"Programming"和"coding"这两个词，中文里都翻成“编程”，英文语境里也早已被混用到可以互换。但Aaron Jack——一位前Uber软件工程师、YouTube开发者教育区的头部博主——在这条播放量约239万的视频里，把这两个词重新掰开：coding是“翻译”，programming是“解决问题”，两者的差距，正是“学过编程”的人和“能靠编程吃饭”的人之间的差距。这条视频不是讲语法的教程，而是一堂关于“编程到底是个什么活动”的概念课。在AI写代码已成日常的2026年，这个原本偏哲学的区分，突然变成了每个开发者（以及每个想入行的人）都必须回答的生存问题：当AI能完成"coding"，你剩下的价值是什么？这篇解读会拆解视频论点、追溯背后的真实理论与研究、指出它的夸大之处，并给出可操作的启示。
视频的开篇策略很典型：先承认“大多数人确实在混用这两个词”，然后立刻亮出反方立场——混用是有代价的。Aaron的核心区分可以概括为一句话：coding是把“已经想清楚的解决方案”翻译成机器能执行的语言；programming是从一个模糊的现实问题出发，把它一步步变成可执行方案的完整过程。前者是语言问题，后者是问题问题。这个区分之所以是职业级的，是因为工业界付钱买的几乎从来不是前者：公司不存在“需要有人把Java写出来”的需求，公司存在“需要把这个业务痛点变成可靠软件”的需求，写Java只是其中一个环节。
视频沿着“编码是什么”往下走：编码活动的输入是明确的逻辑（先做A，若条件B则做C），输出是语法正确的代码。它高度依赖记忆和熟练度——就像学一门外语的“笔译”环节。正因为它的结构化程度高，它也是整个软件活动中最容易被标准化、被教材化、被拆成练习题的部分，这在解释了一个事实的同时也埋下伏笔：为什么市面上绝大多数“学编程”内容，教的其实只是coding——因为coding好教、好测、好出成果，十二周训练营能让你做出一个能跑的网站，却很难让你具备“接住一个烂摊子需求”的能力。
视频的另一半重心在描绘programming的全貌：理解需求（而需求往往是含糊甚至自相矛盾的）、拆解问题、设计结构与数据流、选择权衡（性能还是可维护？快上线还是少欠债？）、实现、调试、测试、上线后继续维护。注意这里和coding的根本差异：coding面对的解是给定的，programming面对的问题是开放的。程序员的大量日常工作不是“写”，而是“想”——想清楚该建什么、为什么这么建、哪里会坏。写代码常常是整个过程中最不费脑的收尾动作。
顺着前两点，视频给出一个解释力很强的推论：新手简历上的“会X语言”和公司要的“能解决问题”之间隔着一条断层，因为学习路径和需求路径是错位的。教程给你的是干净的问题、给定的约束、唯一正确的答案；生产环境给你的是脏数据、历史遗留系统、说不清需求的干系人和永远不够的工期。一个只会coding的人进入这种环境，就像一个只练过翻译题的人去做同声传译——每个词都认识，整件事干不下来。这也顺带解释了行业里那个老现象：为什么有人手速飞快、语法滚瓜烂熟，却在真实项目里寸步难行。
这是原文没有展开、但今天必须补上的一层。视频发布时，“编程vs编码”更像概念辨析；而到了2026年，AI编程助手已经把“把想清楚的方案翻译成代码”这件事自动化了大半。于是视频里的那条分界线，被AI原样继承了下来：AI极擅长coding，而programming——理解模糊需求、做架构权衡、判断AI给出的代码对不对——依然压在人身上。“会写代码”作为技能的市场价格正在快速贬值，“能定义问题并验证答案”的价值则在上升。这条几年前的概念课，因此从“科普”变成了“定位仪”。
Peter Naur《Programming as Theory Building》（1985）：这位图灵奖得主在这篇经典论文里提出，编程的本质不是产出文本，而是在开发者头脑中构建一座关于“程序如何工作、为什么这样设计”的理论（theory）；代码只是理论的副产品。这直接解释了视频的区分：coding可以只操作文本，programming必须建立理论——也解释了为什么接手别人的代码那么难：理论不在你脑子里。
Jeannette Wing《Computational Thinking》（CACM, 2006）：时任CMU教授的周以真把计算思维定义为“运用计算机科学的基本概念来解决问题、设计系统、理解人类行为”，并强调它独立于任何编程语言。这正是“programming”那一半的学术表述——问题的抽象、分解、权衡，而不是语法。
Fred Brooks《No Silver Bullet》（1986）：Brooks把软件工作的困难分为“本质复杂性”（问题本身的复杂）和“偶然复杂性”（工具和表达带来的复杂）。coding消耗的主要是偶然复杂性，programming消耗的才是本质复杂性——而Brooks的核心论断正是：没有银弹能消灭本质复杂性。AI吃掉的是偶然复杂性，这从理论上预言了“AI让coding贬值、让programming升值”的格局。
SICP的告诫：MIT经典教材《计算机程序的构造和解释》开篇即写道“程序是写给人读的，只是顺便能在机器上执行”。这提醒我们别把coding贬得过低：把方案“翻译”得清晰、可维护，本身就是一种专业技艺，并非机械劳动。
AI编码的实证研究：GitHub在2022-2023年发布的对照实验（arXiv:2302.06590）显示，使用Copilot的开发者完成任务的管测速度快了约55%；而METR在2025年发表的一项针对资深开源开发者的随机对照研究则发现，预期AI能提速20%以上的被试，实际耗时反而增加了约19%。两组结果合起来恰好印证本文主题：AI大幅加速了“打字的部分”，而理解、验证、担责这些programming的部分，依然慢且贵。（上述研究细节请以论文原文为准。）
证据充分的部分：coding与programming的功能区分，在Naur、Wing、Brooks三条独立的学术脉络里都有对应物，也和一线工程经验（code review、需求评审、线上排障占比）高度吻合。这一部分不是博主个人的修辞偏好，是有理论传统的。
被简化的部分：视频为了论述干净，把两者呈现成了近乎二元的对立，但现实中它们是一个连续谱——资深工程师写代码时也在做设计（coding里含着programming），而新手做设计时往往只能靠模仿编码套路（programming里掺着coding）。把谱系讲成二元，教学上有效，认知上要打折扣。
有争议的部分：视频语境里隐含的对训练营类“只教coding”课程的轻视，值得商榷。训练营的问题不是教coding，而是只教coding却许诺职业转型；coding能力本身是必要的脚手架，没有人能跳过翻译练习直接学会解决问题。另外，“翻译”这个比喻也有低估之嫌——它暗示原文（方案）先于译文（代码）存在，但实践中大量设计决策是在写代码的过程中才被迫显形并修正的，“写”本身参与“想”。
一个时代性的修正：随着模型能力升级，AI正在侵入传统意义上属于programming的地盘（需求澄清、方案生成、测试设计），所以“AI只会coding”这个隐含前提是一个移动的边界。今天读这条视频，正确的姿势不是记下一条静态分界线，而是学会持续地问：此刻，哪一段活动刚刚被自动化了？我还站在哪一侧？
1. 用“Naur测试”检验自己是不是真程序员。合上IDE，能不能把手上这个系统“为什么这样设计、改哪里会牵动什么、哪里最容易坏”讲给一个同事听懂？讲不出来，说明你只做了coding、没有建成理论。每周对自己负责的模块做一次这个测试，讲不清的部分就是你下周期学习清单。
2. 把学习顺序倒过来：先写方案，再写代码。拿到任何练习或需求，先用中文把解题步骤、数据结构和边界情况写满半页纸，然后才允许打开编辑器。这个习惯强制把programming（想）和coding（写）拆开训练，而大多数教程把两者搅在一起，导致你以为自己在练编程，其实只在练打字。
3. 在AI协作里主动认领“验证者”角色。让AI写代码没问题，但给自己立三条铁律：先写清楚规格和测试再生成；每一行合入前能解释它在做什么；出问题时先问“我对这个系统的理论错在哪”，而不是只改到能跑为止。AI时代最危险的姿态是退化成“AI输出的人肉回车键”——那等于自愿把自己降级成可被进一步自动化的环节。
flowchart LR
subgraph Reality["现实世界"]
P["模糊的真实问题<br/>需求/约束/权衡"]
end
subgraph Programming["Programming 编程（人的主场）"]
A["抽象与建模"]
B["架构与权衡"]
C["验证与担责"]
end
subgraph Coding["Coding 编码（翻译层）"]
D["把方案翻译成语法"]
end
M["机器执行"]
P --> A --> B --> D --> M
M -->|"反馈/缺陷"| C
C -->|"修正理论"| A
AI["AI编程助手"] -.->|"大幅加速"| D
AI -.->|"正在侵入"| B
H["人的不可替代价值"]:::hl
C --- H
classDef hl fill:#f9f,stroke:#333,stroke-width:2px;
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。