很贊同吳恩達老師的觀點，AI輔助編程確實可以讓已有編程語言基礎的人可以快速上手一門新語言，同時他也強調了理解語言背後的核心概念的重要性：

---

但是，理解不同語言背後的概念仍然很重要。這就是爲什麼學習至少一門像 Python 這樣的語言，仍然能爲你打下堅實的基礎，去更好地提示 LLM 生成 Python 或其他語言的代碼。如果你從一種編程語言轉向另一種能完成類似任務但語法不同的語言——比如，從 JS 到 TS，或者 C++ 到 Java，或者 Rust 到 Go——一旦你掌握了第一門語言的概念，你也就掌握了提示 LLM 用第二種語言編寫代碼所需的大部分概念。（雖然 TensorFlow 和 PyTorch 不是編程語言，但學習了 TensorFlow 背後的深度學習概念，同樣能讓你更容易地讓 LLM 爲你編寫 PyTorch 代碼，反之亦然！）此外，你也能看懂大部分生成的代碼（可能需要 LLM 稍微幫你解釋一下）。

不同的編程語言反映了組織計算的不同思路，理解這些概念依然很重要。比如，如果一個人不理解數組、字典、緩存和內存這些概念，那麼他讓 LLM 用大多數語言寫代碼時，效果就會差一些。

同樣地，一個想用 JS 做更多前端開發的 Python 開發者，如果能學習一些前端系統背後的概念，將會受益匪淺。比如，如果你想讓 LLM 用 React 框架構建前端，那麼理解以下內容會對你很有幫助：React 是如何將前端拆分成可復用的 UI 組件的，以及它是如何更新決定網頁長什麼樣的 DOM 數據結構的。這樣你就能更精確地給 LLM 提要求，並且在出問題時，也知道該如何修復。同理，如果你想讓 LLM 幫你寫 CUDA 或 ROCm 代碼，那麼理解 GPU 是如何組織計算和內存的，也會很有幫助。

就像精通多種人類語言的人能更輕鬆地與他人交流一樣，LLM 也在讓開發者能更輕鬆地在多種環境下構建系統。如果你還沒試過，我鼓勵你試試讓 LLM 用你想學但可能還沒抽出時間學的語言寫點代碼，看看它能不能幫你把一些新應用跑起來。

Keep building!

Andrew