AI kan inte pålitligt utföra dessa uppgifter, och det kommer inte heller att kunna inom överskådlig framtid, säger Ikhlaq Sidhu, dekanen för IE School of Science and Technology.
När AI -system utvidgar sin redan imponerande kapacitet finns det en allt vanligare tro på att datavetenskapens område snart kommer att vara en saga historia. Detta kommuniceras till dagens blivande studenter i form av välmenande råd, men mycket av det motsvarar lite mer än hörsägning från individer som, trots sin intelligens, talar utanför sin expertis.
Högprofilerade figurer som Nobelprisvinnande ekonom Christopher Pissarides har gjort detta argument och som ett resultat har det rotat på en mycket mer vardaglig nivå – jag har till och med personligen hört gymnasiekarriärer avvisa idén att studera CS direkt, trots att jag inte har någon kunskap om själva fältet.
Dessa påståenden delar vanligtvis två vanliga brister. Först bland dem är att råden kommer från människor som inte är datavetare. För det andra finns det en utbredd missförstånd av vad datavetenskap faktiskt innebär.
AI och myten om kodersättning
Det är inte fel att säga att AI kan skriva datorkod från instruktioner, precis som det kan generera dikter, recept och täckningsbrev. Det kan öka produktiviteten och påskynda arbetsflödet, men inget av detta eliminerar värdet av mänsklig input.
Skrivkod är inte synonymt med CS. Man kan lära sig att skriva kod utan att någonsin delta i en enda universitetsklass, men en CS -examen går långt utöver den här färdigheten. Det handlar bland många andra saker, tekniska komplexa system, utformning av infrastruktur och framtida programmeringsspråk, säkerställa cybersäkerhet och verifiera system för korrekthet.
AI kan inte pålitligt utföra dessa uppgifter, och det kommer inte heller att kunna inom överskådlig framtid. Mänsklig insats är fortfarande väsentlig, men pessimistisk felinformation riskerar att styra tiotusentals begåvade studenter bort från viktiga, meningsfulla karriärer inom detta viktiga område.
Vad AI kan och inte kan göra
AI utmärker sig för att göra förutsägelser. Generativ AI förbättrar detta genom att lägga till ett användarvänligt presentationslager till internetinnehåll-det skriver om, sammanfattar och formaterar information till något som liknar människans arbete.
Men nuvarande AI tänker inte ”tror” inte verkligen. Istället förlitar det sig på logiska genvägar, känd som heuristikdet uppoffringens precision för hastighet. Detta innebär att det, trots att de talar som en person, inte kan resonera, känna, omsorg eller önskar någonting. Det fungerar inte på samma sätt som ett mänskligt sinne.
För inte så länge sedan verkade det som om ”snabb teknik” skulle ersätta CS. Idag finns det emellertid praktiskt taget inga jobbpostningar för snabba ingenjörer, medan företag som LinkedIn rapporterar att CS -proffs ansvar faktiskt har utvidgats.
Där Ai kommer till kort
Vad AI tillhandahåller är mer kraftfulla verktyg för CS -proffs att göra sina jobb. Detta innebär att de nu kan ta koncept vidare – från idé till marknadsdistribution – samtidigt som de kräver färre stödroller och mer tekniskt ledarskap.
Det finns emellertid många områden där specialiserade mänskliga insatser fortfarande är viktiga, vare sig det är för förtroende, övervakning eller behovet av mänsklig kreativitet. Exempel finns i överflöd, men det finns tio områden som sticker ut särskilt:
Anpassning av en hedgefondalgoritm till nya ekonomiska förhållanden. Detta kräver algoritmisk design och djup förståelse för marknader, inte bara kodens reams.
Diagnostisera intermittenta molntjänstavbrott från leverantörer som Google eller Microsoft. AI kan felsöka i liten skala, men det kan inte kontextualisera storskaliga, höga insatser felsökning.
Omskrivningskod för kvantdatorer. AI kan inte göra detta utan omfattande exempel på framgångsrika implementeringar (som för närvarande inte finns).
Designa och säkra ett nytt molnoperativsystem. Detta innebär systemarkitektur på hög nivå och rigorösa tester som AI inte kan utföra.
Skapa energieffektiva AI-system. AI kan inte spontant uppfinna lägre kraft GPU -kodeller uppfinna sin egen arkitektur igen.
Byggande säker, hackerbeständig, realtidskontrollprogramvara för kärnkraftverk. Detta kräver att inbäddad systemkompetens blandas med översättningen av kod och systemdesign.
Att verifiera att en kirurgisk robots programvara fungerar under oförutsägbara förhållanden. Säkerhetskritisk validering överstiger AI: s nuvarande räckvidd.
Utforma system för att autentisera e -postkällor och säkerställa integritet. Detta är en kryptografisk och tvärvetenskaplig utmaning.
Revision och förbättring av AI-driven cancerförutsägelseverktyg. Detta kräver mänsklig övervakning och kontinuerlig systemvalidering.
Bygga nästa generation av säker och kontrollerbar AI. Att utvecklas mot säkrare AI kan inte göras av AI själv – detta är ett mänskligt ansvar.
Varför datavetenskap fortfarande är oumbärlig
En sak är säker: AI kommer att omforma hur teknik och datavetenskap görs. Men det vi står inför är en förändring i arbetsmetoder, inte en grossistförstörelse av fältet.
När vi står inför ett helt nytt problem eller komplexitet kommer AI ensam inte att räcka av en enkel anledning: det beror helt på tidigare data. Att upprätthålla AI, bygga nya plattformar och utveckla fält som pålitliga AI och AI -styrning kräver därför alla CS.
Det enda scenariot där vi kanske inte behöver CS är om vi når en punkt där vi inte längre förväntar oss några nya språk, system, verktyg eller framtida utmaningar. Detta är försvunnen osannolikt.
Vissa hävdar att AI så småningom kan utföra alla dessa uppgifter. Det är inte omöjligt, men även om AI blev så avancerad skulle det placera nästan alla yrken med lika risk. Ett av de få undantagen skulle vara de som bygger, kontrollerar och främjar AI.
Det finns ett historiskt prejudikat till detta: Under den industriella revolutionen förflyttades fabriksarbetarna med ett förhållande 50 till ett till följd av snabba framsteg inom maskiner och teknik. I så fall växte arbetskraften faktiskt med en ny ekonomi, men de flesta av de nya arbetarna var de som kunde driva eller fixa maskiner, utveckla nya maskiner eller designa nya fabriker och processer kring maskiner.
Under denna period av massiv omvälvning var tekniska färdigheter faktiskt de mest efterfrågade, inte minst. Idag är parallellen sant: teknisk expertis, särskilt i CS, är mer värdefull än den någonsin har varit.
Låt oss inte förvirra nästa generation med motsatt meddelande.
Av ikhlaq sidhu
Ikhlaq Sidhu har varit dekan och professor vid School of Science and Technology vid IE University i Madrid sedan 2022. Han har varit grundare för Sutardja Center for Entrepreneurship and Technology vid University of California, Berkeley sedan 2005.
