与“伟大原则”及现代工程实践对齐，CS 项目可以避免在 AI 自动化面前导致学位过时。
5. 意义
该论文的意义在于其为计算机科学教育领域提供的及时性与战略方向：
- 范式转变：它挑战了数十年来“编码优先”的教学法，论证了将手动编码作为主要技能的时代已经结束。
- 学科的生存：它提出 CS 教育必须演进以避免变得无关紧要。如果 CS 项目继续训练学生与 AI 竞争常规任务，则可能培养出无法就业的毕业生。
- 工程思维：它成功论证了应采用工程思维（设计、压力测试、部署、破坏、学习）来处理软件，将软件视为必须在不确定性下构建的机器。
- 面向未来：通过关注系统动态、随机过程和编排，拟议的课程为学生准备了一个未来，在这个未来中，软件的“规则”日益具有概率性并由 AI 管理，而非确定性和手动编写。
总之，该论文是对学术机构立即重组课程以培养能够编排 AI 的系统工程师，而不仅仅是编写代码的程序员的呼吁。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。