简介：当学生交上由AI生成、自己却讲不明白的代码时，教师不必急着禁止。本文分析编程能力价值的迁移逻辑：会写代码正在贬值，会定义问题、会验收结果、会判断边界正在升值；并结合AI生图教学的类比与可落地的作业改造方案，给出从任务设计、过程性评价到学术诚信重建的完整应对策略，帮助教师把“AI依赖”转化为新的教学资源。
一、一个真实的课堂困境
批改作业时，教师常会遇到这样的场景：提交的代码整洁规范、注释完整、逻辑顺畅，可一旦追问细节——这个变量为什么这样命名？这个异常分支为什么这样处理？学生却答不上来。他只是把需求描述贴给了智能编程助手，把模型返回的代码原样交了上来。
许多教师的第一反应是焦虑，甚至想退回“禁止使用AI”的老路。但禁令很难奏效：AI辅助编程已成为行业常态，学生迟早要在真实工作中与这些工具共处。真正值得做的，是把“学生用AI”从纪律问题，重新定义为一个教学设计问题。
二、价值迁移：从“会写”到“会问、会判、会改”
业界近年有一个被广泛引用的判断：过去的编程是显式的，每一行代码都要由受过专门训练的人亲手写出，“把想法翻译成代码”的打字能力构成了程序员的准入门槛；而当编程逐渐变成隐式的——人只需要向AI描述意图，代码由模型生成——打字环节的稀缺性就快速下降了。
这个判断未必在每个细节上都精确，但它揭示的趋势值得教师认真对待：当代码的边际成本趋近于零，真正稀缺的能力变成了另外几样：
换言之，敲代码正在从“核心能力”降级为“中间环节”。如果教学仍把评价重心放在“能不能独立写出这段代码”上，衡量的是一个正在贬值的能力。
三、“看不懂AI写的代码”到底要不要紧？
先还原我们要求学生读懂代码的原始目的。这条目的链大致是：
读懂代码 → 出问题时能定位 → 能修正 → 最终保证交付质量。
注意，“读懂”只是手段，“保证质量”才是目的。当链条上游的两个前提发生变化时，手段的必要性就需要重新评估：
前提一：代码出错的比例。如果AI生成代码的缺陷率持续下降，甚至在常规任务上低于人类平均水平，逐行读懂的边际价值就在缩小。
前提二：修正的分工。如果学生只需把失败用例、报错信息或测试结果反馈给AI，模型就能自查并给出修正——就像让作者重读一遍自己的稿子——“人工定位缺陷”这一环节也可能被部分替代。
这两个前提当然还没有完全成立，但在越来越多的常规场景中，它们正快速逼近。因此更严谨的结论不是“懂不懂无所谓”，而是：
理解的重心需要迁移——从“逐行读懂语法与实现”，升级为“能验证行为、能判断边界、能界定责任”。
学生可以不知道某个语言特性的冷门细节，但必须能回答三个问题：这段代码在什么输入下会失败？失败造成的后果有多严重、由谁承担？我凭什么相信它这次是对的？这三个问题不依赖逐行阅读，却构成了AI时代真正的“读懂”。
同时也要守住底线：涉及安全、隐私、资金、生产环境的关键系统，人对代码的实质性理解在可预见的未来仍不可豁免——不是因为AI一定会写错，而是因为责任必须有人承担，关键判断必须有人做出。
四、来自AI生图教学的类比
笔者在学校讲授演示文稿课件制作课程。从去年开始，课程专门安排课时讲解AI辅助图片生成：教学生使用当下流行的AI生图工具，为课件产出所需的图片素材。
这门课提供了一个很干净的观察样本。对AI生图而言，最终交付物就是图片本身；课堂上教的提示词写法、对不满意区域的引导修正，都属于使用方法与经验，而不是原理层的东西。从原理上说，AI绘图是从一张随机噪声图出发，在文字条件的引导下逐步去噪、补全细节，最终“凝”出一张清晰图像。但把这套原理讲得再透彻，对生成一张更好的图片几乎没有直接帮助。
对工具的使用者来说，学会把技术用得更好，明显比搞清技术原理更重要。一句话概括：得到满意的图片并放进课件，才是学习目的；懂不懂原理，并不妨碍这个目的达成。
更有意思的是技能的贬值速度。早期的生图工具往往需要专业化、结构化的提示词才能输出高质量结果，于是提示词写作一度是核心技能；而随着模型能力提升，自然语言描述已经足够，提示词技巧的价值快速缩水。反而在升值的是两样东西：想象力——知道要一张什么样的图；共情力——知道这个场景下什么样的画面能引发受众共鸣、支撑内容表达。
把这条曲线平移到编程教学上，结论是同构的：语法与实现技巧正在贬值，问题定义、方案品味、对用户真实痛点的共情以及验收能力正在升值。课程内容若不跟着这条曲线调整，学生就算“弄懂了”旧地图，也找不到新大陆。
五、教学落地：四步改造方案
第一步，重构任务类型。把传统的“实现型作业”（写一个XX函数）改为三类新任务：
第二步，改造提交物。作业不再只交最终代码，而是一组过程材料：需求描述、与AI的多轮迭代记录、测试用例及运行结果、审查与复盘报告。评价维度随之从“代码对不对”扩展为“需求是否清晰、测试是否覆盖边界、缺陷是否被发现、决策是否有依据”。
第三步，设置分层要求。对不同程度的学生设定不同的“懂”的标准：入门阶段要求能运行程序并解释输入输出行为；进阶阶段要求能针对空输入、非法输入、并发等典型边界构造测试；高阶阶段要求能评估方案取舍、识别安全与合规风险。
第四步，重建学术诚信的定义。要求学生在作业中如实披露AI参与的方式与程度——这不只是诚信要求，本身就是职业训练：在真实工程实践中，“说明哪些部分由AI生成、验证过程是什么”正在成为常规要求。相应地，“抄袭”的定义也应从“复制了代码”更新为“未经任何验证与理解就采纳了产出”。
六、一个改造后的作业示例
以“计算平均分”这道经典题目为例，展示改造前后的差别。
改造前：编写函数，计算学生成绩列表的平均分。学生可以直接让AI生成，教师无从判断其真实能力。
改造后按四步执行。学生先写需求约定，例如：输入为成绩列表；列表可能为空，为空时返回 None 而不是抛出异常；需附带覆盖空列表、正常列表、含非法元素的测试用例。随后让AI生成代码，学生运行测试并撰写审查报告。
假设AI返回了这样一段典型代码：
def average(scores):return sum(scores) / len(scores)
审查点由此自然浮现：
修复后的参考实现：
def average(scores):if not scores:return Nonereturn sum(scores) / len(scores)
在这个流程里，学生“是否逐行理解实现”不再是唯一评分重点，“是否预见了空列表、是否构造了测试、是否推动了修正”成为核心得分点——这恰恰是前文所说的、正在升值的能力。当学生把失败用例反馈给AI、由模型自查修正时，他们也在提前演练未来真实的工作方式。
七、结语：教育目标的重心迁移
回到最初的问题：发现学生的代码是AI写的、他自己也没弄懂，怎么办？
答案不是简单的“鼓励”或“禁止”，而是一次重心的迁移：把教学目标从“培养能逐行写出代码的人”，调整为“培养能定义问题、验收结果、承担责任的人”。学生没弄懂的那段代码，正是一个绝佳的教学切入点——顺着它追问：需求写清楚了吗？边界想到了吗？测试跑过吗？敢为结果负责吗？
当提问方式改变，“AI依赖”就不再是教学的敌人，而成了最好的教材。