AI 會寫程式了,學程式還有用嗎?

吳恩達談程式代理與學習:AI 能幫忙實作,學生怎麼保留說清需求、讀懂流程、修改和驗收的能力?用分組工具例子、程式學習研究和信賴區間圖,分清「把工作做完」和「自己學會」。

本文目錄 7 節
  1. 吳恩達提醒的,是兩種不同的能力
  2. 程式代理多做了什麼?
  3. 用一個分組工具,看見基本功在哪裡
  4. 做完程式,就代表自己學會了嗎?
  5. 和程式代理合作,要保留哪些基本功?
  6. 回到原片,可以先看這幾段
  7. 參考來源
科技探索封面:吳恩達在 ET Digital 訪談中說話;左側深藍漸層上寫著「AI 會寫程式了,學程式還有用嗎?」
封面|畫面取自 ET Digital 訪談影片(2026-11-11 上傳),經裁切並加上漸層與文字。

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。

比較圖:標題「程式代理:從回一段程式,到使用工具做完幾個步驟」。左側聊天式回覆:人描述要做的功能,AI 回一段程式碼,人再自己貼上、執行、找錯。右側程式代理:人先說清楚需求、驗收條件和可以使用的工具,例如每個人恰好分到一組、最後一組不足 3 人時保留;代理接著讀取檔案、修改程式、執行測試,測試沒通過就依錯誤訊息回頭修改,通過後仍由人檢查變更,並提醒測試只檢查寫下來的規則。
圖 1|程式代理把「產生答案」延伸成「操作工具、接收回饋」。本站依官方能力說明整理的通用閱讀圖,不是特定產品的內部架構;各工具的權限與流程可能不同。資料來源:GitHub Docs;SimpleLearn 製圖。

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。

驗收圖:標題「程式有跑完,分組就一定對嗎?」。輸入名單甲、乙、丙、丁、戊、己,規則每組 3 人,驗收條件是每個人恰好出現一次。左邊是本站刻意設計的錯誤輸出:第 1 組甲乙丙、第 2 組丙丁戊,丙出現兩次、己被漏掉;右邊是符合規則的示例:甲乙丙、丁戊己。下方檢查表顯示,只檢查「輸出共有 6 個名字」時錯誤輸出也會過關,要再檢查每人恰好出現一次、輸入的人都在,才抓得到錯。
圖 2|「畫面出現兩組」和「每個人恰好被分配一次」,是不同的驗收條件;只數總人數,錯誤輸出也會過關。六人、每組 3 人、姓名與錯誤都由本站設計,示範如何找出重複與遺漏,不是 AI 系統評測。SimpleLearn 製圖。

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。
表 1|本站設計的驗收案例,數字都是示例規則和直接計數,不是研究數據;實際需求不同,預期結果也要跟著改。

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」?

森林圖:標題「學習表現,要看測驗時能不能用 AI」。三列效果估計與 95% 信賴區間:全部學習研究(10 項研究、1,069 人)g 為 0.14,區間負 0.18 到 0.47;測驗時不能用 AI,g 為負 0.06,區間負 0.36 到 0.24;測驗時仍可用 AI,g 為 0.76,區間 0.24 到 1.28。0 的位置畫有虛線,代表兩組沒有差異;前兩列的區間都跨過 0。
圖 3|點是效果估計,橫線是 95% 信賴區間;0 代表沒有組間差異,越往右越有利於 AI 條件。g 是標準化差異,不是多學了幾 %。前兩列的區間都跨過 0,目前看不到確定的學習優勢;第三列的成績包含工具的幫忙,不能直接當成學生自己的能力。三列來自跨研究的整體與子群分析,不是同一場三組隨機實驗,不能解讀成「開關 AI」的因果效果。資料來源:Maier 等 2026;SimpleLearn 依原文數值重繪。

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。
表 2|本站把需求、資料、測試和審閱能力,轉成初學者能理解的分組例子;不是吳恩達逐字列出的課綱。架構參考:GitHub Docs、DeepLearning.AI 技能地圖。

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。

流程圖:標題「讓 AI 幫忙,也留下自己解釋的機會」。四個步驟:1 先寫規則與預期,例如 7 人、每組 3 人時先寫下 3 組、最後一組 1 人;2 請 AI 協助實作,一次只做一小段並讀它改了什麼;3 暫停 AI 自己來,用自己的話解釋、改一條規則、換一份資料,例如改成每組 2 人並先預測 6 人分成 3 組;4 對照預期與實際,不符合就找原因,卡住時回教材或提示。下方虛線箭頭回到第 1 步,寫著換一條規則、一份新資料,再走一輪。
圖 4|讓工具幫忙,也留下自己解釋和修改的機會。本站依程式理解、除錯與無 AI 測驗的研究設計,整理成討論用的流程;步驟編號只表示順序,不是成效量測。資料來源:GitHub Docs、Shen、Tamkin 2026;SimpleLearn 製圖。
六位穿制服的學生在戶外圍著一台筆記型電腦,一起看螢幕討論;2024 年的學習情境照,不是本篇訪談或研究現場
情境照片|和同學輪流說明做法,也是可以討論的學習安排。照片只呈現學生一起使用筆電,不代表他們正在寫程式或使用 AI,也不是本文研究的受試者。照片:Kwameghana(Bright Kwame Ayisi),2024 年 6 月 12 日,A group of students using a computer laptop,CC0 1.0。

回到原片,可以先看這幾段

影片|ET Digital YouTube 頻道,2026 年 11 月 11 日上傳,片長 7:21,英文(可開自動字幕)。這是媒體發布的本人訪談,不是 Stanford 或 DeepLearning.AI 的官方頻道;原訪談的錄製日期未確認。由讀者點擊播放;本站以原址嵌入,未下載或重新上傳影片。
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?
表 3|觀看導覽。時間依英文自動字幕標示段落的大約起點,點時間即從該處播放;不是逐字引言。資料來源:ET Digital 訪談;SimpleLearn 整理。

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

  1. 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
  2. GitHub Docs:Application card: GitHub Copilot Agents(查閱 2026-11-16) https://docs.github.com/en/copilot/responsible-use/agents
  3. MDN Web Docs:API(查閱 2026-11-16) https://developer.mozilla.org/en-US/docs/Glossary/API
  4. Shen、Tamkin:How AI Impacts Skill Formation(arXiv:2601.20245v2,2026-02-01;預印本) https://arxiv.org/abs/2601.20245v2
  5. 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
  6. DeepLearning.AI:AI Engineering Skills Map(AI Dev 活動頁;查閱 2026-11-16) https://ai-dev.deeplearning.ai/
  7. 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。