能学，但值得学的东西变了：不是背语法和框架，而是把模糊需求变成可交付结果、并在撤掉 AI 后还能自己判断和迭代的能力。
AI根据立正公开的文章和视频整理，不是他本人回复。重要的判断，请回到出处核对。
计算机专业仍值得读，但价值从“会写代码”转向“会判断和交付”
AI 让第一版代码变得便宜，却没有填平从能跑的 demo 到被真实业务长期依赖的系统之间的鸿沟，项目的大部分复杂度往往在第一版出现、真实用户开始使用后才显形1。所以专业训练的意义不再是记住语法，而是练建模、拆解、验收、诊断和迭代这些 AI 替你完成的部分2。一个可检验的做法：拿到一个需求，先自己写下打算怎么做、觉得哪里会出错，再看 AI 的结果，错了才有得学3。
判断“学会了没有”，看撤掉 AI 之后还剩什么
做出来了只能说明当下做得好；真正学会是撤掉帮助、过一段时间、换一道题，你还会4。这正好解释为什么大一就大量依赖 AI 有争议：没有基础时，容易把“AI 做对了”当成“我也会了”5。不必因此拒绝 AI，配环境、调端口这类消耗意志力却不长智慧的“假困难”可以交给它，难要留给值不值得做、怎么拆、做得好不好3。
就业变难不等于专业没价值，标签要叠上 AI
AI推演有材料提到，即便是名校计算机毕业生，近期找工作也不轻松6。但同一段讨论给出的方向是：不要纠结身份和分工，更重要是找到自己擅长和喜欢的领域，再把 AI 用好，成为“会用 AI 的某类人”6。这条判断来自节目中的嘉宾发言，且该期字幕为未校对的自动识别，具体数字和措辞需以原视频核实。
关于就业市场的判断来自嘉宾发言且字幕未校对，不能当作已核实的行业结论；材料也未给出具体院校或岗位的录取数据。
出处
- 1Don't build: 看清demo和production之间的鸿沟
说明 demo 与 production 的鸿沟为何没被 AI 填平，适合理解专业训练仍要练什么。
- 2学AI的两大误区：找课本（只看不动手），抄作业（依赖tutorial）
解释为什么“懂概念、会解释”不等于能交付，以及 tutorial 为什么替你做掉了最关键的部分。
- 3假学习的终结
给出可操作的三步检验：先自己猜、撤掉帮助再做、换一道题，并区分真假困难。
- 4AI替你做出来以后，你还会什么？｜哥大客座课程回放
说明“学会的感觉”和“学会”常常相反，适合核对撤掉 AI 后的判断标准。
- 5AI真的没有门槛了？从美国中小学生如何用AI，看AI时代核心素质，和我们应该做什么
可回到原文核对这部分判断
- 6硅谷徐老师：AI时代职业何去何从？
提供就业变难与“标签叠 AI”这一视角，注意其为嘉宾观点且字幕未校对。
你也有想问的？
卡住的时候，问问立正：回答只从立正讲过、写过的东西里来，每一段都能点回原文。
问类似的问题也可以接着问：
别人还问了
- 现在转码还有意义吗？AI 时代如何转码？
转码的旧红利（毕业即多个大厂 offer）已经过去，但 AI 时代真正稀缺的不是会写代码，而是能用廉价代码换取认知确定性、把真实任务交给 AI 做完的人。
- 我即将换新工作，我希望在去之前能以一个新面貌去面对。因为我在当前工作环境中，心态上已经摆烂很久了，我会怕以当前状态直接进入新工作会不适应。为了自我成长，我该从哪些维度去调整自己的心态，以及如何对当前工作经历进行review。
换工作前的心态调整，重点不是逼自己“焕然一新”，而是把注意力从抱怨环境转向改造、适应或选择环境，并用一次真实的输出重新看清自己。
- 如何减少情绪对我的影响
减少情绪影响的关键不是压住它，而是先看清它是否在替你做判断：后悔、焦虑这类情绪一旦接管当下判断，就会让你更难行动。
- 怎样形成系统认知
系统认知不是知道更多事实，而是先在脑中建一个能解释现实的抽象框架，再用现实反馈不断修正它。
- 立正说AI这个东西和8小时工作制有严重冲突，因为增效无法带来创业一样的超额回报，但是他又想做企业AI培训，这甚至是个游戏终局，难道这不矛盾么？
不矛盾：全职雇佣制难以把AI提效变成个人回报，这是制度问题；做企业AI培训恰恰是绕开这个制度、按结果收费的生意。
- FDE面临的问题
FDE 的核心难题是：它靠人肉定制起步，却必须把重复问题沉淀回产品，否则公司会退化成咨询公司；同时它对市场环境高度敏感，北美比国内更容易跑通。