40年老码农告诉你：AI时代更要学编程！学编程不是为了写代码，而是培养拆解和构建世界的思维方式，从语法到算法，由术及道，助你找到自身锚点。
原文标题：40 年前他写下第一行代码，如今他说：“AI 时代，更应该学编程！”
原文作者：图灵编辑部
冷月清谈：
怜星夜思：
2、文章中列举了很多编程相关的技术和知识，如果只能选择几项进行深入学习，你认为哪些是最重要的？为什么？
3、作者建议“与 AI 对话，就几乎全是数学了“，那么对于想要入门 AI 的程序员，应该如何有效地学习数学知识？
原文内容
编者按：AI 时代，还要不要学编程？
这是当下很多人都会问的问题。但对于曾担任微软战略合作总监、现为润米咨询创始人的刘润老师来说，这个问题的答案，既简单，又深刻。
从 40 年前小学三年级写下第一行代码，到如今思考 AI 与人类能力的边界，他的回答是：当然要学！而且，不只是为了写代码，更是为了培养一种拆解世界、建构世界的思维方式。
这篇文章不是一篇技术路线图，而更像是一份写给年轻人的修行笔记——从语法、算法到系统架构，从网络协议到 AI 数学，这是一条由浅入深、由术及道的学习之路。
它不仅适合还在犹豫要不要学编程的你，也适合那些在学习中迷失方向的你，甚至适合每一位想在 AI 时代找到自身锚点的你。
读完，你或许会重新理解“学编程”这件事真正的意义。
很多人问我，AI 时代，还要不要学编程。
当然要！
我是从 1985 年开始学编程的。那年小学 3 年级。今年，是我写下第一行代码的整整 40 周年。一生理工男。倚老卖老，说两句掏心掏肺的建议。
学编程的目的，不是编程。是思维方式。比如，变量，循环，递归，封装，调用，面向对象，等等等等。这些思维方式，是一整套拆解世界，构建世界的逻辑。
编程语言（c，c++，c#，basic，pascal，java，python，等等）是表象。但还是要学，因为能借假修真。通过语法的强制性，训练你严密的建构思维。你会越来越敬畏规律，把“差不多”从你的字典里去掉。因为代码不能“差不多”，只要有一个符号错了，都通不过编译器，无法执行。
学到一定程度，你开始相信，上帝是一个程序员。
但是很快，你进步越来越小。只学招式，不练内力，天花板很低。这时，一定要学算法和数据结构。
堆栈，先进先出，链表（学到这里，你讨论区块链时才不会像一个哲学家），加密算法，sha，rsa，公钥私钥，拜占庭问题，等等。要求高一点的，重学数学里的数论。
然后你会发现，自己终于可以用编程解决难题了。以前只是花架子。
如果还想深入，就要学习网络。这部分软硬结合，需要很强的抽象思维能力。透彻搞明白tcp/ip，dhcp，dns，sam，http，smtp，imap，等等。
如果你真的对互联网编程感兴趣，还可以看看 mac 编程，ios 编程，android 编程，鸿蒙编程，打通这些东西。当你发现他们区别很小，甚至出来个新东西，看看资料，就能上手编程，就贯通了。
如果还想深入，就要往所谓“鄙视链”的上游，后端走了。
数据库是要学的。系统架构是要学的。安全，分布式，防火墙，冗余，灾备，failover，最好补一补拓扑学。操作系统感兴趣的话，也可以学一些。不一定能写出高稳定性的数据库，分布式计算架构，优秀的操作系统，但至少能理解，使用，调试，并基于开源代码继续开发。
如果再想深入，与 AI 对话，就几乎全是数学了。人工智能的深度学习，神经网络，进化算法，几乎全是数学。这需要比较深的数学基础。看你能到什么程度了。
到了你的最深处，剩下的就是磨刀了。从此 github 深似海。这里，是 AI 的出生地。你的 AI 宇宙的英雄，都是 github 这个开源社区里从来没有见过的大神。你在膜拜大神，和成为大神的路上，学习一生。
AI时代，更要学编程。
本文转载自刘润公众号
刘润老师以 40 年的学习和思考，为我们描绘了一条从语法入门到深入 AI 的编程成长路径。它不是一蹴而就的捷径，而是一场漫长而充实的修行。
如果你读完这篇文章，心中已经燃起继续学习的念头，不妨从一些扎实、经典的编程图书开始。
下面，小图给大家整理了一份与这条路径一一对应的书单，分阶段推荐，供你参考。愿你在学习的路上，也能一步步提升，走得更远。
编程基础
《Python编程：从入门到实践（第3版） 》
[美]埃里克·马瑟斯 | 著
《C语言程序设计现代方法（第2版 • 修订版）》
K.N.King | 著
吕秀锋，黄倩 | 译
《C++实战》
吴咏炜 | 著
《On Java 中文版（基础卷）》
布鲁斯·埃克尔 | 著
《On Java 中文版（进阶卷）》
布鲁斯·埃克尔 | 著
《SQL必知必会（第5版）》
本·福达｜著
钟鸣，刘晓霞｜译
计算机网络
《图解HTTP》
上野宣 | 著
于均良 | 译
乌尼日其其格 | 译
数据结构与算法
谢路云 | 译
袁国忠 | 译
机器/深度学习
scikit-learn 库维护者和核心贡献者作品。内容包括：机器学习的基本概念及其应用；实践中最常用的机器学习算法以及这些算法的优缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的高级方法，重点讲解交叉验证和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法。
《深度学习入门2：自制框架》
美国物理学家费曼说：“What I cannot create，I do not understand.” 只有创造一个东西，才算真正弄懂了一个问题。这本书手把手带你创建深度学习框架，直击现代深度学习框架本质！
大模型基础
《大模型应用开发极简入门：基于GPT-4和ChatGPT（第2版）》
奥利维耶·卡埃朗，[法] 玛丽–艾丽斯·布莱特 | 著
何文斯 | 译
《图解大模型：生成式AI原理与实战》
[沙特] 杰伊·阿拉马尔，[荷] 马尔滕·格鲁滕多斯特 | 著
覃立波，冯骁骋，刘乾 ｜ 译
在本书中，读者将学习如何规划和编写大模型的各个组成部分、为大模型训练准备适当的数据集、进行通用语料库的预训练，以及定制特定任务的微调。此外，本书还将探讨如何利用人工反馈确保大模型遵循指令，以及如何将预训练权重加载到大模型中。还有惊喜彩蛋 DeepSeek，作者深入解析构建与优化推理模型的方法和策略。
叶文滔 ｜ 译
程序员的数学
√ 向量几何和计算机图形
√ 矩阵和线性变换
√ 微积分的核心概念
√ 仿真和优化
√ 图像处理和音频处理
√ 用于回归和分类的机器学习算法
本书第二作者、图灵奖得主计算机科学泰斗 Donald E. Knuth（高德纳）在接受图灵社区的访谈时如是说：“《具体数学》是一份‘纲领’，它的内容是我对于数学诸多方面应该如何教与学的思考。熟练掌握代数公式的基础技能，对我来说始终都是关键所在。这些内容在 TAOCP 里都有讨论，但只能是蜻蜓点水；在斯坦福大学的课程中，我得以深入更多的细节，而那些课程都被囊括在这本书中了。”
一本书掌握深度学习的数学基础知识！结合 235 幅插图和大量示例，基于 Excel 实践，直击神经网络根本原理。
Linux基础
《Linux命令行与shell脚本编程大全（第4版）》
理查德·布卢姆 | 著
门佳 | 译
一年一度618大促又来喽
📚 图灵邀你一起读好书
开启一个知识满满的暑假
5折宝藏好书+盲盒不间断抽奖
还有限量签名版图书空降
惊喜9.9秒杀
图灵定制周边免费得
📍预约直播fun不停
转发海报还可领银子哦
