过去转码的黄金期，是科班和转码班毕业都能拿到好几个大厂 offer，这种盛况已经不再有⁠1。但同一期视频里，立正把 GenAI 称为当下一个套利机会：各领域对它的需求很高，只是没有像手机那样的超级应用，所以用的人觉得已经普及，不用的人觉得生活没被改变⁠1。这意味着“转码”如果只是再走一遍刷题进大厂的老路，收益已经变薄；如果转的是“会用 AI 解决具体领域问题”，需求侧仍在扩张。判断标准不是学不学编程，而是你转过去之后，能不能接住那些原来没人愿意做、现在值得做的长尾需求⁠2。

立正用铝和金子作比：代码像电解铝一样变得极便宜，真相（认知确定性）仍然昂贵，AI 原生的工作方式就是善于用廉价代码和算力去换昂贵的确定性⁠3。他举的例子是，一个程序员或数据科学家的综合时薪约一百美元起，而订阅工具一个月二十美元，只要省下半小时就已经划算，所以应该养成“挥霍代码”的习惯，用代码取代自己的重复思考⁠3。同一逻辑在另一篇里被表述为：希望自己已经会的东西赶紧被 AI 接过去，把时间让给十倍大的待解问题⁠4。对转码者来说，这改变的是学习重点——不是把语法背熟，而是把真实任务交出去、积累上下文、建立判断结果好坏的方法⁠2。

一位设计师在对话里说，她从没写过代码，以前不知道怎么把想法做出来，现在技术平权了，有工具可选，所以这个时代对有行动力、有想法的人是利好⁠5。她同时指出，很多人懂道理，但没在真实工作场景里把 AI 用起来，所以没有体感⁠5。这段是嘉宾观点，不是立正的判断，但它和立正说的“把真实任务交出去”指向同一件事⁠2。如果你考虑转码，可以先拿一个自己真正想解决的小问题（而不是教程题）交给 AI 做一遍，看它卡在哪、你需要补什么，这比先决定学哪门语言更能告诉你方向。

AI 已经能覆盖大量知识和技能层面的执行，剩下稀缺的是从模糊需求到可用结果这一段：这件事值不值得做、该怎么拆、做出来的东西好不好、失败出在哪。学 AI 更像一门手艺，懂概念、会解释不等于能稳定交付，真正的能力来自把模糊需求变成任务、定义验收标准、定位失败原因、在约束里迭代⁠1。检验标准是可迁移性——换任务、换工具、换领域还能交付，才算真的学会⁠1。所以转码时值得优先练的，是拿到一个真实需求后自己先判断怎么做、哪里会出错，再让 AI 动手⁠2。

判断力不是靠看教程或做 toy project 长出来的，因为教程替你完成了最关键的建模、拆解、验收和诊断，你只是在走流程⁠1。一个可操作的做法是：动手前先写下你打算怎么做、觉得哪里会出错，再看 AI 的结果，错了才有得学⁠2。之后撤掉帮助、隔一段时间、换一道题再做一遍，卡住的地方就是还没学会的地方⁠2。做的时候会觉得更慢更吃力，那不是退步，是学习在发生⁠2。