普通计算机专业的学生，AI时代应该继续深耕专业还是转而追求广度优先的学习?

Ethan 在访谈里提出，AI 能完成大部分工作，但最后那部分仍要人来判断结果好坏、给反馈、把事情收口；没有领域知识的人不知道两个答案哪个更好，也就收不了口。他把需要的人分成两类：一类是某个领域很深、能用 AI 放大自己专业能力的人，另一类是有很强通用解题能力、能把前后端、产品、业务串起来的人。立正在对话中补充，全栈不只是技术上的全栈，会写前端还能做设计、写文案、理解转化的人价值更高⁠1。对计算机专业学生来说，这意味着先把一门专业练到能判断对错，AI 才帮得上；否则工具越强，盲区被放大得越快。

立正提到，学工具最有进步的感觉，却过期最快；拿到模糊需求先拆成可检验的小步、结果不对先找原因，这类习惯会一直留在身上。他还区分了“假困难”和“真困难”：配环境、调端口这类费劲但不让人变聪明的事可以交给 AI，值不值得做、怎么拆、结果好不好要自己扛⁠2。他也说过，不必从语法和算法这些劝退很多人的东西开始学，跨过编程环境等门槛后，用 agents 真去做事，学习速度会排在人群前列⁠3。这两句并不矛盾：前者说的是别把时间全花在会被工具替代的机械环节，后者说的是别停在聊天框里空谈。对计算机学生，专业深度里那些需要判断、拆解、验证的部分正是该留给自己练的。

立正建议把 AI 往自己的领域上靠，让两个圈交叠，看 AI 怎么用在专业里⁠4。他也说成长路径不是先完全学会再用，而是在使用中逐步升级，先把一两个高频任务迁移到 AI 上，再把第一次成功经验沉淀下来⁠5。这给计算机学生一个可试的做法：选专业里一个你已有基础的小任务，比如一个小功能或一段数据处理，用 AI 做出来，然后自己检查哪里对、哪里错、错在什么假设上。这个尝试能帮你判断：你的专业深度够不够收口，以及缺的是深度还是把想法变成可运行东西的经验。广度更适合在这个循环里自然长出来，而不是先铺开一堆方向再回头补深度。