人人都能編程的時代來了嗎？專家深度解讀“AI 編程”

　　這是《麻省理工科技評論》2026 年“十大突破性技術”深度解讀系列的第七篇內容，關注 DeepTech，關注新興科技趨勢。

　　2026 年開年以來，生成式編程領域新聞動態不斷，預示著編程范式變革的發生。初創企業 Replit 正在洽談一筆 4 億美元的融資，估值有望達到驚人的 90 億美元，其新推出的移動端 Vibe-coding 功能允許用戶通過自然語言在手機上構建 APP，極大降低了編程門檻，即使非計算機專業的文科生也有可能打造出一款應用。

　　與此同時，社交媒體上熱傳澳洲“牧羊大叔”僅用五行代碼搭建應用的傳聞，雖然該大叔實為資深開發者，但也側面反應出 AI 讓編程從邏輯驅動轉向意圖驅動的趨勢，文字即代碼正在成為現實。

　　另一 AI 巨頭 Anthropic 也在其 Claude Code 模型上取得重大突破，新版本不僅能編寫代碼，還能自主完成復雜的邏輯設計和 Bug 修復，大幅提高了開發效率，成為開發者適應 AI 時代的關鍵工具。

　　2025 年，OpenAI 創始成員安德烈·卡帕西（Andrej Karpathy）曾在一則 X 帖文中，介紹了他使用生成式編程的感受：“這是一種新的編程方式，我稱之為氛圍編程（vibe coding），你完全沉浸在其中，擁抱指數增長，甚至忘記代碼的存在...... 這并不是真正的編程，我只是看到東西，說出來東西，運行東西，復制粘貼東西，而且大部分都湊效?！?/p>

　　
（來源：X）

　　生成式編程不止讓卡帕西這樣的大牛感到驚嘆，它也正在切實改變普通人的生活。2025 年，葉劍鋒，一名課余運營小紅書賬號的文科大學生，注意到平臺上涌現出大量情感測試類內容。盡管自己沒有任何編程經驗，他開始嘗試用生成式編程做了一個情感測評小程序。該小程序在小紅書上線后，很快閱讀量突破 100 萬，并在兩周內變現 12,000 元。后來，他通過生成式編程開發了更多類似的輕量級應用 [1]。

　　更令人意想不到的例子還有多鄰國 App，一個被媒體報道為“用戶即使在結婚當天也不忘打卡”的語言學習 App，早已開始擁抱生成式編程 [2]。

　　2023 年，多鄰國高級工程經理喬納森·伯克特（Jonathan Burket）帶領團隊全面引入了 GitHub Copilot。最初，老程序員們持懷疑態度，認為 AI 生成的代碼可能存在漏洞。但是，伯克特決定用數據說話，并開展了一場內部對照試驗。

　　在一次針對移動端新功能開發的任務中，伯克特發現了一個驚人變化：對于熟悉代碼庫的工程師同事來說，他們的開發速度提升了大約 10%；而對于初次接觸新模塊的工程師同事來說，速度提升竟然達到了 25%。原本需要手動編寫數小時的基礎邏輯，現在只需寫下注釋，AI 就會瞬間補全代碼。

　　2024 年的數據顯示，多鄰國的代碼合并請求數量增長了 70%，這意味著使用同樣的人力，生成式編程讓產出的功能多出了一倍。可以說，生成式編程正在以前所未有的速度從實驗性技術，轉變為軟件開發的新常態。

　　生成式編程的前世今生：從語法規則到開發范式改變

　　生成式編程的概念可追溯到 2009 年甚至更早，它在當時被稱為是一種新型的程序設計范式，其核心思想是讓機器自動生成代碼。

　　在早期的生成式編程探索中，人們大多依賴于預定義的模板和規則，由工程師先來編寫高層規范，系統再根據這些規范生成具體的代碼實現。

　　可視化編程工具是這一思想的重要體現，比如多年前由美國國家儀器公司開發的基于圖形化編程語言的軟件 LabVIEW 和美國麻省理工學院研發的面向青少年的圖形化編程工具 Scratch，這些工具是將代碼邏輯封裝為可視化組件，通過使用圖形化模塊代替文本代碼，降低了編程的入門門檻。

　　低代碼平臺和無代碼平臺的興起則進一步推動了這一進程，Microsoft Excel、WordPress、Zapier 等工具允許非技術人員也能通過可視化界面開發應用程序。不過，這類平臺的作用范圍有限，大多用于特定領域。

　　2021 年，GitHub 與 OpenAI 合作推出的 GitHub Copilot 標志著生成式編程進入新階段。該工具基于 OpenAI Codex 模型，能夠根據代碼上下文實時地預測并補全代碼。

　　它不再是基于固定規則來生成代碼，而是通過學習海量開源代碼庫，能夠理解編程語言的結構與邏輯。使用時，工程師只需輸入部分代碼或部分注釋，Copilot 就能預測下一行或整個代碼塊。

　　Copilot 的出現改變了開發者的編程體驗，讓人們可以將重復性編程任務交給 AI 完成，從而讓開發者能夠更加專注于核心邏輯設計。在 2025 年，微軟內部甚至已有 20%-30% 的代碼由 Copilot 生成 [3]。

　　2023 年，隨著 ChatGPT 等大模型的廣泛使用，生成式編程的能力實現了質的飛躍。開發者不再局限于行級補全，而是可以通過自然語言來描述完整功能模塊，讓 AI 能夠生成相應的代碼。

　　這種變革將編程從人類學習機器語言轉變為機器適應人類語言，開發者可以使用自然語言描述想要的功能，AI 可以將其轉化為有效的代碼實現。

　　開發者也正在從繁瑣的樣板代碼中解脫，回歸到架構設計的核心。前面提到的多鄰國等企業，也正在從中獲得實際效益。

　　進入 2025 年，生成式編程迎來又一里程碑，生成式編程智能體成為技術焦點。AI 的角色正從一個輔助性的幫手，進化為一個能夠獨立思考和獨立行動的伙伴。

　　自從卡帕西發表關于氛圍編程的觀點之后，這一概念開始成為業界關注的新興開發范式。這一概念描述了一種通過自然語言與 AI 進行高層次交互的編程方式。在氛圍編程中，開發者關注高層邏輯與直覺，而非逐行地編寫代碼。這種開發范式將重點從逐行語法轉移到使用自然語音與 AI 進行交互。

　　傳統編程中，開發者需要掌握特定語言的語法、結構和應用接口（API，Application Programming Interface）；而在氛圍編程中，開發者只需要通過自然語言描述意圖，AI 系統便會解釋這些描述并轉化為功能代碼。

　　這種變革本質上是將編程從如何做轉向做什么，即從一種專業技能轉變為一種普適能力。開發者的角色也從代碼編寫轉變為任務定義者、過程監督者和成果審查者。

　　那么，領域內的從業者們對于生成式編程有著怎樣的觀察？DeepTech 訪談了三位從業者，以下是他們的洞見。

　　以下評論內容均為個人見解，不代表《麻省理工科技評論》觀點

　　用編程解決實際問題將變得尤為重要

　　黃超告訴 DeepTech，生成式編程帶來的深刻轉變在于未來人們所看重的將不再是單純的編程能力，比如對特定語法或語言細節的掌握有多深，而是如何運用編程這一工具來解決實際問題的能力。

　　對于中小學生而言，這意味著鍛煉方式的改變。當一個具體的需求或難題出現時，他們可以更多地借助自然語言來生成程序邏輯，最終目標是要解決問題本身。這預示著未來學習編程的范式將發生轉變，學習者無需再耗費巨大精力去從頭到尾、事無巨細地掌握每一種編程語言的所有語法和句法規則。

　　如果要求一個完全沒有編程知識背景的人直接進行 AI 輔助編程，目前確實存在挑戰。但對于中小學生或非專業人士來說，主要的轉變在于他們不再需要死記硬背每一門編程語言的全部語法細節。更理想的方式是，他們可以先構建起問題的整體框架和解決邏輯，然后借助 AI 來填充具體的實現細節。

　　在這個過程中，他們仍然需要掌握一定的編程基礎知識，至少要理解代碼的整體運作原理。因此，未來的趨勢可能是引導學習者更多地關注邏輯構建，而非底層實現。這種降低技術門檻、讓更低齡學習者接觸編程的能力。

　　對于當下開始學習編程的學習者而言，黃超認為關鍵是需要轉變學習的核心觀念。過去，學習編程往往意味著要系統性地、從頭到尾掌握一門語言的所有知識。但在 AI 時代，應該更加專注于理解編程的思想和代碼背后的整體邏輯，而不是去死記硬背具體的語言語法或某個細枝末節的算法實現，因為這些工作完全可以交由 AI 高效完成。

　　因此，黃超的建議是：在學習代碼時，要把重點放在掌握程序的運行邏輯和編程流程這些更高層次的思維模式上。這才是面向未來的、更具價值的學習方向。

　　此外，生成式編程也會對初級程序員的就業市場產生沖擊，事實上這種沖擊已經在發生。自生成式編程工具日益普及以來，業界普遍感受到效率提升帶來的競爭加劇。具體而言，那些模式固定、入門級別的開發任務（例如某些標準化的網頁前端和后臺功能）將越來越容易被 AI 自動化所替代。

　　能力更強的程序員通常能更快速、高效地運用 AI 工具，從而使其工作效率得到更大的提升。而原本經驗相對較少的程序員，如果在掌握和運用 AI 工具方面也落后，他們的相對優勢可能會減弱。

　　從另一個角度看，這或許也意味著新的機會。過去，一名程序員的“弱”可能體現在對特定編程語言或算法的細節掌握不足。但現在，有了 AI 工具的輔助，這些具體的語法和實現細節不再構成不可逾越的障礙。

　　理論上，新手可以通過熟練運用 AI，與那些僅憑傳統經驗積累的程序員站在同一條起跑線上競爭。因此，如果能更主動、更精通地利用 AI 工具，這本身就能成為一種新的優勢，為成長中的程序員開辟一條不同的進階路徑。

　　所以，未來的程序員角色將更多地轉向運用 AI 工具去解決更復雜、更具體的問題，例如探索新算法或開發新型智能體。

　　根據黃超目前的觀察，生成式編程已經非常普及。一個粗略的估計是，我們周圍超過 90% 的代碼可能都是由 AI 生成的。相應地，行業出現了一個新定位：人人都在某種程度上成為了大模型的善后工程師。

　　這意味著，從 0 分到 80 分的基礎代碼生成工作已經主要由 AI 承擔，但開發者需要投入大量精力將這 80 分的代碼調整和優化到 100 分，以滿足具體的業務需求或完成場景落地。實際上，將 AI 生成的代碼從可用狀態打磨到完美，所需的心力和成本，并不一定比從零開始編寫更低。

　　所以，AI 編程的下一階段發展，將不再局限于代碼生成本身。未來的重點會轉向讓 AI 更深入地參與乃至自動化整個后續流程，包括代碼調試、部署、測試等一系列工程化環節，使解決方案更加完備和可靠。這預計將成為 2026 年業界共同發力突破的關鍵方向。

　　技術成熟度呈現顯著的多維度分化

　　浙江大學副教授胡星從任務維度、語言維度和領域維度，向 DeepTech 分析了生成式編程的技術成熟度。

　　她認為：

　　任務維度上，局部代碼生成比如單函數實現已經趨于相對成熟；系統級代碼生成比如跨模塊架構設計和復雜業務邏輯實現仍然處于早期探索階段。特別是模型在處理需要深度領域知識、長程依賴推理、以及多文件協同的任務時，仍表現出明顯的能力不足。

　　在語言維度，主流語言比如 Python、JavaScript、Java 的生成質量顯著優于小眾語言比如 Rust、Haskell、COBOL。這種馬太效應源于訓練語料的分布不均，例如 The Stack 代碼數據集 [4] 上 Java 代碼量是 Rust 的數十倍，導致模型對后者的理解深度和生成可靠性存在明顯差距。

　　在領域維度上，通用代碼生成能力已相對成熟，但垂直領域呈現差異化格局。在嵌入式系統領域，模型對硬件約束、實時性要求、資源受限環境的理解不足；科學計算領域涉及復雜數值算法、并行優化、領域特定語言，需要領域知識支撐。這催生了領域專用模型的加速崛起。

　　胡星也認為，生成式編程不會取代工程師，而是會重塑編程工作的內涵。開發者的核心職責將從手工編寫代碼，逐步轉向需求定義、結果審查以及系統架構集成等工程活動，而這一轉變對軟件工程教育與人才培養體系亦將產生深遠影響。

　　生成式編程是必須掌握的新一代生產力工具

　　“我們一旦有什么工具，就應該教學生去使用這個工具。”美國西北大學助理教授李曼玲表示。在她的課堂上，生成式編程是應該被掌握的新一代生產力工具。她將 AI 深度融入計算機科學教學，在編程任務中她鼓勵學生使用 AI，但是要求學生詳細記錄遇到的坑以及調整提示詞的過程。這種設計直指當前 AI 編程的核心局限：在長程編程與調試任務中，智能體有時會反復沿用同一種錯誤修復模式，在同一類報錯上打轉，難以穩定地跳出循環。所以，她的目標是培養學生成為 AI 的管理者而非替代者。

　　李曼玲也非常關注 AI 推理能力的本質來源。她指出，如果用人類標注的推理鏈進行監督訓練，模型可能更容易學到“如何生成看起來合理的推理文本”，而不一定對應可遷移的推理機制。因此，這更像是在對推理表達形式做對齊，而非對推理能力本身給出充分保證。

　　她認為，在難以獲得高質量專家軌跡或細粒度推理標注的場景下，強化學習等方法的價值在于讓模型在反饋信號下自行探索可行的決策與推理路徑，這可能是推動生成式編程能力進一步提升的一條重要途徑。也因此，在教學中她更強調過程記錄與反思：讓學生看見并分析模型是如何嘗試、如何偏離、以及何時陷入循環，從而學會更有效地診斷與引導，而不只追求一次性的結果正確。

　　針對人們擔憂的幻覺問題，李曼玲指出在代碼生成等需要確定性的任務中，目前已能通過檢索增強等技術大幅減少幻覺。但是，真正的難點在于創造性與可靠性存在的內在沖突。

　　要讓 AI 跳出固有錯誤和進行創造性探索，就需要 AI 在一定程度上通過偏離給定輸入進行想象。這時再來要求 AI 變得嚴格可靠，則有可能扼殺這種創造性。她認為，未來的解決方案可能是為 AI 設計控制面板，讓開發者能夠根據不同場景，在嚴格遵循與創造發散這兩個模式之間進行切換。

　　對于生成式編程的終極形態，李曼玲認為也許未必是催生簡單的提示詞工程師這一工種，而是能夠讓多個 AI 智能體可以像人類團隊一樣自主協調、共享記憶與經驗。

　　她指出，千千萬萬個你我都在使用 AI 解決問題，但有時我們讓 AI 解決的問題是相似的，而目前的 AI 在解決類似問題時是缺乏協同的。所以，未來的智能體應該能夠做到自動地總結模式和復用模塊，從而形成可進化的工具庫，并與其他智能體進行溝通。

　　這就好比是一個可以自主進化的博士生團隊，能夠承擔從問題定義到解決問題的長周期任務。她甚至在采訪中提出了自適應記憶調控的研究方向，即讓 AI 能夠像人類一樣，針對遠期記憶進行概括，針對近期記憶保持細節，借此實現更加高效的長期任務規劃。

　　這些技術洞見最終回歸到她的教學使命和科研使命。當 AI 可以處理大量細節時，人類的核心優勢將更加集中于提出問題、定義框架和價值判斷。所以，李曼玲的職分不再側重于傳授可被 AI 實現自動化替代的知識，而是通過讓學生與 AI 深度協作，去錘煉那些更加本質的能力比如系統抽象、批判性評估和跨領域整合等。

　　參考資料：

　　1.https://www.jfdaily.com/wx/detail.do?id=1039840

　　2.https://github.com/customer-stories/duolingo

　　3.https://tech.cnr.cn/gstj/20250522/t20250522_527180703.shtml

　　http://jburket.com/

　　4.Lozhkov, Anton, et al. "Starcoder 2 and the stack v2: The next generation." arXiv preprint arXiv:2402.19173 (2024).

　　運營/排版：何晨龍