AI寫程式／大學生與工程師，ChatGPT紅利都吃得到？
當AI寫程式（AI Coding）的浪潮席捲而來，ChatGPT問世後更喚醒企業主升級人才的渴求，對於剛畢業的大學生以及已入社會的工程師都有巨大影響！無論是程式小白或老手，AI都正重塑寫程式的方式。然而，看似普惠的AI Coding，可能幫你跨界覓得新工作，也可能意外被壓縮發展空間——國內外AI專家怎麼說？AI Coding怎麼用最能吃到這一波科技升級紅利？對新手還是老手最有幫助？請見完整分析。
台灣有大學生設計師運用AI工具打造應用程式，一度擠下ChatGPT、躍上下載榜首；國外也有人運用AI開發遊戲，短短一個月就進帳8.7萬美元。在Threads、X（前Twitter）等社群平台上，沒有資訊背景的使用者也紛紛分享如何透過AI自動化工作，成為討論熱點。
可以說，AI正描繪出一幅「人人都能寫程式」的民主化願景。
運用AI輔助寫程式的好處明顯可見，但當問題規模變大時，可能就會有未曾想到的挑戰浮現。運用Google Gemini生成
工具普及、門檻降低，新手也能寫程式
「利用AI輔助寫程式，或者在日常中自動化處理任務，不管是出發點還是結果，我都覺得是好的。」角川集團資料架構師、同時也是微軟AI領域最有價值專家（MVP）的孫玉峰表示，雖然網路上已有大量程式資源，無論付費或免費，但對許多人而言，跨出第一步仍然困難重重。
對新手而言，可能得先啃完整兩章教科書，或花上六小時上完兩堂線上課程，才終於建置好環境、打開專案，並對資料型態與資料結構略有了解，卻仍無法產出實作成果。
對照之下，透過ChatGPT或Cursor，輸入幾句指令就能產出可執行的程式碼，AI大幅降低了寫程式的門檻。
對沒有程式背景的設計師來說，AI工具有辦法減少架設網站的時間。曾子軒攝於生成式AI小聚。
孫玉峰認為，AI工具的最大優勢在於能迅速產生概念驗證（Proof of Concept, POC），即便完成度僅八、九成，只要能執行就是重大突破。「那一小點（差距），你用手動微調都可以接受。」
不只是從未接觸過程式的程式小白，初階工程師同樣能從AI工具中受益。孫玉峰指出，初階工程師或許無法獨立發想完整的專案邏輯，但AI可以快速提供初步架構，再由使用者調整，形成快速迭代、驗證想法的理想流程。
AI寫程式的風險：黑箱作業
雖然AI寫程式風潮正熾，但也有隱憂存在。
「說到風險，最怕的就是你不知其所以然，就直接拿來用。」孫玉峰解釋，程式小白缺乏基本知識背景，難以判斷程式碼的正確性，只能根據假想情境測試；但軟體開發往往需要更全面的測試流程，包含針對邊緣案例設計錯誤處理邏輯。
若AI產出的解法僅限個人使用，錯誤影響有限；但若應用於商業場域，失誤可能導致重大損失。
Appier創辦人游直翰（左）今年1月表示，自家產品有不少功能完全交由AI開發，工程師們則負責架構（architect）任務。曾子軒攝
新創公司Zeabur創辦人林沅霖補充，工程師清楚如何設定目標、拆解需求並擬定步驟；但未經訓練的一般人與AI溝通時，就像在「向AI許願」一樣直接丟出需求，AI無法轉譯為可執行的程式語言，因此產出不如預期。
除了程式小白與AI協作的效率以外，孫玉峰認為，AI對工程師群體的養成可能也產生影響。舉例來說，不同語言有各自特性，有些適合使用迴圈，有些則因硬體或架構設計更適合平行處理，「如果只是用AI幫忙，不一定知道底層做了哪些事情，寫出來的程式很難保證效能。」
是學會「指令」，還是真正「學會寫程式」？
隨著AI工具與進步，即使不懂程式邏輯，也能用AI寫出Google Apps Script、開發出Python應用，解決實際問題。但新問題也隨之浮現——在與AI協作的過程中，我們究竟有沒有學會能夠轉移的技能？還是只變得更擅長「下指令」而已？
當錯誤發生時，除了將整包程式碼丟給Claude重寫，是否還有更有效率的解決方案？我們究竟該追求「能解決問題的結果」，還是應該理解解法的來龍去脈？
孫玉峰表示，運用AI寫程式時若不斷遇上錯誤，使用者容易挫折，這時或許就是回頭讀文件、看程式碼的好時機。孫玉峰提供。
「我認為還是要理解細節。」孫玉峰強調，在資訊社會中，理解程式運作與與機器互動的方式，應該成為每個人必備素養，而非工程師的專利。況且AI已降低學習門檻，能解釋程式碼的架構、功能與意義，「不學太可惜」。
林沅霖則以「光譜」比喻寫程式方法的差異：一端是從零開始，寫出每一行程式碼；另一端則是依賴框架開發。他口中的框架（framework），就像蓋房子的設計圖與工具組，讓工程師不用每次開發網頁或者架設資料庫時，都得重新發明輪子。
他表示，過去也曾有資深工程師批評框架會讓人失去寫程式的能力，但隨著時間過去，大家已能信任並熟練使用框架。在他眼中，AI就是新的框架，人們確信框架能夠穩定運作，未來也將逐步相信AI產出的程式碼，「這其實是對軟體工程『確定性邊界』的問題。」
不管是運用框架，還是使用AI生成程式碼，如同《科技島讀》作者周欽華所寫，兩者都能視為抽象化（abstraction）的具體展現，當人們足夠信任AI時，便不再需要了解程式如何執行。
Zeabur創辦人林沅霖認為，從歷史發展來看，當AI的穩定性達標以後，人們終將接受由AI生成的程式碼。曾子軒攝於生成式AI小聚。
如今，也常有人建議新手請AI解釋專案架構、說明各個檔案的功能，林沅霖在教學中也如此實踐，但他坦言未來可能不必如此。「這件事本質來說，是人類有沒有辦法從一個大專案裡定位問題來源，但Sonnet 3.7已經能做到了。」
換言之，當前我們遇到的挑戰，多半是技術發展初期的陣痛，未來隨著AI成熟，這些問題可能迎刃而解。
過渡期還是要生存，評估風險、確定成本就應用
OpenAI產品長威爾（Kevin Weil）日前受訪時指出，o1-preview模型推出之際，其程式能力已達全球前2至3%；更進一階的o1模型進入全球前1000強，o3甚至逼近全球前175名。換句話說，從純能力來看，「諸神黃昏」已然降臨。
那麼，處在過渡期的人們，應該如何生存？
孫玉峰建議，在運用AI進行程式開發時，應優先辨識使用情境並進行風險評估。例如，他不建議在醫療或高科技製造等高風險產業直接採用AI生成的方案：「它可能影響生命，或者產值可能一天就掉幾千萬，⋯⋯應該還有更成熟的空間。」
若風險不高，只要設定適當的人為審核機制，便可嘗試導入。他形容AI的試錯成本低，猶如攝影從底片時代進入數位時代，照片拍壞怎麼辦？刪掉就好。「AI coding只要有監督，錯了也能快速修正，」又能夠加快迭代速度，他樂見其成。
不只是利用AI寫程式，包含AI輔助設計、修整文章內容，已經成為難以扭轉的趨勢。曾子軒攝於2025台北電玩展。
針對程式小白，林沅霖和孫玉峰都同意，至少就現在來說，具備基礎軟體開發知識仍然有幫助。若要說核心能力，與AI互動的101－學習清楚說明需求，也依舊是產出高品質結果的關鍵。
AI工具讓沒有工程背景的使用者也能將創意化為實際產品，自力完成過去需仰賴工程師的任務。但若過度依賴AI，僅學會下指令，卻忽略背後的邏輯與知識基礎，將無法累積解決問題的能力。
對工程師而言，AI是高效助手，能協助處理重複性高、瑣碎的任務，釋放時間、投注在更具策略性的開發。然而，AI生成的程式碼品質不一，也可能導致預期中省下的時間，反而耗費在除錯與重構上。
「在穩定性、可擴展性以及容易程度之間去找到一個平衡點，我覺得這是現在我們遇到的問題。」林沅霖的這句話，恰好適合作為本文的結尾。
即便找出方向，也要持續探索解法，並將其當作永久的測試版。這可能是在末日之際，邁向新世界的解答。
延伸閱讀：