计算思维是设计解决方案的思考过程,编程则是把这些方案翻译成计算机听得懂的语言的机械劳动。多年来,信息技术教育一直把两者当成同一件事。但生成式人工智能的崛起,把它们彻底分开了。

今天,背记编程语法是一项迅速贬值的资产。AI 能在毫秒之间写出干净的 Python、C++ 或 Scratch 代码。AI 做不到的,是读懂一个属于人的问题,把它拆解成有逻辑的步骤,并且首先判断出到底该造什么。这就是计算思维,也是"编程与机器人"这道题里,唯一还能为南非学生保证长期价值的那一部分。

抛开术语,两者到底差在哪

要理解这个区别,不妨看一个南非课堂上的实际难题:在四级限电期间管理学校的电脑机房。目标是让 40 名学生在逆变器电池耗尽之前把作业存好、把机器安全关掉。

解决这个问题靠的是计算思维。你必须:

• 分解问题:把难题拆开。电脑耗多少电?电池能撑多久?安全关机要花多长时间?
• 识别模式:注意到低年级学生存盘退出要五分钟,高年级学生只要两分钟。
• 抽象细节:不管电脑是什么牌子、桌子是什么颜色,只盯住耗电量和时间约束。
• 设计算法:定出一条分步规则:"电池容量降到 20% 时触发视觉警告;降到 10% 时启动自动云端备份并关闭终端。"

这套逻辑框架一旦搭好,问题就已经解决了。编程只是最后那一步文书工作:把算法用 Python 或者图形化积木写出来,好让机房管理软件去执行。计算思维是建筑设计,编程是砌砖。

AI 如何把两者的价值颠倒了过来

过去十年,全球教育界的口号是"人人都要学编程"。培训营和学校把精力压在语法上:背分号该放在哪、变量怎么声明、循环怎么写。这本来就是一套脆弱的策略,而生成式 AI 让它彻底过时。

如果你让今天的大语言模型(LLM)写一段监测电池电量并关闭系统的 Python 脚本,它会立刻免费生成毫无瑕疵的代码。把清晰的指令翻译成语法,这项技能已经被自动化了。于是,"纯码农"——只会把指令翻译成代码的人——的经济价值正在崩塌。

反过来,能把指令提炼出来的人,身价却在暴涨。要想从 AI 那里得到有用的结果,开发者必须精确定义系统的输入、输出、约束和边界情况。他必须用计算思维去想问题。如果你自己都拆不开一个问题,你也没办法让 AI 替你解决它。

"在 AI 时代还先教孩子语法式编程,就像只让他们背长除法表,却不管算术究竟是干什么用的。我们是在为一个已经不存在的世界做准备。"

南非课堂里的真实处境

这个区别不只是学术问题,它直接关系到我们如何落实基础教育部的 CAPS《编程与机器人》课程大纲。南非许多学校资源紧张:预算有限、笔记本电脑几个班轮着用、网络不稳、供电难以预料。

如果一所学校把机器人课程定义成"坐在屏幕前敲代码的时长",它一定会很吃力。一停电或者 Wi-Fi 掉线,课就上不下去了。更何况,给每一个学生都配一台笔记本电脑,对我们绝大多数学校来说在财务上根本不可能。

但只要把重心放在计算思维上,这些约束就变得可控。计算思维可以"不插电"地教。学生可以用实体卡片设计算法,在黑板上画出逻辑门,或者用手工方式给实物系统排错。等他们真正坐到电脑前,不必再把宝贵的上机时间浪费在纠结冒号该放哪;他们是在用电脑执行一套自己已经设计好的方案。

怎么教那些真正重要的东西

要让学生为未来做好准备,学校和家长必须把注意力从堆砌语法的教程转向系统层面的思考。这一步可以这样迈出去:

传统"学编程"的重心	面向未来的"计算思维"重心
背记 Python 命令和语法规则。	从概念上理解逻辑门、循环和条件语句。
做通用的、复制粘贴式的项目(比如一个简易计算器)。	拆解身边真实的本地问题(比如节约用水或者应对限电)。
只在屏幕上做图形化编程练习,没有任何实物情境。	用实体的输入(传感器)和输出(电机),看逻辑如何与真实世界互动。

在Sheen Robotics,我们的Sheen Academy课程体系正是围绕这一理念设计的。我们不培养语法编译器。我们用实体计算和物联网硬件来教系统背后的逻辑。当一个学生弄明白怎样用土壤湿度传感器和水泵搭出一个反馈回路,他具体用哪种编程语言把它写出来,就退成了次要细节——那是他可以随手查到、或者让 AI 生成的东西。

如果我们希望南非的年轻人成为技术的创造者,而不只是进口软件的消费者,就必须停止教他们模仿机器。机器已经很擅长当机器了。我们的工作,是教会学生怎么思考。