与图灵奖得主聊选专业：如何 “计深远”？

今天朋友圈里流传几个漫画：最后一个 1024 节了，今后的 1024 将是 AI Agent 的节日，连这庆祝漫画都是 AI 画的。

前几天我正在写稿子，谈程序员这个职业的来历，大家的职业选择，和家长如何策划孩子的职业，马上发布庆祝节日 -- 说不定明年就没有了。 在最近召开的中关村学院世界科学家大会上，我有幸和图灵奖得主杰克·唐加拉（Jack Dongarra）教授聊了几次。其间他提到：在大学选择了教育与数学专业。直到大学最后一年，他获得了一个去阿贡国家实验室实习的机会，第一次摸到了早期的计算设备与数值算法，眼界大开。这次实习拓宽了他的视野，促使他把扎实的数学功底与计算机结合起来；在此后数十年的深入研究与系统工程中，他一步步成长为全球高性能计算与基准测试领域的代表性学者。 我不禁想起最近国内很多家长在热烈讨论的那个话题——“给孩子选什么大学专业”。古语说：“父母之爱子，则为之计深远”。 每年高考出分之后，家里往往比打仗还热闹，大家都恨不得找个算无遗策的神仙，给孩子挑一条最稳妥、绝不踩坑的康庄大道。 可如今的技术热潮，再经过各种网络短视频的渲染，把家长们整得格外焦虑。“最新 AI 颠覆一切，程序员等不到 35 岁就绝迹了！”... “AI 一口气发布了几百篇数学研究手稿，数学系也没饭碗了！”

这让不少家长迷惑了： 报 AI？ 非常火热，但据说它每隔十年就来一次行业寒冬； 报软件工程（SE）？ 怕一毕业就被自动化代码工具平替； 报计算机科学（CS）？ 担心这只是软件工程的另一种叫法，同样难逃冲击； 报数学？ 又怕自然科学皇冠上的明珠早已被机器算力摘去。 似乎哪个专业都有致命短板，哪个专业都要被 AI 淘汰。面对充满不确定的技术未来，我们到底该如何“为之计深远”， 听谁的呢？ （一）皇帝的职业建议，站位足够高了，你们听吗？ 在探讨具体专业之前，我们不妨先去看看现代研究型大学的发源地——德国。在斯图加特市的梅赛德斯-奔驰博物馆顶层，展出的第一个展品既不是汽车引擎也不是设计图，而是一匹神骏健美、姿态优雅的白马标本：

在马匹脚下的底座上，刻着德意志帝国威廉二世当年的一句断言： “Ich glaube an das Pferd. Das Automobil ist eine vorübergehende Erscheinung.” 朕笃信马匹。汽车，不过一时之风尚耳。 奔驰公司把这匹马和皇帝的名言放在整座工业博物馆的序章，带着一种耐人寻味的警示：一位掌握国家权力、身边聚集着顶尖智囊团的统治者，在面对一项颠覆性新技术时，做出了极其笃定却完全看走眼的职业与产业判断。 皇帝为什么这么说？因为在他那个时代，马车体系太成熟、太体面了。欧洲那时候已经稳定的马、马车、马车夫、辅助行业的传承数百年的生态。相比之下，卡尔·本茨虽然皇帝名言的二十年前就拿到了汽车专利，但早期的汽车又吵又臭、浑身冒黑烟、时不时抛锚、连加油都得找药店买轻汽油凑合用，在当时主流社会眼里无非是一个昂贵又麻烦的机械怪胎。 如果你是当年的家长，面对皇帝的断言和全社会的议论，会选中历史悠久、旱涝保收的“马车产业”，还是顺着孩子的好奇心，去碰满手油污的“汽车修理”？ 连威廉二世皇帝的预言都大错特错，今天面对短视频里随处可见的 “某某专业被彻底淘汰”，我们不必自乱阵脚吧？ （二）软件老码农眼中的学科沉浮 1987 年我考大学填报志愿时，周围流传着各种“高见”。有中年知识分子说：“计算机写程序，不就是应用数学的一个应用分支吗？能有多大需求？” 也有人调侃：“电子计算机专业，简称是电算，这是要取代一千多年历史的珠算么？” 唯独我们的班主任唐健乐老师留下了一句断言：“以后计算机就和笔和纸一样普遍。” 面对今天短视频里“AI 淘汰一切”的喧嚣，我不禁想起微生物学先驱路易·巴斯德的一句箴言： 世界上根本不存在所谓的‘应用科学’，只有科学的应用，以及这些应用所赖以建立的理论基础。它们就像一棵大树和它结出的果实。 专业选择也一样。当我们讨论该选 AI、CS 还是 SE 时，我们其实是在探讨：什么是“理论基础”，什么是“科学应用”，而什么又只是暂时的“珠算”？让我们看看过去的几十年中，AI，CS，SE 互相依赖而又互相鄙视的沉浮历史： 1. CS 和软件，最初就是工程师和插电缆的人（1930s-1950s） 大学招生宣讲有时喜欢把计算机讲得很玄妙，但真正促使计算机变成一门正式职业的催化剂，是二战战场上计算火炮弹道（美国宾夕法尼亚大学与哈佛大学的研制工作）、破译敌方电报密码的现实军事工程任务（图灵在英国的贡献）。 1945 年，全球第一台通用电子数字计算机 ENIAC 研发成功，当时硬件设计与程序编制的分工非常明确：工程师们负责研制机架、焊接真空管、布设强电与逻辑脉冲电路等实体硬件；战时军方聘用的一批年轻女性数学家，则接下了把复杂微分方程转化为机器步进步骤的重任。她们不仅要亲手在机房插拔数以万计的电缆跳线，更要在实践中排查故障、调整配置，硬生生摸索出了一套尚未标准化的早期程序组织与调试方法。 然而，早期计算机编程并未形成成熟的职业体系。尽管这些女性程序员承担了极其繁重的智力创造与系统调试，但她们的开创性贡献在当时并未获得相称的社会声望与公开认可。

（女程序员和那时的真空管逻辑电路板，她们先被称为 Computer，后来才是 Programmer） 那时候的 “字节跳动” 有完全不同的意义，说不定更加宏大。 【未来创造者】女性推动的计算进步 一个职业早期的社会标签，往往很难反映其长远的知识价值。最早在机房干活的人借用了大量工业与电子管电路术语：刚焊好的板子通电测试、观察是否冒黑烟，叫“冒烟测试”；样机按工程阶段试制，叫 Alpha 和 Beta 版。1958 年弗兰克·罗森布拉特制造出 Mark I 感知机，用光敏电阻和电位器搭建出硬件网络原型，报纸开始报道 “机器心智的萌芽”。 1957 年，后来的图灵奖得主戴克斯特拉（Edsger W. Dijkstra）在阿姆斯特丹登记结婚。他在职业一栏填写了“程序员（programmer）”，但当地民政登记系统认为这并不是一个合法的正式职业名称，最终只能按照他的学业背景登记为“理论物理学家（theoretical physicist）”。 当时的环境是： 数学认为计算机只是自己的应用分支，早期计算机学界认为神经网络缺乏严谨推导，而人工智能倡导者坚信机器能模拟人类认知。独立的软件工程专业尚未建立，最前线的编程人员甚至连统一的职业归属都还在摸索中。 在这个时期，你准备给孩子建议什么专业呢？ 2. 第一次寒冬与系统工程觉醒（1960s-1970s） 早期 AI 研究者对机器智能的可计算性抱有很高期待。1955 年的达特茅斯提案提出，智能的诸多方面原则上可以被精确描述，并希望组织十余位学者通过一个夏季的集中研讨，在语言模拟、抽象概念和复杂问题求解等方向取得显著进展。 参见：https://museum.bza.edu.cn/ai-history/ 这种乐观设想推动了新领域的诞生，但后来的研究逐渐揭示：在纸面上定义问题，不等于在工程上能解决问题；在玩具模型里的局部成功，更不等于能在复杂开放的真实世界里稳定扩展。 到了 1960 年代末，最初描绘的设想迟迟无法落地；1969 年明斯基（Marvin Minsky）和派珀特（Seymour Papert）在《感知机》中从数学上论证了单层感知机无法解决基础的“异或（XOR）问题”。加之计算资源的匮乏与学习方法的停滞，学术界与投资方陷入深度悲观，把局限性推论为整体路线的破产，项目资助被大批削减，AI 跌进了十余年的寒冬。 与达特茅斯会议探索“机器能做什么”形成鲜明对照的，是现实世界对“复杂系统如何受控”的迫切诉求。随着软硬件规模急剧膨胀，缺乏规范的手工作坊式编程导致系统 Bug 丛生、预算失控、交付无限期延期，整个行业陷入了“软件危机”。1968 年北约科学委员会在德国加尔米施召开会议，正式确立了“软件工程（Software Engineering）”这一术语——它借用传统工程学科的规范，试图通过架构契约、容错机制和质量管理，保证复杂系统能够按时、可靠地交付。 这两个历史节点揭示了计算行业的的两面挑战：一方面要探索机器智能的边界，另一方面要管理大规模系统在真实世界中的复杂性与可靠性。= 我们现在对软件工程师的刻板印象，往往是穿着格子T恤、戴着黑框眼镜的年轻男青年。但历史上的第一代工程“风景线”，其实大不一样。玛格丽特·汉密尔顿（Margaret Hamilton）在主持阿波罗登月飞行计算机软件开发期间的经历，就生动体现了这种工程思维的演进。

当年她经常带着女儿去实验室加班。有一回，小姑娘趁大人不注意，在模拟器上瞎按，触发了一个关键开关，一下子系统的数据全给清空了，系统直接死机。这事把汉密尔顿吓出了一身冷汗。她意识到：千万别把“用户不会犯错”当成设计的前提，于是她硬是要求在软件里加了一道保险：万一遇到突发情况，系统必须有办法先把那些不重要的活儿停了，死死保住控制飞船姿态和发动机这些保命的功能。 这个设计在 1969 年阿波罗 11 号登月最关键的时刻，真救了全船人的命。最终把人类稳稳送上了月球。 这两个事儿说明了一个实在的道理：靠谱的软件，不光要在一切正常的时候跑得好，更得在系统过载、甚至人犯糊涂按错键的时候，能保住最核心的命脉。这也印证了软件工程界那句经典公式：软件 = 程序 + 软件工程。 图灵奖得主戴克斯特拉说话更毒舌，他直接给 SE 下了个讽刺的定义：“如果你们不会编程，那该如何编程”。 这话听着刻薄， 仿佛是一种鄙视，但它恰恰点出了 SE 存在的终极价值： 应用数学意义上的 program 追求的是理想状态下的“绝对正确”；但真实世界里的软件，要面对各种约束条件（人、规模、资源、未知的变化、硬件），软件团队能把 “程序”变成真正能用的“软件”，就是要靠大量的软件工程的实践。

（图表来自《构建之法》） 可在这个技术正在成型的年代，社会的担忧同样普遍存在： 1971 年，保罗·艾伦（Paul Allen）进入华盛顿州立大学学习。 当时计算机相关专业与独立建制仍在摸索之中，拿到录取通知书时，他的父母担心这门新兴专业缺乏明确的职业保障。艾伦读了两年后休学去东海岸工作，后来离开了工作的 “大厂”， 与比尔·盖茨到一个鸟不拉屎的地方 -- Albuquerque, New Mexico 共同创立了微软公司。他后来回忆，自己连这个城市的名字都不会拼写。 当时的风气是： 1956 年达特茅斯研讨会的精英们梦想机器智能的可能性，1968 年软件工程规范大型系统的可控性；而父母们看着计算机专业的录取通知书，担忧这个专业的前途。 在这个时候，你又打算给你的孩子推荐什么专业呢？ 3. 从第二次寒冬到深度学习爆发（1980s-2010s） 进入 1980 年代，类似的周期再次上演。主张利用人工规则与知识库的“专家系统”一度被奉为全能解法，吸引了新一轮投资狂潮。（大家听说过 五代机 和 Prolog 语言么？） 然而，当企业发现这些规则极其脆弱、难以在真实复杂场景中维护和泛化时，泡沫迅速破裂，AI 跌入更严酷的第二次寒冬。在 1980 年代中后期，名校 AI 方向的研究生毕业求职时，为了避免被冷遇，甚至不得不抹去简历上的 AI 标签，以程序员的身份应聘求职。 技术突破往往依赖多个必要条件的汇合，单独观察一个学科或一项技术，极易误判整个系统的潜力。将技术带出低谷的，恰恰是跨学科工具与系统工程的交融： 理论工具的跨学科迁移：1985 年辛顿等人借鉴统计物理学中玻尔兹曼分布与退火机制，提出了玻尔兹曼机，展示了物理学的概率与能量模型如何为神经网络建模提供新思路。 算法与专用计算系统的深度协同：1997 年深蓝（Deep Blue）战胜人类国际象棋棋王卡斯帕罗夫。“深蓝之父” 许峰雄利用扎实的电机工程与芯片设计功底，把棋力评估逻辑固化为专用加速硬件，通过严密的软硬件集成，使系统能够每秒精确检索数亿个棋局位置。他坚定地说： 我们从一个不同的方向去逼近这个问题。我把这个问题看成一个纯粹的工程问题。 多项要素在特定周期的合力爆发：2012 年 AlexNet 掀起深度学习新浪潮，这既依托于卷积神经网络与反向传播算法的演化，也离不开大规模标注数据集（如 ImageNet）和通用 GPU（配合 CUDA 框架）提供的密集并行计算支撑。互联网降低了数据收集门槛，众包标注让海量数据集成为现实，而高性能硬件则让大规模参数训练在工程上可行。 强化学习先驱理查德·萨顿（Richard Sutton）在《苦涩的教训》（The Bitter Lesson）中总结道：在 AI 的长期发展中，能够持续利用更多计算资源的通用学习与搜索方法，往往比高度依赖人类手工设计特定知识的方法更具扩展性。这提醒研究者不要过度相信当前人类直觉和手工规则的绝对优势，但它绝不意味着领域知识、算法设计、数据质量和工程实现失去了价值。 这个时代的鄙视链（如果有的话）是怎么样的呢？ AI 放下了“造神”的傲慢，向 CS 和 SE 低头认错（没有算力和系统，智能就是个零）； CS 发现光有理论不够，得靠硬件和工程规模才能兑现；而 SE 闷声发大财，成了把一切理论落地为现实的无名英雄。 比尔 · 盖茨说了 ”Software is where the magic is“ 的总结， 他也决定退出一线管理，投身于慈善事业。 4. 自动化工具与从业能力的重构（2010s-当下） 在过去二十年移动互联网与云计算的高速红利期中，业务形态快速膨胀，催生了大量模板化的开发工作。很多从业者日常主要从事基础接口封装、前后端胶水代码编写和简单的增删改查（CRUD）操作。大语言模型与代码生成工具出现后，编写常规模版代码的门槛被大幅拉平，那些只依靠机械搬运代码的岗位快速消失。 2022 年底，在生成式代码工具尚未大规模普及之前，埃隆·马斯克接手 Twitter 后迅速削减了约 70% 的员工，核心系统在剥离部分冗余架构后，依然扛住了当届世界杯期间的高并发访问。 这直观表明，在任何技术浪潮中，缺乏系统级理解、只靠低效流程包裹的纯搬运型角色，迟早会被淘汰。因为不管是靠人力堆砌，还是靠 AI 堆砌出来的低质量代码，最终都会给系统架构造成严重的污染，它们本就该被时代淘汰。 如今，AI 正在批量产出数学手稿，甚至参与推导复杂前沿问题，不少资深工程师也在利用模型自动生成测试用例与原型代码。但 AI 压缩以重复编码为主的岗位，并不意味着未来只剩下理论数学家与系统总架构师两个极端。 在这个时代，工程师的鄙视链已经重写：懂 CS 底层原理的 AI 专家 > 懂 AI 落地的资深 SE > 全栈的 SE > 特定框架和语言的 SE（快消失了）。 5. 从百花齐放到螺旋上升 回到巴斯德那棵“大树与果实”的比喻。回顾这近百年的技术历史，可以看到一个反复出现的循：理论揭示新的可能性，算法把可能性转化为可执行的方法，工程把方法打磨成稳定运行的系统，而规模化应用又会暴露出前所未有的边界与真实问题。 面对这些新问题，有时需要更深沉的理论突破，有时则依赖更强大的硬件、更浩瀚的数据、更精妙的架构或更严苛的工程验证。理论与工程从来不是沿着一条单向直线依次前进，而是在相互碰撞、摩擦与反馈中共同演变。科学家和工程师都不能把自己固步自封在某个狭隘的“专业标签”里面不出来。 因此，数学、物理、计算机科学（CS）、软件工程（SE）与人工智能（AI），从来不是谁指导谁、谁淘汰谁的单向替代，而是在相互激发中螺旋上升的科学共同体。 （三）顶尖学者的人生经历：专业并不决定一生的终点 在世界科学家大会的交流中，多位学者结合自身的求学历程，给年轻一代的专业选择提供了一个非常清醒的注脚：大学专业确实构成了一个人最初接触知识与学术训练的起点，但它绝不是为你一生画地为牢的终点。 看看这些开拓者的真实轨迹，往往充满着与现实问题的持续碰撞： 艾兹格·戴克斯特拉（Edsger W. Dijkstra）：1972 年图灵奖得主。在荷兰莱顿大学主修数学与理论物理学，原本立志成为理论物理学家。在读期间接触短期计算培训后迷上编程，成为荷兰最早的正式程序员。他将纯数学与物理推导的严谨性引入计算机科学，开创了结构化程序设计与图论经典算法。 弗朗西斯·艾伦（Fran Allen）：首位女性图灵奖得主。本科就读于师范学院数学专业，毕业后曾从事中学数学教学。为了还清大学助学贷款进入 IBM 后开始接触计算机编程。当时编译优化尚属前沿空白，许多人怀疑自动翻译的代码能否具备工业级效率，艾伦通过系统化控制流与数据流分析开创了现代编译器优化理论，将原有的数学抽象成功迁移到了前沿系统之中。 玛格丽特·汉密尔顿（Margaret Hamilton）：阿波罗计划机载软件总监、软件工程先驱。大学主修数学并辅修哲学，早期曾计划继续攻读纯数学研究生，为贴补家用从事气象预测程序的开发工作。在长期的航天控制工程实践中，她探索出防御性编程与抢占式任务调度架构，成为大型系统工程领域的杰出开拓者。 杰弗里·辛顿（Geoffrey Hinton）：图灵奖与诺贝尔物理学奖得主。他在剑桥大学先后接触过自然科学、物理与生理学课程，中途曾停学体验木工手艺，最终获得实验心理学学士学位。因为当时的主流学科难以完全解答他关于心智工作机制的困惑，他在读博期间转向了极其冷门的人工神经网络，在几十年的起伏沉浮中坚持了下来。 杰克·唐加拉（Jack Dongarra）：超算测试基准之父、图灵奖得主。在芝加哥州立大学攻读数学与科学教育专业，最初的目标是回到中学当一名科学老师。大四期间在国家实验室的实习经历让他真正接触到了高性能计算，随后在数十年的科研与工程积累中，成为了全球并行数值算法与线性代数软件库（LINPACK/BLAS）的核心推动者。 当然，这些杰出人物的经历并不能证明跨专业转向总会成功，更不能说明专业训练本身不重要。它们真正说明的是：专业会影响一个人的起点、知识储备与最初的机会集合，却不能单独决定他最终能走多远。 大学专业是一块宝贵的跳板，它为你提供最初的思维训练、实验习惯与学术圈子；但决定一个人高度的，是他能否在扎实的学科基础之上持续更新认知，跨越原有的专业边界去解决真实世界里的复杂问题。 （四）最好的“计深远” 面对快速演进的生成式 AI 与层出不穷的行业焦虑，一位资深软件工程师曾写过一段流传很广的行业自嘲： 1994 年，软件被认为要走向消亡，人们说编程是给极客干的琐碎杂工； 2004 年，软件被认为要走向消亡，跨国离岸外包将彻底挤占本土开发者的空间； 2014 年，软件被认为要走向消亡，各种无代码与可视化搭建平台将让程序员不复存在； 2024 年，随着 Devin、Copilot 和各类推理大模型的涌现，软件行业再次被宣布走向终结。 这类调侃生动地揭示了一个规律：每当新技术出现时，技术恐慌与“行业彻底死亡”的言论总会周期性上演。 然而几十年过去，死掉的从来只是固步自封于旧工具、缺乏深层理解的机械操作，对具备严谨分析能力、能够解决复杂工程与科学难题的人才，需求从来没有褪色。 在和杰克·唐加拉教授聊天的最后，问他：“我猜你在中学时，一定碰上了一位非常优秀的科学老师。” 唐加拉教授听完开心地笑了起来：“对的，他就是我的榜样。我上大学时，就想毕业后当一个中学的科学课老师”。

（ICAIS 会议，二位诺奖得主和一位图灵奖得主在和年轻学生交流，座起第四是唐加拉教授） 天下为人父母者，谁不想为孩子“计深远”？专业选择会影响孩子的起点和机会，但它定不了孩子的一生。真正值得家长提前规划的，不是孩子三十年后的职位，而是让他具备随时能换个赛道重新站起来的能力。 面对孩子的成长，行之有效的“计深远”其实就是三句大实话： 第一，别把现在的热门当成一辈子的铁饭碗。别让孩子为了虚名，去学自己讨厌的东西。不如顺着他真心喜欢的去学，只要底子在，大不了以后换方向。二十来岁，怕什么试错？ 第二，别光看牌子，得看能不能真刀真枪地上手。中国的大学正在分为 3 个赛道：研究型，应用型，技能型。 越来越强大的 AI 工具让表达成本趋近于零，论文越来越多 AI 灌水... 往后，我挺看好技能型的人才 - Talk is cheap，show me the skill and real product。 第三，少当焦虑的监工，多当情绪稳定的后盾。不必规划孩子人生的每一步。唐加拉教授当年也就是被中学老师点燃了一把火，最后成了图灵奖得主。在当下，支持他去探索、包容他犯错， 享受一下他的青少年时期不好么？ 给孩子留足空间。就像咱们 1987 年猜不到今天一样，未来肯定还有更厉害的工具帮他们干活。 只要孩子有好奇心、肯动手、能扛事儿，咱们做家长的，到底还在瞎焦虑什么呢？