Stanford om hur man lär ut ingenjörskonst i en tid då AI löser gamla hemuppgifter
Stanford har omformat sin kurs CS146S för att hantera en ny verklighet: studenterna kan använda AI för att lösa förra årets uppgifter på nolltid, vilket tvingat lärarna att tänka om vad som faktiskt är värt att lära sig. Mihail Eric från Monaco-teamet delar insikter om hur man tränar ingenjörer att arbeta AI-nativt – det vill säga att designa system där AI är en central del från början, inte ett tillägg.
Djupdykning
Stanford insåg att när GPT-4 klarar gamla tentauppgifter på första försöket är det dags att rita om kartan helt — inte bara lägga till ett kapitel om AI i gamla kurser. CS146S är deras svar: en kurs byggd från grunden kring det faktum att AI redan är en del av verktygslådan, inte ett framtida scenario att förbereda sig för. Mihail Eric och teamet på Monaco arbetar utifrån premissen att den verkliga kompetensen inte längre är att skriva boilerplate-kod utan att veta *vad* man ska bygga, *varför*, och hur man validerar att det AI:n spottade ur sig faktiskt är korrekt — det kallas ibland för "AI-native engineering" och handlar om att vara arkitekt snarare än stenhuggare. Det flesta diskussioner om AI i utbildning fastnar vid fuskdebatten, men det som faktiskt håller på att hända är mer grundläggande: när syntaxkunskaper och algoritmmemorering slutar skilja juniorutvecklare från seniora, förskjuts värdet mot domänförståelse, systemtänkande och förmågan att ställa rätt frågor. Monaco bygger ingenjörsteam med den filosofin inbäddad från dag ett, vilket innebär att de rekryterar och tränar för helt andra saker än vad traditionella tech-bolag optimerat för de senaste tjugo åren — och det är förmodligen ett mönster fler kommer att tvingas kopiera snabbare än de tror.