# Эндрю Ын и Мехран Сахами о будущем кодинга: почему основы CS важнее, чем когда-либо

Источник: https://www.youtube.com/watch?v=J91_npj0Nfw
Канал: Stanford Online
Опубликовано: 16.10.2024

---

В эпоху стремительного развития генеративного ИИ профессия программиста и система технического образования претерпевают фундаментальные изменения. Профессора Стэнфордского университета Эндрю Ын и Мехран Сахами обсуждают, почему сегодня умение писать код становится таким же базовым навыком, как грамотность, и как инструменты вроде GitHub Copilot меняют «порог входа» в индустрию [4:13].

## 💻 Трансформация профессии: от синтаксиса к архитектуре
[[JUMP:04:13]]

По мнению Эндрю Ына, искусственный интеллект является технологией общего назначения, которая сегодня оказывает на мир такое же влияние, как в своё время электричество. Он отмечает, что 2024 год стал знаковым для ИИ: Нобелевские премии по химии (Дэмис Хассабис, Джон Джампер и Дэвид Бейкер) и физике (Джефф Хинтон и Джон Хопфилд) были присуждены именно за достижения в области нейросетей [4:39].

В самой сфере разработки программного обеспечения Эндрю Ын выделяет два ключевых тренда:

*   **Ускорение работы профессионалов:** Опытные девелоперы используют генеративный ИИ для написания документации, генерации кода, отладки, создания тестов и проектирования архитектуры [5:23].
*   **Демократизация входа:** Людям больше не нужно заучивать «странные заклинания» синтаксиса. Теперь они могут создавать сложные приложения, на изучение которых раньше ушли бы месяцы или годы [5:50].

Мехран Сахами добавляет, что индустрия уже сформировала запрос на новые навыки. Ссылаясь на разговор с техническим директором Microsoft Кевином Скоттом, Сахами утверждает: в ближайшие 1–5 лет от выпускников вузов будут ожидать свободного владения инструментами вроде GitHub Copilot как стандартного элемента их «инструментария» [7:09]. 

## 🎓 ИИ в образовании: когда вводить инструменты в обучение?
[[JUMP:07:46]]

В академической среде Стэнфорда сейчас идёт дискуссия о том, в какой момент обучения стоит позволять студентам использовать нейросети. Существует несколько моделей: от внедрения ИИ с самого первого курса до его использования только на финальных проектах (capstone projects) [8:14].

Эндрю Ын отмечает, что прогнозировать необходимые навыки становится всё сложнее из-за скорости развития инструментов. Он приводит в пример эволюцию сред разработки:

1.  **GitHub Copilot (в VS Code):** Значительный прирост производительности [9:17].
2.  **Cursor:** Возможность построчного редактирования и удобного принятия правок [9:32].
3.  **OpenAI Canvas:** Совместное редактирование и генерация кода в реальном времени [9:46].

По мнению Сахами, использование ИИ само по себе становится формой обучения. Студент видит примеры, сгенерированные машиной, и через «грамотное программирование» (literate coding) быстрее осваивает новые библиотеки и паттерны [11:06].

## 🏗️ Фундаментальные навыки: почему база всё ещё важна
[[JUMP:13:48]]

Несмотря на мощь ИИ, оба профессора сходятся во мнении, что фундаментальные знания CS (Computer Science) остаются критически важными. Проблема заключается в переходе к парадигме «генерация и проверка» (generate and verify) [13:21].

Мехран Сахами выделяет ключевые причины, по которым студенты должны понимать основы:

*   **Верификация:** Чтобы проверить, корректно ли работает сгенерированный код, нужно понимать, как он устроен [14:51].
*   **Архитектурный «вкус»:** Программист должен уметь отличить хорошее решение от плохого с точки зрения эффективности и масштабируемости [15:04].
*   **Декомпозиция:** Умение разбивать большую задачу на мелкие модули и проектировать интерфейсы между ними [16:10].

Эндрю Ын иллюстрирует это примером из собственной практики: недавно ИИ предложил ему использовать паттерн «Фабричный метод» (Factory Method) [12:12]. Ын признаётся, что сам редко его использует и мог не вспомнить о нём, но его знаний было достаточно, чтобы оценить преимущество этого архитектурного решения перед своим исходным вариантом [12:27].

Другой пример касается оптимизации. Когда код работал слишком медленно, Ын решил внедрить кэширование (memoization). ИИ мгновенно написал нужный код на Python, но само решение использовать кэш принял человек, обладающий контекстом и пониманием ресурсов системы [18:36]. По мнению Ына, ИИ пока не обладает достаточным контекстом, чтобы самостоятельно принимать такие высокоуровневые архитектурные решения [19:46].

## 🪜 Слои абстракции и риск «дескиллинга»
[[JUMP:20:14]]

Существует опасение, что ИИ приведет к деградации навыков (de-skilling). Однако Мехран Сахами видит в этом скорее эволюцию, чем деградацию. Он проводит аналогию: раньше все студенты Стэнфорда учили язык ассемблера, чтобы оптимизировать код вручную. Сегодня это делают компиляторы, и Сахами не жалеет о том, что студенты больше не тратят на это время, фокусируясь на более высоких уровнях абстракции [21:43].

Ключевые тезисы дискуссии об абстракциях:

1.  **Выживание экспертов в «низких» слоях:** По мнению Сахами, всегда будут нужны специалисты, работающие на самом низком уровне (оптимизация железа, компиляторов), чтобы все остальные могли пользоваться плодами их труда [23:42].
2.  **Случай экстремальных данных:** Эндрю Ын считает, что знание основ (например, как работают алгоритмы сортировки) всё ещё критично в пограничных случаях — когда вы сортируете данные такого объема, что они не помещаются в оперативную память и требуют свопинга на диск [25:29].
3.  **ИИ как новый слой:** Программирование постепенно превращается в смесь английского языка и Python. Сегодня промпты для LLM часто напоминают структурированный псевдокод [29:14].

## 🧠 Программирование как способ мышления
[[JUMP:30:21]]

Мехран Сахами подчеркивает, что его вводный курс — это не курс по Python, а курс по решению задач (problem solving) [31:25]. Программирование учит системности и четкости мышления. Это подтверждается интересными исследованиями:

*   **Исследование Карла Вимана (Нобелевский лауреат по физике):** Студенты-программисты справлялись с задачами на понимание работы электрических схем на два стандартных отклонения лучше, чем студенты других специальностей (включая инженеров-электриков). Причина — привычка к системному моделированию работы механизмов [34:46].
*   **Эффект на ИИ:** Эндрю Ын упоминает модель OpenAI o1 (Strawberry), отмечая, что обучение нейросетей на коде делает их лучше в решении логических и математических задач, даже не связанных с программированием напрямую [33:41].

Ын считает, что умение «точно сказать компьютеру, что ты от него хочешь» — это навык, который пригодится любому специалисту: от маркетологов, собирающих данные с сайтов, до инвесторов, автоматизирующих юридические контракты [29:41].

## ⚖️ Этика и ответственность в эпоху ИИ
[[JUMP:36:17]]

В Стэнфорде запущена программа *Embedded Ethics* («Встроенная этика»), цель которой — интегрировать обсуждение социальных последствий технологий прямо в технические курсы [37:09]. 

Основные направления этой работы:

*   **Справедливость алгоритмов:** Как предвзятость в данных влияет на принятие решений ИИ [37:23].
*   **Приватность:** Права пользователей на их данные в эпоху масштабного обучения моделей [37:23].
*   **Ответственность за воздействие:** Понимание того, что технические решения создают «социальные волны», влияющие на разные группы населения по-разному [38:05].

Эндрю Ын критикует современное смещение понятия «безопасность ИИ» (AI Safety) в сторону научно-фантастических сценариев о «роботах-убийцах». По его мнению, Мехран Сахами в своей книге *System Error* предлагает гораздо более практичный и реалистичный подход к безопасности, фокусируясь на реальных проблемах предвзятости и системных ошибок [38:43].

## 🚀 Будущее: скорость и новые рабочие места
[[JUMP:45:16]]

Эндрю Ын предупреждает о «стрессе», который ИИ создает для традиционных отраслей. Если раньше разработка приложения могла занять год, то сегодня один человек может сделать это за выходные [45:57]. Это заставляет такие консервативные сферы, как здравоохранение или производство, пересматривать свои внутренние процессы, чтобы не проиграть конкуренцию [46:53].

В вопросе о рабочих местах Мехран Сахами утверждает: ИИ сам по себе не создает и не уничтожает рабочие места — это делают руководители компаний. ИИ лишь меняет ландшафт производительности. Если отдел программистов стал на 20% эффективнее, у бизнеса есть выбор: уволить 20% сотрудников или выпустить на 20% больше продуктов и функций [48:53].

В финале дискуссии Эндрю Ын делает прогноз: скоро будет невозможно нанять маркетолога или рекрутера, который не умеет пользоваться ИИ, так же как сегодня невозможно представить сотрудника, не умеющего пользоваться поиском в интернете [51:33]. Знание основ программирования (даже на минимальном уровне) станет решающим преимуществом для любого профессионала [52:52].