在 Rails World 2026 大会的主题演讲中，37signals 联合创始人 DHH 抛出一句引人深思的论断：“英语是一种比 Ruby 更好的编程语言。”
一年多前，DHH 还曾撰文表达对编程的热爱，并明确表示无意将工作移交 AI。然而如今，37signals 实际上已停止手动编写代码，DHH 也正式宣布自己“从职业程序员岗位上退休”。
这一转变迫使我们直面一个长期回避的事实：软件开发不再等同于编写代码。尽管现实已变，行业惯性却让我们仍在用 LeetCode 面试工程师，仍在以产出代码为核心目标教授计算机科学，试图将 AI 强行塞进为“手工编码”时代制定的规则中。
教育与评估体系的脱节
这种脱节在教育领域尤为显著。佐治亚理工学院计算机科学硕士课程的设计与更新周期长达数年，即便高校现在开始适应，新课程推出时部分内容可能已然过时。单纯增加一门“AI 课程”无法解决根本问题，真正需要重构的是技能掌握的定义标准。
如果一名工程师能够定义问题、拆解任务、指挥智能体（Agent）实现、识别错误、测试并优化结果，那么他是否还能手动键入相同实现已不再重要。正如程序员无需手动将源代码翻译为机器指令，代码本身正成为新的抽象层。
从“生成”到“表达”的认知转变
写作领域同样面临这一认知冲突。斯坦利·德鲁肯米勒因使用 AI 撰写《华尔街日报》评论文章而受批评，其回应核心在于：观点属于人类，AI 仅辅助表达。若换作代笔作家，公众反应或许截然不同。人们的不适感主要源于合作者是一台机器，而非协作模式本身。
学术出版业亦暴露出类似矛盾：AI 改善语法和可读性无需披露，但口述论点由 AI 转化为行文却被视为“生成”。事实上，“AI 生成”与“人类撰写”的界限已日益模糊。更有价值的区分在于：AI 是思维的来源，还是表达与实现人类思维的工具？
除非我们接受“工具本身无需辩解”这一基本原则，否则难以建立展示内容差异的良好规范。未经处理的 AI 内容与经过精心编辑、验证和审查的内容之间存在巨大鸿沟。关键在于结果是否优良、创作者是否理解、验证并为之负责，而非是否使用了 AI。
未来，标记文本为“AI 生成”将如同标注“用键盘输入”般多余。软件领域亦然。随着抽象层级提升，对基础知识的要求并未降低，但“编写代码”这一行为本身正在下沉。
在重新设计招聘、教学、测试和评估体系之前，行业必须承认这一转变已经发生。
注：本文并非作者逐字输入，而是通过口述想法，由 AI 协助整理为可读文本。作者对结果进行了审查、修改，并对内容承担全部责任。