2050 年的工程教育 / 课后 CS

介绍

计算机科学教育在过去几十年中发生了巨大变化。随着近年来计算机的一系列进步，大学已经调整了他们的课程和项目，以跟上这些变化。追溯到 1960 年代，计算机程序被转录到穿孔卡片上并加载到大型计算机上。课程探讨了数值分析、入门编程、逻辑设计和开关电路。进入 1990 年代，台式计算机的开发鼓励大学安装计算机实验室。在这个时代，计算机科学教育侧重于软件工程、操作系统、计算机组织和计算原理。如今，所有大学生都随身携带自己的个人笔记本电脑。这种变化通过提高开发效率来提高计算机科学教育的潜力。学生可以通过互联网访问大量学习资源，在集成开发环境 (IDE) 上轻松地开发程序。随着 Web 开发、人工智能、机器学习、网络安全和云计算的进步，大学还整合了选修课，以探索计算机科学的最新发展。

为了阐述 2050 年计算机科学课堂的愿景，重点放在趋势的连续性上。多年来，计算机科学的驱动变化很大程度上归因于技术进步，这些进步提高了内容交付、学习资源访问和内容应用。这种趋势将持续下去，因为当前计算机科学学生的局限性将被识别并通过更新的技术来解决。将重点放在以下领域：学生的学习速度、学习资源检索时间和内容可视化。

CS 教育结构

基础知识仍然是关键

当今 CS 教学大纲的某些部分几十年来一直保持相关性。动态规划等技术可以追溯到 1950 年代，而图灵机等基础计算概念甚至起源更早。这些概念是算法和计算理论等更广泛主题的一部分，这些主题可以说是计算机科学的支柱，因为它们教授了有用的模式和解决问题的方法。类似的论点可以应用于向学生介绍经过时间考验的计算抽象的系统主题。

与自然科学相比，计算机科学是一个独特的领域，它主要建立在早期计算机科学家、软件工程师和该领域其他从业者的工作和抽象的基础上。因此，计算机科学基础对于新手来说尤为重要，因为它们以这样或那样的形式贯穿整个历史。这种重要性延伸到现代技术，因为今天使用的许多编程语言都是基于之前的抽象构建的；例如，本十年最热门的系统编程语言之一 Rust，是基于类型理论和程序验证的概念构建的。使用 Rust 的程序员还受益于对计算机内存模型的强大实践理解。计算机科学抽象以不同的程度“泄漏”；新的抽象和技术不会使对低级抽象的基础知识和理解过时。

这种愿景预测计算机科学基础在未来几十年内将继续保持相关性。但是，虽然这些模式和抽象在未来将保持重要，但 CS 教育的其他方面将发生变化。

CS 教学大纲变化

回顾计算机科学教学大纲的多年发展，始终存在的趋势是，采用当前的技术进步来定制传递给学生的內容。例如，随着互联网和 Web 的兴起，Web 开发在 2000 年代初开始流行起来，因为为应用程序开发用户界面的机会出现了。随之而来的是，大学采用了介绍学生学习与 Web 开发相关的语言和技术的课程。一个例子是弗吉尼亚大学的 CS 3240：高级软件开发基础课程，该课程鼓励学生在一个学期内开发一个功能齐全的 Web 应用程序。展望未来，计算机科学教学大纲的重大变化将是由于计算机科学的新兴发展。

人工智能和机器学习已经彻底改变了金融、医疗保健、安全以及更多领域。这些技术到 2050 年只会改进，以自动化许多当前的人类任务，从而实现更高效的决策和响应时间。这种重大变化将极大地影响当今的职业，并产生对能够理解和操作这些流程、系统和工具的技能更强的个人的需求。因此，大学将需要通过培训学生理解人工智能和机器学习来培养这种新的人才队伍。随着这种新的需求，计算机科学教学大纲将要求学生修读人工智能和机器学习课程，以分析这些工具的工作原理以及它们的各种应用。

计算机科学的新兴发展还包括云计算、量子计算、物联网、机器人技术和虚拟现实。这些主题在其发展初期相对较早，阻碍了大学跟上其课程的不断发展。然而，到 2050 年，这些技术将得到发展并融入社会，为大学提供足够的内容来提高这些主题对其学生的参与度。由于这些技术将成为行业中有影响力的发展，因此在这些主题上提供优质教育将支持培养技能娴熟的工程师，为行业中的这些发展做出贡献。

计算机科学课程中另一个重大的问题是其过时性。编程语言和框架不断发展。大学面临着将课程与行业进步保持同步的挑战。科技初创公司 Dittach 的首席执行官丹尼尔·盖勒特 (Daniel Gelernter) 在他的《华尔街日报》文章《为什么我不打算雇佣计算机科学专业毕业生》中说，大多数大学计算机科学系在该领域落后了 10 年，而该领域每 10 分钟就会发生变化。后果包括培养出缺乏行业所需最新技能的计算机科学毕业生。然而，改变整个课程需要大量的计划。弗吉尼亚大学计算机科学系从 1989 年开始，花了大约 8 年的时间（2014-2022）来规划和执行新的计算机科学课程。这个过程包括收集需求、设计新课程、试点课程、获得批准以及执行最终计划。在试图确保内容与行业保持同步的同时，管理课程更改所需的漫长时间是不可行的。然而，随着人工智能的进步，设计过程将加快。人工智能将用于根据当前行业趋势有效地选择和设计内容。如前所述，课程的核心内容将保持不变。但是，用于在课堂上补充这些内容的技术和软件将借助人工智能进行更新。这一进步也将帮助教师快速适应新内容，从而使合格教师教授快速变化的课程不再成为问题。这一进步将确保学生掌握相关技能，并为行业中要求苛刻的角色做好更好的准备。

技术进步

技术在教育中的作用

1995 年，学生们遇到了互联网的早期阶段，互联网当时是一种突破性的工具，用于访问信息。以前依赖书籍、老师和同伴，互联网带来了对大量知识的即时访问，加快了学习过程。台式计算机曾经是主要交互方式，现在已经让位于笔记本电脑和智能手机，改变了信息检索的格局。YouTube、Geeks for Geeks 和 Stack Overflow 等平台已成为 CS 学习体验不可或缺的一部分，突出了一个趋势：学生现在和将来都会优先考虑高效、快速且用户友好的信息传递系统。

教育部门见证了虚拟现实 (VR) 作为一种工具的整合。最近，中佛罗里达大学试图将虚拟现实融入其量子计算课程。电气电子工程师协会 (IEEE) 进行了试点计划，在入门编程中采用 VR，取得了积极成果。K-12 教育已经采用了 3D 模型，YouTube 现在提供 360 度交互式视频，以增强可视化效果。与 VR 提供的完全沉浸式体验不同，增强现实是一种更先进的技术，类似于 VR，用户能够与现实世界交互。尽管大多数增强现实软件最常与智能手机结合使用，但更多的开发工作正在努力将 AR 与全息眼镜结合起来。随着谷歌和苹果等科技巨头的投资，以及 ChatGPT、谷歌和微软的人工智能模型的进步，我们对 2050 年的预期是，虚拟现实 (VR) 和增强现实 (AR) 与人工智能处理相结合，将成为学生的主要工具。

增强现实、虚拟现实和个性化人工智能学习

AR/AI 整合有望解决学习的三个关键方面：学习速度、内容传递速度和内容可视化。尽管互联网上提供了大量的资源，但二维屏幕的局限性限制了学习效率。讲座期间的语音和图像传递会导致误解，促使学生在线寻求澄清。AR 结合针对个人学习模式的个性化 AI 模型。我们设想一个未来，学生可以使用 AR 眼镜深入了解讲座内容，及时解决歧义或在 3D 空间中呈现信息，以改善可视化效果。利用视频、照片和语音，AR/AI 可以提供全面的理解。以下是一个场景。想象一个学生坐在课堂上，面临着理解教授讲课的挑战。在这里，AR/AI 成为了盟友。学生配备了 AR 眼镜，可以无缝调用 AI 驱动的辅助来实时阐述复杂的概念。无论是在抽象的理论原理方面遇到困难，还是在可视化复杂结构方面遇到困难，AR/AI 都能介入。它将课堂转变为一个三维表示形式具体化的空间，提供身临其境和个性化的学习体验。

VR 的发展不仅为异步学习打开了大门，还加强了虚拟同步学习，缩小了物理课堂和在线教育之间的差距。COVID-19 大流行期间向异步学习的转变突出了教育灵活性的重要性，使学生能够随时访问课程资料和讲座。这种趋势在大流行后仍然存在，让学生能够以适合自己时间安排的方式参与计算机科学内容。随着 VR 技术变得更加主流，并与实时翻译功能集成，我们预测异步和在线同步学习以及计算机科学教育的全球可及性预计将增加。虽然传统在线教育，通常通过 Zoom 等在线平台进行，已取得成功，但将 VR 整合到计算机科学教育中将提升到另一个层次。VR 课堂将学生沉浸在交互式和动态的虚拟环境中，提供更具吸引力和更真实的物理课堂模拟。这可以增强协作、动手体验，并使计算机科学主题更易理解和记忆。配备实时翻译功能的虚拟教室打破了语言障碍，培养了来自世界各地的学习者协作而多元化的社区。这种可及性的提高不仅扩展了教育资源的覆盖范围，而且促进了跨文化交流和更丰富的学习体验。

人工智能发展对 CS 教育的影响

截至 2023 年，ChatGPT 是“历史上增长最快的消费者应用程序”，在发布后不久就达到了 1 亿月活跃用户。有些人认为人工智能革命部分是由对 ChatGPT 等生成式预训练变换器工具的爆炸性兴趣推动的。这类技术中的工具已在某些任务中证明了其显著的能力；例如，OpenAI 的 GPT-4 与 LSAT 成绩为 163 分和 SAT 成绩为 1410 分的说法一起发布，供使用。生成式人工智能还在信息检索和编码辅助等领域展现出潜力。这种对未来的展望，如果不对未来 27 年人工智能发展可能产生的影响进行讨论，将会是不完整的。

编码的改变

如今，编码是计算机科学专业学生的核心能力；它贯穿 CS 学生大部分教育过程，被教授、实践和评估。这种基本活动也是 AI 驱动变革的特别可能目标。

考虑人类通常关注的写作的一些属性：内容正确性、语法结构、表达能力、情感、拼写、简洁性等。不同的语境需要不同的写作属性；例如，虚构作品不需要遵循事实，诗歌可能受节奏约束，而散文不受约束。写作有很多选择性想要的属性，而且大多数属性不容易验证，甚至不容易识别。评估写作的这些属性对人类来说是一项非凡的任务，这取决于属性，对自动化工具来说同样非凡。

将这与代码形成对比，代码通常是为了在计算机上执行的单一目的而编写的，并且与写作相比，可能存在的理想结构更少。代码片段的理想属性也存在，例如类型正确性、语法正确性、可读性和语义正确性。然而，与写作不同的是，这些属性中的许多可以通过编译和静态分析自动识别。代码没有灵丹妙药；毕竟，Rice 的定理表明，程序的非平凡语义属性是不可判定的。然而，属性验证任务对代码的覆盖范围大于写作。

生成式人工智能已显示出能够为写作和编码任务生成接近人类的输出。然而，看似随机的是，它会产生细微的错误或不希望有的输出。这些工具可以在生成的写作中虚构事实、人物、引用等等。生成的代码也是如此，它可能包括不存在的语法或函数。由于这两种类型的输出都容易出现这些问题，因此生成式人工智能在代码生成中的应用有更强的理由，因为可以在其中确定性地识别随机生成的代码的许多属性。

由于生成式人工智能在代码生成方面的安全使用潜力远大于其他领域，因此这一愿景预测到 2050 年，这种技术将在代码生成任务中得到广泛应用。具体来说，其质量可能会足够高，可以完全自动化基础软件的实现。这种程度的实现可能不包括做出更高层次的架构决策；因此，随着基础编码能力价值的下降，工程师的软技能和一般问题解决能力将变得更加重要。

计算机科学能力评估的相应变化

2023 年，生成式人工智能工具可以为入门编程任务生成代码；2050 年的工具可能会让当今的入门和中级编程问题变得微不足道。为了适应新的功能，应该实施新的计算机科学能力评估方法。当今问题测试的基本计算机科学知识在 2050 年同样重要。如果人工智能工具使合格学生的作业与不合格学生的作业无法区分，那么限制学习和测试环境就变得必要。类似于今天学生在没有计算器的情况下学习算术基础知识一样，计算机科学学生应该在某些情况下，在没有人工智能工具的情况下进行评估。

基础编码能力的重要性降低将提升技术概念解释作为评估能力的一种途径。例如，可以要求学生写下完成实现任务的方法。教育体系还可以引入面试，要求学生讨论学习主题的关键部分和机制。面试可能无法扩展，但这里的内容比媒介更重要；在一个仅生成工作代码变得微不足道的世界中，展现深刻和细致入微的理解至关重要。前面预测的软技能重要性将使这种沟通任务变得更加重要；学生将能够在他们的计算机科学教育过程中展现技术专长和沟通能力。

基础编码能力的这种下降也导致学生在计算机科学教育过程中参与越来越复杂的项目。开放资源环境将使学生能够完成比今天学生更多的事情；用于评估这些学生并提供工作经验的项目将相应增加。这可能采取更抽象问题的形式，或者要求学生更多地偏离常见模式。无论如何，这种愿景认为项目在计算机科学教育中的作用与今天不同。当今的项目和作业通常是学生在环境限制较小的环境中展现计算机科学基础知识能力的机会。这可能意味着实现经典算法的略微修改版本，或执行相对基本的编码。在 2050 年，这些项目将不得不与基础计算机科学内容减少耦合。评估计算机科学基础知识的能力将以不同的方式进行，而更广泛的项目将为学生提供在现代 AI 辅助编程中的经验。

从当前的 GenAI 教育环境到 2050 年

当然，通往这种新型计算机科学能力评估的道路漫长。生成式 AI 工具的持续发展可能会为学生提供新的功能，这些功能需要对评估方法进行创新性的调整。毕竟，这些工具并非在真空中存在。各个模型之间存在很大差异，它们的输出受规模、训练输入、激励行为等因素的影响。到 2050 年，可用模型的集合可能更加多样化，从而促使课程做出更具体的调整。

然而，在 2024 年，计算机科学课程中普遍存在两种生成式 AI 政策：“不允许使用生成式 AI”或“如果使用生成式 AI，请说明使用的提示”。明确的政策是必要的，但这些非此即彼的态度可以改进。这些生成式 AI 工具的新颖性使得政策执行变得困难；检测和水印生成式 AI 输出是一个正在发展的研究领域。教育中的生成式 AI 政策将不得不随着正在开发的工具一起发展，变得更加复杂。

例如，2050 年的编程可能要求程序员精通提示生成式 AI 工具。学校可以提供帮助培养这种技能的环境和练习。一方面，如果最先进的模型只需使用简单的提示就可以完成这些练习，那么它们将不适合用于教育目的。另一方面，将最先进的模型推向极限的任务可能对学生来说过于困难，无法提示。学校可以改用具有已知能力限制的模型；理想情况下，这些模型需要非简单的提示才能对提供的作业有所帮助。在这种情况下，生成式 AI 政策既不是严格禁止使用，也不是公开邀请简化作业。相反，学生将被限制使用特定模型来发展他们的提示能力。

在生成式 AI 开发和政策讨论的早期阶段让教育工作者参与进来，将有助于更平稳地过渡到新的编程和计算机科学教育环境。在计划和要求方面达成一致将有助于工具开发人员了解其用户的需求，同时也有助于教育工作者计划和试验课堂上的生成式 AI。

从当前的 GenAI 教育环境到 2050 年

当然，通往这种新型计算机科学能力评估的道路漫长。生成式 AI 工具的持续发展可能会为学生提供新的功能，这些功能需要对评估方法进行创新性的调整。毕竟，这些工具并非在真空中存在。各个模型之间存在很大差异，它们的输出受规模、训练输入、激励行为等因素的影响。到 2050 年，可用模型的集合可能更加多样化，从而促使课程做出更具体的调整。

然而，在 2024 年，计算机科学课程中普遍存在两种生成式 AI 政策：“不允许使用生成式 AI”或“如果使用生成式 AI，请说明使用的提示”。明确的政策是必要的，但这些非此即彼的态度可以改进。这些生成式 AI 工具的新颖性使得政策执行变得困难；检测和水印生成式 AI 输出是一个正在发展的研究领域。教育中的生成式 AI 政策将不得不随着正在开发的工具一起发展，变得更加复杂。

例如，2050 年的编程可能要求程序员精通提示生成式 AI 工具。学校可以提供帮助培养这种技能的环境和练习。一方面，如果最先进的模型只需使用简单的提示就可以完成这些练习，那么它们将不适合用于教育目的。另一方面，将最先进的模型推向极限的任务可能对学生来说过于困难，无法提示。学校可以改用具有已知能力限制的模型；理想情况下，这些模型需要非简单的提示才能对提供的作业有所帮助。在这种情况下，生成式 AI 政策既不是严格禁止使用，也不是公开邀请简化作业。相反，学生将被限制使用特定模型来发展他们的提示能力。

在生成式 AI 开发和政策讨论的早期阶段让教育工作者参与进来，将有助于更平稳地过渡到新的编程和计算机科学教育环境。在计划和要求方面达成一致将有助于工具开发人员了解其用户的需求，同时也有助于教育工作者计划和试验课堂上的生成式 AI。