Reshaping Undergraduate Computer Science Education in the Generative AI Era

基于国际研讨会的发现，本白皮书认为，本科计算机科学教育必须从侧重于常规实现任务转向强调系统设计、抽象以及对人工智能生成人工制品的批判性评估，从而有效地为学生做好迎接生成式人工智能时代的准备。

要点

以下是对白皮书《生成式人工智能时代下本科计算机科学教育的重塑》的解释，采用了通俗易懂的语言和富有创意的类比。

大局观： “初级工程师”已经发生了变化

想象一下，过去 50 年的计算机科学教育就像是在培训木匠。你从学习如何握锤子、如何锯木头以及如何打磨桌面开始。你花费多年时间练习这些手工技能，因为那是建造物品的方式。

现在，想象出现了一个机器人，它可以在几秒钟内完美地锤击、切割和打磨。它建造基础桌子的速度比任何人都快。

问题在于： 大学仍在教学生如何握锤子。但就业市场并不需要更多只会握锤子的人；它需要的是能够设计房屋、检查机器人造出的桌子是否合格，并判断这张桌子是否稳固安全的人。

本文认为，由于人工智能（机器人）现在可以承担“初级”任务（编写基础代码、修复简单漏洞、编写文档），我们必须彻底改变教授未来计算机科学家的教学方式。

---

核心转变：从“如何建造”到“建造什么”

1. 旧模式：学徒模型

在过去，学生通过从事枯燥、重复的工作来学习。他们修复微小的漏洞并编写简单的代码。这是他们的“学徒期”。通过进行编写代码的艰苦工作，他们了解了机器是如何思考的。

颠覆： AI 工具（如 Claude、Codex 或 Gemini）接管了学徒工作。它们可以瞬间写出基础代码。如果学生只是让 AI 完成工作，他们就永远无法学会如何思考。他们会变得像是一个在网上订购了桌子，却不知道如何组装或判断其是否稳固的人。

2. 新模式：建筑师与检查员模型

本文建议我们将重点从编写代码转向设计系统和检查工作。

• 建筑师（系统设计）： 学生不应再纠结于语法（代码中具体的字母和符号），而应关注宏观蓝图。系统需要做什么？各个部分如何组合在一起？
• 检查员（验证）： 由于 AI 负责编写代码，人类必须成为专业的检查员。你能分辨出 AI 是否犯了错吗？代码是否安全？它是否真的解决了问题？本文将其称为“验证光谱”——涵盖了从简单的检查到严密的数学证明。

---

工作坊：倾听教师与学生的声音

作者通过两个工作坊来研究如何解决这个问题：

1. 教师工作坊： 教师和行业专家讨论了哪些技能正在缺失。
2. 学生工作坊： 在校生和应届毕业生分享了他们的恐惧与希望。

共识（达成一致的地方）：

• 停止死记硬背语法： 不要花多年时间去背诵代码库。AI 会为你记住这些。
• 关注“元技能”： 教导学生如何学习、如何提出正确的问题以及如何批判性思考。
• AI 是伙伴而非替代品： 学生应将 AI 作为“副驾驶”（一个得力的助手），而不是“拐杖”（让他们停止思考的东西）。
• 真实世界的项目： 学生不应只做孤立的小型作业题，而需要参与大型、复杂且真实的现实世界项目，在其中整合使用 AI 工具。

分歧（存在的张力）：

• 教师担心“初级差距”。如果 AI 承担了初级工作，学生如何学习成为高级工程师？他们担心学生毕业时缺乏解决复杂问题所需的深度理解。
• 学生担心自己的职业前景。他们问道：“如果 AI 做了工作，我还能被雇佣吗？”他们也担心自己在不知不觉中变得懒惰或作弊。

---

提出的解决方案：“面包屑”策略

本文建议了一种巧妙的方法，在不推翻整本教科书的情况下更新课程。他们称之为**“面包屑”策略**。

想象你正在森林中行走（代表 4 年制的学位）。你不需要建造一条全新的路，而是在现有的路径上留下一些小小的“面包屑”。

• 什么是面包屑？ 一个微小的练习、一个特定的问题，或者添加到常规课程中的一个小提示。
• 示例： 在数学课上，学生不仅要解方程，还可能被要求：“使用 AI 生成一个解法，然后解释为什么 AI 的答案是正确或错误的。”
• 目标： 这些小小的引导会发生在每门课、每一年。慢慢地，学生会在没有大规模改动单门课程的情况下，建立起一套新的技能体系（伦理、验证、系统设计）。

---

新的“毕业生画像”

当一名学生毕业时，他不应仅仅是一名“程序员”。他应当是：

1. 伦理守护者： 理解他们所构建的软件在法律和道德层面的后果（例如隐私、偏见、安全性）。
2. 规格专家： 他们擅长清晰地描述需要建造什么，以便 AI（或人类团队）能够正确构建。
3. 批判性验证者： 他们能审视 AI 生成的代码，并发现隐藏的陷阱、安全漏洞或逻辑错误。
4. 协作人员： 他们知道如何高效地与 AI 工具协作，将其视为需要监督的初级员工。

障碍（下一步需要做的事）

本文承认这并非易事。为了实现这一目标，大学需要：

• 支持教师： 教师需要时间、资金和工具来学习如何利用 AI 进行教学。他们不能只是继续批改同样形式的作业。
• 改变评分方式： 如果学生使用 AI，该如何测试他们？本文建议测试“过程”（他们的思考方式），而不仅仅是“最终答案”。
• 产学合作： 学校需要与企业沟通，以确保他们教授的技能符合实际存在的岗位需求。

总结

本文指出：“手动编写代码”的时代已经结束了。 AI 已经接管了繁琐的基础工作。为了保持竞争力，计算机科学教育必须停止将学生培养成“人工打字机”，而要开始将他们培养成“人类建筑师和检查员”。我们需要在整个课程中留下关于批判性思维、伦理和验证的“面包屑”，这样当学生毕业时，他们已准备好去管理 AI，而不是被 AI 取代。

技术摘要

技术摘要：生成式人工智能时代下本科计算机科学教育的重塑

问题陈述

本文指出，由生成式人工智能（GenAI）的快速发展所驱动的计算机科学（CS）教育正面临一场关键性的变革。从历史上看，CS 教学侧重于将逻辑意图转化为语法代码的劳动密集型过程，其路径是从编程机制向软件工程实践（调试、测试、文档编写）演进。然而，AI 编程工具（如 Claude Code、OpenAI Codex、Google Gemini）现在已经能够自动化处理许多传统上分配给“初级工程师”的任务，例如修复简单的漏洞、编写样板代码以及生成单元测试。

这种自动化带来了双重挑战：

1. 课程过时： 传统的学徒模式——即学生通过逐步增加复杂度的编程任务来建立专业知识——正受到冲击，因为 AI 已经承担了入门级工程师的功能性角色。
2. 技能侵蚀： 在教育中不受限制地使用 AI 存在削弱学生智力技能的风险，特别是批判性思维、问题解决能力以及验证系统正确性的能力。实证证据表明，虽然 AI 可以提高实践表现，但当移除 AI 时，学生的考试成绩可能会下降，这表明存在一种“拐杖效应”。
3. 质量与责任缺口： AI 辅助开发虽然加速了短期开发速度，但往往会导致代码复杂度和静态分析警告的持续增加（技术债）。此外，在安全关键系统中，针对 AI 生成代码缺乏专业责任框架，这构成了显著风险。

研究方法

为了应对这些挑战，作者在新加坡组织了两场国际研讨会，由 AI4SG 实验室（新加坡国立大学计算机学院）、SoC Horizons Office 和 Google 共同促成。该研究采用了双利益相关者方法，以捕捉多元化的观点：

1. 教师研讨会（2025 年 11 月）： 为期三天的会议，共有 30 名参与者，包括来自北美、亚洲、欧洲和大洋洲的 CS 教师及行业从业者。研讨会利用结构化头脑风暴过程（KEEP, CUT, GAP, THREAT）来定义核心胜任力、重新设计课程（第 1 至 4 年）并解决实施层面的挑战。
2. 学生研讨会（2026 年 1 月）： 为期一天的会议，共有 60 名参与者，由 CS 在读学生和应届毕业生组成（约 50% 来自新加坡本土院校）。该研讨会侧重于学生的真实体验、对批判性思维侵蚀的担忧，以及对评估方式和学习路径的偏好。

本研究承认存在局限性，包括参与者的自我选择偏差、学生参与者的地理集中性，以及研究结果反映的是感知与提议而非经过实证验证的结果。

核心贡献

本文提出了一个重塑本科 CS 教育的战略框架，旨在从以语法为中心的教学转向以高阶胜任力为中心。主要贡献包括：

• “面包屑”（Breadcrumb）策略： 一种将 AI 原生技能（伦理、验证、规范）贯穿于四年制课程中的教学机制，通过在现有课程中嵌入微小的、实践性的练习、提示词（prompts）和引导，而非将其作为独立的模块。
• 验证光谱（Verification Spectrum）： 本文将“验证”重新定义为一项核心研究生胜任力，涵盖从非正式的代码审查和测试到类型系统引导的开发，再到完全的形式化验证的连续体。文章认为，随着 AI 生成代码，人类的角色正转向负责设定意图并验证符合性的“高级工程师”。
• 课程重构标准： 作者提出了改革的五个支柱：
  1. 培养 AI 原生胜任力： 训练学生专业且合乎伦理地与 AI 协作，重点在于规范、验证和批判性反思。
  2. 回归基础教育（第 1–2 年）： 将重心从机械编码转向抽象、分解和算法推理。这包括采用“自顶向下”的方法，例如通过逆向工程编译后的解决方案来提取规范。
  3. 强化高级路径（第 3–4 年）： 强调系统级思维、大规模分布式系统以及跨学科参与（例如“AI+X”）。
  4. 拥抱新教学法： 向基于项目的学习、 “提示词优先”的任务以及评估问题解决过程和 AI 交互历史而非仅评估最终产物的模式转变。
  5. 转向机构支持： 主张重新分配资源以支持教师工作量、激励开发“AI 就绪型”作业，并创建可扩展改革的共享库。

结果与共识

研讨会揭示了教师与学生之间显著的共识，同时也存在细微的分歧：

共识领域：

• 向高层次思维转变： 两组人都认为教育必须从记忆语法转向掌握抽象、系统设计和问题分解。
• 基础的重要性： 核心理论（数学、数据结构、算法）依然至关重要，但必须作为验证 AI 输出的基础进行教学。
• 元技能： 双方都一致认可需要具备“元技能”，包括批判性思维、自我调节和伦理推理。
• 评估改革： 两组人都主张采取双重评估方式：受控（无 AI）测试以验证基础理解；以及开放（允许 AI）任务以评估过程、规范和验证。
• 体验式学习： 相比孤立的编程练习，人们更倾向于大规模、真实的实践项目。教师建议通过“逆向工程”现有方案进行学习，而学生则主张在“野外环境”中拥有项目自主权。

分歧点：

• 胜任力差距： 教师关注“初级工程师问题”，即毕业生必须立即具备高级层级的架构能力；学生则更多关注就业能力以及如何在 AI 饱和的市场中脱颖而出。
• 责任归属： 教师对专业责任以及在安全关键领域缺乏 AI 生成代码的签收框架表示高度担忧，而这一问题在学生讨论中并不突出。
• 教学结构： 教师倾向于结构化、由教师驱动的形式（例如带有明确脚手架的“提示词优先”课程），而学生则更希望在选择问题和学习路径方面拥有更大的自主权。

意义与主张

本文定位为正在进行的、基于证据的对话中的基础性一步，而非定论。其意义在于：

1. 双视角综合： 通过捕捉教师和学生的双重声音，本文识别了单一利益相关者方法往往会忽略的共识与分歧点。
2. 全专业覆盖： 不同于关注单一课程的举措，这项工作提出了重构整个四年制本科课程的标准。
3. 具操作性的框架： 它超越了理论讨论，提出了具体的策略，例如“面包屑”法和特定的评估改革（例如提交 AI 交互历史）。
4. 呼吁验证： 作者谦逊地指出，所提议的解决方案（如规范驱动型作业、面向验证的工作流）仍有待测试。他们邀请更广泛的社区去实施这些实践方案，并提供实证数据，以验证这些标准在快速演变的就业市场中的有效性。

文章总结道，尽管 AI 带来的颠覆程度尚不可知，但从手动代码生成向系统管理、验证和伦理责任的转变是迫在眉睫的。所提出的框架旨在培养这样一类毕业生：他们不仅能利用 AI 创建和解决问题，还能负责任地管理和共同创造人工制品。