
如果只要一句話,就能請 AI 做出分組工具、互動網頁,甚至修好程式錯誤,學生還需要花時間學程式嗎?對家長和老師來說,這個問題很實際:我們希望孩子會用新工具,也希望工具拿開之後,他仍然知道自己做了什麼。
在 ET Digital 發布的一段訪談裡,吳恩達把兩件事放在一起談:學生應該學會使用程式代理;但把思考交給 AI 之後,自己有沒有真的學會,也值得擔心(ET Digital 訪談,2026 年 11 月 11 日上傳)。以下先整理他的觀點,再用技術文件、程式學習研究和本站設計的例子,把這兩件事拆開來看。
吳恩達提醒的,是兩種不同的能力
訪談約 2:27 起,吳恩達認為,大學的資訊教育應該讓學生實際用過 AI 程式代理(Coding Agent),也呼叫過 AI 模型的 API;他說,這些現在已經是資訊科學的基本技能。這是他對教育的看法,不等於「人人只要會下指令,就不必理解程式」。
接著,主持人追問:學生用 AI 寫程式,會不會跳過基本功?吳恩達說他也有同樣的擔心,並把「把工作做完」和「幫助學習」分開來談(約 3:56 起)。這個區分值得保留;至於聊天工具是不是對所有人的學習都有害,就要看工具怎麼設計、怎麼使用,以及研究實際測了什麼。
DeepLearning.AI 公開的 AI 工程技能地圖,也把能力分成四大塊:打造與部署 AI 應用、軟體工程基礎、使用程式代理,以及主導要做什麼(DeepLearning.AI)。會操作程式代理只是其中一塊;讀懂需求、掌握資料、做產品決定,各有要學的內容。這是團隊提出的技能架構,不是所有課程都必須照抄的唯一標準。
程式代理多做了什麼?
先用白話說:程式代理是能使用開發工具、接連完成好幾個步驟的 AI 系統。它不只回你一段程式碼,還可能讀取專案檔案、修改內容、執行測試,再依結果繼續處理。實際能做哪些動作,取決於產品,以及你允許它使用哪些工具(GitHub Docs)。
以 GitHub 的官方說明為例,它的代理可以建立和修改檔案、執行指令和測試,也保留讓人先核准、再審閱變更的流程;文件同時提醒,代理產生的程式可能看起來沒問題,實際上卻有錯誤或安全疑慮,使用前要檢查和測試(GitHub Docs)。API 則是讓軟體互相使用功能的介面;透過網路呼叫 AI 模型,是 API 的一種應用(MDN),和在聊天視窗裡手動輸入一句話,是不同的操作方式。

本站補充比喻|請助手照食譜做菜
可以把代理想成一位會操作工具的助手:你先說清楚要做什麼,它協助執行,最後還要檢查成品符不符合原本的要求。這個比喻只用來說明目標、執行和驗收的分工,不代表 AI 有人的理解、判斷或責任。
用一個分組工具,看見基本功在哪裡
假設老師想替讀書會做一個小工具:輸入成員名單,每組 3 人,自動排出組別。這是本站設計的說明例子,以下的姓名、組數和錯誤都是教學用資料,不是任何產品的實測結果。
如果只說「幫我做一個漂亮的分組網頁」,代理可能先把畫面做出來。但名單裡有人重複輸入,要怎麼處理?最後一組不足 3 人,要保留還是重新分配?分組要照輸入順序,還是隨機?這些規則要先決定,AI 才知道你要驗收什麼。

這時,學過基本資料與程式邏輯的人,就能把「看起來沒問題」變成具體的檢查:輸入名單和輸出名單是否相同?有人出現兩次嗎?有人沒出現嗎?這些檢查還可以寫成自動測試,讓代理每次修改後重新執行。不過,測試只能檢查你寫下的規則;規則漏寫,測試也可能一起漏掉(GitHub Docs)。
| 要檢查的情況 | 本站例子的預期結果 | 在練什麼? |
|---|---|---|
| 6 人,每組 3 人。 | 分成 2 組;每個人恰好出現一次。 | 拆解規則,核對輸入與輸出。 |
| 7 人,每組 3 人;已約定保留不足額的組。 | 分成 3 組,最後一組 1 人。 | 處理不能整除的情況。 |
| 每組人數填 0,或沒有填。 | 顯示清楚的提示,不直接產生分組。 | 檢查輸入與例外處理。 |
| 把每組 3 人改成每組 2 人。 | 原本 6 人的例子變成 3 組;先前的規則仍然成立。 | 修改既有程式,再重跑檢查。 |
對沒有資訊背景的讀者,這不表示現在就要背熟所有語法。可以先從資料、條件和流程開始:名單是資料,每組人數是規則,把成員依規則分配是處理流程。等你能說明這些,再請 AI 幫忙實作,就更容易知道該問哪裡、該改哪裡。
做完程式,就代表自己學會了嗎?
Shen 與 Tamkin 的一項程式學習試驗,找來有 Python 經驗、但沒用過 Trio 工具庫的參與者,隨機分成可以使用聊天式 AI 輔助和不能使用兩組。做完新工具的任務後,兩組都在沒有 AI 的情況下接受理解測驗。結果,AI 輔助組的測驗成績明顯較低;完成任務的速度,兩組則沒有統計上的顯著差異(Shen、Tamkin 2026)。
這是特定工具、特定任務和短期測驗的結果,沒有直接測試所有程式代理,也沒有追蹤多年後的能力。研究者再依使用方式分類時發現,會詢問概念、追問解釋的參與者,理解表現比較好;不過這些分類不是另一次隨機分組,不能把它當成已經證明有效的固定配方(Shen、Tamkin 2026)。
把視野放大,慕尼黑大學 Maier 等人 2026 年的統合分析,整理了 10 項程式學習研究、共 1,069 人。整體估計沒有顯示一致、可以確認的學習改善;但如果測驗時仍能使用 AI,成績就明顯較高(Maier 等 2026)。這提醒我們先問清楚:測的是「帶著工具完成」,還是「暫時拿開工具後,仍然理解」?

這項統合分析納入的學習研究來自 2023 到 2025 年,研究設計和使用情境各不相同;它也還是預印本,不能替今天每一種新工具下定論(Maier 等 2026)。比較穩妥的結論是:AI 可以參與學習,但有工具時的表現,要和工具拿開後的能力分開檢查。
影片裡的 17%,本文沒有拿來作圖
吳恩達在影片約 4:26 提到 17%,並說這種學習落差若累積十幾年,影響會很大。不過這段剪輯沒有交代數字出自哪項研究。Shen 與 Tamkin 的論文也寫到 27 分的測驗相當於 17% 的分數差距,但兩組平均只差 4.15 分(約 15%),論文的換算和數字並不完全一致(Shen、Tamkin PDF)。因此本文不把影片和論文當成同一筆資料,不拿 17% 作圖,也不把短期差距按年累積外推。
和程式代理合作,要保留哪些基本功?
| 能力 | 在分組例子裡做什麼? | 交給 AI 協助時,自己保留什麼? |
|---|---|---|
| 說清問題 | 決定分組規則,以及不足額的組怎麼處理。 | 說明為什麼採用這個規則。 |
| 讀懂流程 | 能指出名單從輸入到輸出,經過了哪些處理。 | 用自己的話解釋資料怎麼走。 |
| 找錯與驗收 | 發現丙重複、己遺漏,設計對應的檢查。 | 判斷測試有沒有涵蓋原本的需求。 |
| 修改與回顧 | 改變每組人數,再確認舊功能仍然成立。 | 說出改動的原因和可能的影響。 |
例如,請 AI 解釋一段程式後,可以先把解釋收起來,自己說一次資料怎麼變成結果;再換一份小名單,先預測輸出,最後才執行。能說出理由、發現不符合預期的地方,比只看程式有沒有跑完,多了一層可以討論的理解。這是本站建議的練習方式,不宣稱能重現研究中的效果。


回到原片,可以先看這幾段
| 從哪裡看? | 段落重點 | 觀看時想一想 |
|---|---|---|
| 02:27 | 大學與程式代理技能 | 分清講者對教育的主張和研究證據。 |
| 03:27 | 主持人追問基本功 | 要驗收之前,自己得先懂什麼? |
| 03:56 | 吳恩達回應學習的疑慮 | 注意他的說法涵蓋哪些工具和使用情境。 |
| 04:44 | 完成工作與幫助學習 | 回到分組例子:成品做好了,自己還改得動嗎? |
回到最初的問題:有了 AI,學程式仍然值得,因為學習的目標也包括把問題說清楚、讀懂做法、修改規則和確認結果。工具可以幫我們更快做出一個成品;能不能理解它、改好它,則要在使用工具的過程中繼續練習。
參考來源
- ET Digital/YouTube:Will AI Replace Software Engineers? Andrew Ng on Coding Agents & Jobs(2026-11-11 上傳;錄製日期未確認) https://www.youtube.com/watch?v=ZZvrEHRLfNU
- GitHub Docs:Application card: GitHub Copilot Agents(查閱 2026-11-16) https://docs.github.com/en/copilot/responsible-use/agents
- MDN Web Docs:API(查閱 2026-11-16) https://developer.mozilla.org/en-US/docs/Glossary/API
- Shen、Tamkin:How AI Impacts Skill Formation(arXiv:2601.20245v2,2026-02-01;預印本) https://arxiv.org/abs/2601.20245v2
- Maier、Gunzenhäuser、Schweisthal、Schneider、Feuerriegel:A meta-analysis of the effect of generative AI on productivity and learning in programming(arXiv:2605.04779v1,2026-05-06;預印本) https://arxiv.org/html/2605.04779v1
- DeepLearning.AI:AI Engineering Skills Map(AI Dev 活動頁;查閱 2026-11-16) https://ai-dev.deeplearning.ai/
- Kwameghana(Bright Kwame Ayisi)/Wikimedia Commons:A group of students using a computer laptop(拍攝 2024-06-12;CC0 1.0) https://commons.wikimedia.org/wiki/File:A_group_of_students_using_a_computer_laptop.jpg
本文由 AI 協助整理,經編輯審閱。



