设想一个场景：宿舍里，一个学计算机的学生看着Codex完成代码修改，问室友：“它都能写了，我还学什么？”旁边学中文的同学也在想：“是不是只有转去人工智能，才有未来？”这是假设的对话，却点出了选专业时的一种焦虑。以前，我们想找一个热门方向；现在，还想找一个不会被技术追上的方向。但大学有好几年，职业生涯更长。把选择押在某个工具今天能做什么上，很难让人踏实。面对Codex这样的编程智能体，更值得问的是：我愿意深入研究什么问题，又愿意为此练出哪些本领？一、代码能被生成，计算机还值得学吗？
先把Codex放回具体工作里。OpenAI官方资料介绍，它能参与检查代码库、修复错误、添加测试等任务，并强调用明确的完成条件和证据验证结果。它让一些开发工作有了新的完成方式，却不能据此推出“计算机专业失去价值”。
学计算机，不只有记住语法。还有算法为什么有效、数据怎样组织、系统如何协作，以及一个程序在异常情况下会怎样出错。
工具给出一段代码，你能否解释它？需求变了，你知道该改哪里吗？测试通过了，是否还有遗漏的场景？这些问题，需要扎实的理解。
因此，如果你喜欢逻辑、愿意追查问题，也享受把想法做成系统，计算机仍可作为候选方向。只是学习时要避免把“交出能运行的代码”当作终点。试着说明原理、比较方案，再用测试证明自己的判断。
反过来，如果你只因为听说工资高，就准备忍受四年不喜欢的课程，也值得停下来仔细考察。
二、别按专业名字选，要看每天在学什么
“人工智能”“数据科学”这些名字很有吸引力。但同一个专业，在不同学校可能有不同课程和实践条件。名字不能替你完成调查。
先去学校官网找培养方案，看核心课、先修课、实验安排和毕业要求。你能否接受数学训练？愿不愿意反复调试？对课程中的真实问题有没有好奇心？
文科同样需要这样看。喜欢读小说，和愿意做细致的文本分析，不是完全相同的事；爱刷短视频，也不等于喜欢研究传播。工科则要了解实验、设计与现场实践，不要只看宣传里的漂亮成品。
还要看看可获得的资源：老师指导、实验室、项目机会、跨院选课和实习支持。条件允许时，问在读学生两个问题：你们最近完成了什么作业？最难熬、又最有收获的是哪门课？
比起“这个专业火不火”，这些答案更接近你未来的日常。
三、找一个主方向，再补工具能力
面对AI，不必人人都把专业改成“人工智能”。一个可考虑的学习路线，是在某个领域打好基础，再学习用编程和数据工具解决其中的问题。
比如，学经济的学生可以尝试整理公开数据、检查分析过程；学设计的学生可以做交互原型，再观察真实使用者是否看得懂；学机械的学生可以探索仿真，但仍要理解模型的条件和实验结果。
这些是学习项目的例子，不是就业保证。真正值得积累的，是你对一个领域的理解，以及把工具结果和现实问题对照的能力。
文科学生也可以学基础编程，理工科学生也需要练习写作、访谈和表达。跨学科学习有用的前提，是主方向足够扎实。别把课表堆满“未来感”的词，却没有一件事情能讲清楚、做完整。
四、做三个小实验，比反复看排行榜更有用
如果还没确定方向，先选两个或三个候选专业，给每个方向一次认真接触的机会。
第一个实验，是学一小段基础内容。选学校公开的课程介绍或入门课，完成一道习题、一份阅读笔记。记录自己遇到困难时，是想继续弄懂，还是只想赶紧结束。
第二个实验，是做一个小作品。计算机方向可以做简单网页；设计方向可以改进一张校园指引；社会科学方向可以围绕一个校园现象设计访谈，先征得参与者同意。Codex可以辅助适合的编程环节，但你要能解释成果，并核对内容。
第三个实验，是接触真实学习和工作。和学长、老师聊具体任务，也查学校发布的毕业去向资料。看统计口径、年份和样本，别把一个人的高薪故事当成整个专业的前景。
最后，把兴趣、课程适应程度、学校资源、家庭成本和未来可调整空间放在同一张纸上。选最有证据支持的方向，而不是选最能暂时缓解焦虑的名字。
五、已经入学，也不用立刻推翻选择
如果你已经上大学，先看看现有专业里有没有值得深入的问题，再试着增加一门课、参加一个项目。转专业前核实本校条件、学分衔接和时间成本；辅修也要问清课程质量及自己的精力。
不会使用Codex，可以开始学；用得熟练，也不能省掉专业基础。课程作业要遵守学校的AI使用规定，该独立完成的训练，就认真完成。
写在最后
我们无法给任何专业开出四年后的保证。能做的，是让选择建立在真实接触上，让学习留下可解释、可验证的成果。
大学的价值，还包括慢慢认识自己：哪些问题让你愿意多花一小时，哪些困难让你愿意再试一次。带着这些答案使用新工具，你会更清楚自己要往哪里走。
选专业前，先做一个小项目。未来很大，你可以从一次具体的尝试开始。
