2050 年的工程教育 / 課後 CS

介紹

計算機科學教育在過去幾十年中發生了巨大變化。隨著近年來計算機的一系列進步，大學已經調整了他們的課程和專案，以跟上這些變化。追溯到 1960 年代，計算機程式被轉錄到穿孔卡片上並載入到大型計算機上。課程探討了數值分析、入門程式設計、邏輯設計和開關電路。進入 1990 年代，臺式計算機的開發鼓勵大學安裝計算機實驗室。在這個時代，計算機科學教育側重於軟體工程、作業系統、計算機組織和計算原理。如今，所有大學生都隨身攜帶自己的個人筆記型電腦。這種變化透過提高開發效率來提高計算機科學教育的潛力。學生可以透過網際網路訪問大量學習資源，在整合開發環境 (IDE) 上輕鬆地開發程式。隨著 Web 開發、人工智慧、機器學習、網路安全和雲計算的進步，大學還整合了選修課，以探索計算機科學的最新發展。

為了闡述 2050 年計算機科學課堂的願景，重點放在趨勢的連續性上。多年來，計算機科學的驅動變化很大程度上歸因於技術進步，這些進步提高了內容交付、學習資源訪問和內容應用。這種趨勢將持續下去，因為當前計算機科學學生的侷限性將被識別並透過更新的技術來解決。將重點放在以下領域：學生的學習速度、學習資源檢索時間和內容視覺化。

CS 教育結構

基礎知識仍然是關鍵

當今 CS 教學大綱的某些部分幾十年來一直保持相關性。動態規劃等技術可以追溯到 1950 年代，而圖靈機等基礎計算概念甚至起源更早。這些概念是演算法和計算理論等更廣泛主題的一部分，這些主題可以說是計算機科學的支柱，因為它們教授了有用的模式和解決問題的方法。類似的論點可以應用於向學生介紹經過時間考驗的計算抽象的系統主題。

與自然科學相比，計算機科學是一個獨特的領域，它主要建立在早期計算機科學家、軟體工程師和該領域其他從業者的工作和抽象的基礎上。因此，計算機科學基礎對於新手來說尤為重要，因為它們以這樣或那樣的形式貫穿整個歷史。這種重要性延伸到現代技術，因為今天使用的許多程式語言都是基於之前的抽象構建的；例如，本十年最熱門的系統程式語言之一 Rust，是基於型別理論和程式驗證的概念構建的。使用 Rust 的程式設計師還受益於對計算機記憶體模型的強大實踐理解。計算機科學抽象以不同的程度“洩漏”；新的抽象和技術不會使對低階抽象的基礎知識和理解過時。

這種願景預測計算機科學基礎在未來幾十年內將繼續保持相關性。但是，雖然這些模式和抽象在未來將保持重要，但 CS 教育的其他方面將發生變化。

CS 教學大綱變化

回顧計算機科學教學大綱的多年發展，始終存在的趨勢是，採用當前的技術進步來定製傳遞給學生的內容。例如，隨著網際網路和 Web 的興起，Web 開發在 2000 年代初開始流行起來，因為為應用程式開發使用者介面的機會出現了。隨之而來的是，大學採用了介紹學生學習與 Web 開發相關的語言和技術的課程。一個例子是弗吉尼亞大學的 CS 3240：高階軟體開發基礎課程，該課程鼓勵學生在一個學期內開發一個功能齊全的 Web 應用程式。展望未來，計算機科學教學大綱的重大變化將是由於計算機科學的新興發展。

人工智慧和機器學習已經徹底改變了金融、醫療保健、安全以及更多領域。這些技術到 2050 年只會改進，以自動化許多當前的人類任務，從而實現更高效的決策和響應時間。這種重大變化將極大地影響當今的職業，併產生對能夠理解和操作這些流程、系統和工具的技能更強的個人的需求。因此，大學將需要透過培訓學生理解人工智慧和機器學習來培養這種新的人才隊伍。隨著這種新的需求，計算機科學教學大綱將要求學生修讀人工智慧和機器學習課程，以分析這些工具的工作原理以及它們的各種應用。

計算機科學的新興發展還包括雲計算、量子計算、物聯網、機器人技術和虛擬現實。這些主題在其發展初期相對較早，阻礙了大學跟上其課程的不斷發展。然而，到 2050 年，這些技術將得到發展並融入社會，為大學提供足夠的內容來提高這些主題對其學生的參與度。由於這些技術將成為行業中有影響力的發展，因此在這些主題上提供優質教育將支援培養技能嫻熟的工程師，為行業中的這些發展做出貢獻。

計算機科學課程中另一個重大的問題是其過時性。程式語言和框架不斷發展。大學面臨著將課程與行業進步保持同步的挑戰。科技初創公司 Dittach 的執行長丹尼爾·蓋勒特 (Daniel Gelernter) 在他的《華爾街日報》文章《為什麼我不打算僱傭計算機科學專業畢業生》中說，大多數大學計算機科學系在該領域落後了 10 年，而該領域每 10 分鐘就會發生變化。後果包括培養出缺乏行業所需最新技能的計算機科學畢業生。然而，改變整個課程需要大量的計劃。弗吉尼亞大學計算機科學系從 1989 年開始，花了大約 8 年的時間（2014-2022）來規劃和執行新的計算機科學課程。這個過程包括收集需求、設計新課程、試點課程、獲得批准以及執行最終計劃。在試圖確保內容與行業保持同步的同時，管理課程更改所需的漫長時間是不可行的。然而，隨著人工智慧的進步，設計過程將加快。人工智慧將用於根據當前行業趨勢有效地選擇和設計內容。如前所述，課程的核心內容將保持不變。但是，用於在課堂上補充這些內容的技術和軟體將藉助人工智慧進行更新。這一進步也將幫助教師快速適應新內容，從而使合格教師教授快速變化的課程不再成為問題。這一進步將確保學生掌握相關技能，併為行業中要求苛刻的角色做好更好的準備。

技術進步

技術在教育中的作用

1995 年，學生們遇到了網際網路的早期階段，網際網路當時是一種突破性的工具，用於訪問資訊。以前依賴書籍、老師和同伴，網際網路帶來了對大量知識的即時訪問，加快了學習過程。臺式計算機曾經是主要互動方式，現在已經讓位於筆記型電腦和智慧手機，改變了資訊檢索的格局。YouTube、Geeks for Geeks 和 Stack Overflow 等平臺已成為 CS 學習體驗不可或缺的一部分，突出了一個趨勢：學生現在和將來都會優先考慮高效、快速且使用者友好的資訊傳遞系統。

教育部門見證了虛擬現實 (VR) 作為一種工具的整合。最近，中佛羅里達大學試圖將虛擬現實融入其量子計算課程。電氣電子工程師協會 (IEEE) 進行了試點計劃，在入門程式設計中採用 VR，取得了積極成果。K-12 教育已經採用了 3D 模型，YouTube 現在提供 360 度互動式影片，以增強視覺化效果。與 VR 提供的完全沉浸式體驗不同，增強現實是一種更先進的技術，類似於 VR，使用者能夠與現實世界互動。儘管大多數增強現實軟體最常與智慧手機結合使用，但更多的開發工作正在努力將 AR 與全息眼鏡結合起來。隨著谷歌和蘋果等科技巨頭的投資，以及 ChatGPT、谷歌和微軟的人工智慧模型的進步，我們對 2050 年的預期是，虛擬現實 (VR) 和增強現實 (AR) 與人工智慧處理相結合，將成為學生的主要工具。

增強現實、虛擬現實和個性化人工智慧學習

AR/AI 整合有望解決學習的三個關鍵方面：學習速度、內容傳遞速度和內容視覺化。儘管網際網路上提供了大量的資源，但二維螢幕的侷限性限制了學習效率。講座期間的語音和影像傳遞會導致誤解，促使學生線上尋求澄清。AR 結合針對個人學習模式的個性化 AI 模型。我們設想一個未來，學生可以使用 AR 眼鏡深入瞭解講座內容，及時解決歧義或在 3D 空間中呈現資訊，以改善視覺化效果。利用影片、照片和語音，AR/AI 可以提供全面的理解。以下是一個場景。想象一個學生坐在課堂上，面臨著理解教授講課的挑戰。在這裡，AR/AI 成為了盟友。學生配備了 AR 眼鏡，可以無縫呼叫 AI 驅動的輔助來即時闡述複雜的概念。無論是在抽象的理論原理方面遇到困難，還是在視覺化複雜結構方面遇到困難，AR/AI 都能介入。它將課堂轉變為一個三維表示形式具體化的空間，提供身臨其境和個性化的學習體驗。

VR 的發展不僅為非同步學習打開了大門，還加強了虛擬同步學習，縮小了物理課堂和線上教育之間的差距。COVID-19 大流行期間向非同步學習的轉變突出了教育靈活性的重要性，使學生能夠隨時訪問課程資料和講座。這種趨勢在大流行後仍然存在，讓學生能夠以適合自己時間安排的方式參與計算機科學內容。隨著 VR 技術變得更加主流，並與即時翻譯功能整合，我們預測非同步和線上同步學習以及計算機科學教育的全球可及性預計將增加。雖然傳統線上教育，通常透過 Zoom 等線上平臺進行，已取得成功，但將 VR 整合到計算機科學教育中將提升到另一個層次。VR 課堂將學生沉浸在互動式和動態的虛擬環境中，提供更具吸引力和更真實的物理課堂模擬。這可以增強協作、動手體驗，並使計算機科學主題更易理解和記憶。配備即時翻譯功能的虛擬教室打破了語言障礙，培養了來自世界各地的學習者協作而多元化的社群。這種可及性的提高不僅擴充套件了教育資源的覆蓋範圍，而且促進了跨文化交流和更豐富的學習體驗。

人工智慧發展對 CS 教育的影響

截至 2023 年，ChatGPT 是“歷史上增長最快的消費者應用程式”，在釋出後不久就達到了 1 億月活躍使用者。有些人認為人工智慧革命部分是由對 ChatGPT 等生成式預訓練變換器工具的爆炸性興趣推動的。這類技術中的工具已在某些任務中證明了其顯著的能力；例如，OpenAI 的 GPT-4 與 LSAT 成績為 163 分和 SAT 成績為 1410 分的說法一起釋出，供使用。生成式人工智慧還在資訊檢索和編碼輔助等領域展現出潛力。這種對未來的展望，如果不對未來 27 年人工智慧發展可能產生的影響進行討論，將會是不完整的。

編碼的改變

如今，編碼是計算機科學專業學生的核心能力；它貫穿 CS 學生大部分教育過程，被教授、實踐和評估。這種基本活動也是 AI 驅動變革的特別可能目標。

考慮人類通常關注的寫作的一些屬性：內容正確性、語法結構、表達能力、情感、拼寫、簡潔性等。不同的語境需要不同的寫作屬性；例如，虛構作品不需要遵循事實，詩歌可能受節奏約束，而散文不受約束。寫作有很多選擇性想要的屬性，而且大多數屬性不容易驗證，甚至不容易識別。評估寫作的這些屬性對人類來說是一項非凡的任務，這取決於屬性，對自動化工具來說同樣非凡。

將這與程式碼形成對比，程式碼通常是為了在計算機上執行的單一目的而編寫的，並且與寫作相比，可能存在的理想結構更少。程式碼片段的理想屬性也存在，例如型別正確性、語法正確性、可讀性和語義正確性。然而，與寫作不同的是，這些屬性中的許多可以透過編譯和靜態分析自動識別。程式碼沒有靈丹妙藥；畢竟，Rice 的定理表明，程式的非平凡語義屬性是不可判定的。然而，屬性驗證任務對程式碼的覆蓋範圍大於寫作。

生成式人工智慧已顯示出能夠為寫作和編碼任務生成接近人類的輸出。然而，看似隨機的是，它會產生細微的錯誤或不希望有的輸出。這些工具可以在生成的寫作中虛構事實、人物、引用等等。生成的程式碼也是如此，它可能包括不存在的語法或函式。由於這兩種型別的輸出都容易出現這些問題，因此生成式人工智慧在程式碼生成中的應用有更強的理由，因為可以在其中確定性地識別隨機生成的程式碼的許多屬性。

由於生成式人工智慧在程式碼生成方面的安全使用潛力遠大於其他領域，因此這一願景預測到 2050 年，這種技術將在程式碼生成任務中得到廣泛應用。具體來說，其質量可能會足夠高，可以完全自動化基礎軟體的實現。這種程度的實現可能不包括做出更高層次的架構決策；因此，隨著基礎編碼能力價值的下降，工程師的軟技能和一般問題解決能力將變得更加重要。

計算機科學能力評估的相應變化

2023 年，生成式人工智慧工具可以為入門程式設計任務生成程式碼；2050 年的工具可能會讓當今的入門和中級程式設計問題變得微不足道。為了適應新的功能，應該實施新的計算機科學能力評估方法。當今問題測試的基本計算機科學知識在 2050 年同樣重要。如果人工智慧工具使合格學生的作業與不合格學生的作業無法區分，那麼限制學習和測試環境就變得必要。類似於今天學生在沒有計算器的情況下學習算術基礎知識一樣，計算機科學學生應該在某些情況下，在沒有人工智慧工具的情況下進行評估。

基礎編碼能力的重要性降低將提升技術概念解釋作為評估能力的一種途徑。例如，可以要求學生寫下完成實現任務的方法。教育體系還可以引入面試，要求學生討論學習主題的關鍵部分和機制。面試可能無法擴充套件，但這裡的內容比媒介更重要；在一個僅生成工作程式碼變得微不足道的世界中，展現深刻和細緻入微的理解至關重要。前面預測的軟技能重要性將使這種溝通任務變得更加重要；學生將能夠在他們的計算機科學教育過程中展現技術專長和溝通能力。

基礎編碼能力的這種下降也導致學生在計算機科學教育過程中參與越來越複雜的專案。開放資源環境將使學生能夠完成比今天學生更多的事情；用於評估這些學生並提供工作經驗的專案將相應增加。這可能採取更抽象問題的形式，或者要求學生更多地偏離常見模式。無論如何，這種願景認為專案在計算機科學教育中的作用與今天不同。當今的專案和作業通常是學生在環境限制較小的環境中展現計算機科學基礎知識能力的機會。這可能意味著實現經典演算法的略微修改版本，或執行相對基本的編碼。在 2050 年，這些專案將不得不與基礎計算機科學內容減少耦合。評估計算機科學基礎知識的能力將以不同的方式進行，而更廣泛的專案將為學生提供在現代 AI 輔助程式設計中的經驗。

從當前的 GenAI 教育環境到 2050 年

當然，通往這種新型計算機科學能力評估的道路漫長。生成式 AI 工具的持續發展可能會為學生提供新的功能，這些功能需要對評估方法進行創新性的調整。畢竟，這些工具並非在真空中存在。各個模型之間存在很大差異，它們的輸出受規模、訓練輸入、激勵行為等因素的影響。到 2050 年，可用模型的集合可能更加多樣化，從而促使課程做出更具體的調整。

然而，在 2024 年，計算機科學課程中普遍存在兩種生成式 AI 政策：“不允許使用生成式 AI”或“如果使用生成式 AI，請說明使用的提示”。明確的政策是必要的，但這些非此即彼的態度可以改進。這些生成式 AI 工具的新穎性使得政策執行變得困難；檢測和水印生成式 AI 輸出是一個正在發展的研究領域。教育中的生成式 AI 政策將不得不隨著正在開發的工具一起發展，變得更加複雜。

例如，2050 年的程式設計可能要求程式設計師精通提示生成式 AI 工具。學校可以提供幫助培養這種技能的環境和練習。一方面，如果最先進的模型只需使用簡單的提示就可以完成這些練習，那麼它們將不適合用於教育目的。另一方面，將最先進的模型推向極限的任務可能對學生來說過於困難，無法提示。學校可以改用具有已知能力限制的模型；理想情況下，這些模型需要非簡單的提示才能對提供的作業有所幫助。在這種情況下，生成式 AI 政策既不是嚴格禁止使用，也不是公開邀請簡化作業。相反，學生將被限制使用特定模型來發展他們的提示能力。

在生成式 AI 開發和政策討論的早期階段讓教育工作者參與進來，將有助於更平穩地過渡到新的程式設計和計算機科學教育環境。在計劃和要求方面達成一致將有助於工具開發人員瞭解其使用者的需求，同時也有助於教育工作者計劃和試驗課堂上的生成式 AI。

從當前的 GenAI 教育環境到 2050 年

當然，通往這種新型計算機科學能力評估的道路漫長。生成式 AI 工具的持續發展可能會為學生提供新的功能，這些功能需要對評估方法進行創新性的調整。畢竟，這些工具並非在真空中存在。各個模型之間存在很大差異，它們的輸出受規模、訓練輸入、激勵行為等因素的影響。到 2050 年，可用模型的集合可能更加多樣化，從而促使課程做出更具體的調整。

然而，在 2024 年，計算機科學課程中普遍存在兩種生成式 AI 政策：“不允許使用生成式 AI”或“如果使用生成式 AI，請說明使用的提示”。明確的政策是必要的，但這些非此即彼的態度可以改進。這些生成式 AI 工具的新穎性使得政策執行變得困難；檢測和水印生成式 AI 輸出是一個正在發展的研究領域。教育中的生成式 AI 政策將不得不隨著正在開發的工具一起發展，變得更加複雜。

例如，2050 年的程式設計可能要求程式設計師精通提示生成式 AI 工具。學校可以提供幫助培養這種技能的環境和練習。一方面，如果最先進的模型只需使用簡單的提示就可以完成這些練習，那麼它們將不適合用於教育目的。另一方面，將最先進的模型推向極限的任務可能對學生來說過於困難，無法提示。學校可以改用具有已知能力限制的模型；理想情況下，這些模型需要非簡單的提示才能對提供的作業有所幫助。在這種情況下，生成式 AI 政策既不是嚴格禁止使用，也不是公開邀請簡化作業。相反，學生將被限制使用特定模型來發展他們的提示能力。

在生成式 AI 開發和政策討論的早期階段讓教育工作者參與進來，將有助於更平穩地過渡到新的程式設計和計算機科學教育環境。在計劃和要求方面達成一致將有助於工具開發人員瞭解其使用者的需求，同時也有助於教育工作者計劃和試驗課堂上的生成式 AI。