利用圖像化介面、點擊、拖拉的方式，Low-Code／No-Code工具日漸普及，讓非資訊背景的人也能成為「平民開發者（Citizen Developer ）」，踏入過去只有工程師專屬的開發領域，或是利用數位工具，取代重複性高、繁瑣的雜事，增進工作效率。
當科技終將無所不在，對於技術及相關人才的需求日增，而寫程式的門檻逐漸降低，對於產官學界乃至於個人，會帶來哪些改變？當初階的程式工作被Low-Code／No-Code工具取代，資訊本業的工程師該何去何從？學會使用Low-Code／No-Code工具，是否將成為工作者的基本技能？
台大資工系教授林守德教書超過15年，在2020年加入沛星互動科技（Appier）擔任首席機器學習科學家，橫跨學界與業界，他如何看待Low-Code／No-Code對未來的影響？
Q1：Low-Code／No-Code的崛起，讓更多非資工背景工作者成為平民開發者，工程師會因此失業或被取代嗎？
因應數位轉型需求提高和工程師短缺，我們希望愈來愈多人會寫程式。將寫程式的工作等級想像成一個金字塔，利用Low-Code／No-Code達成等同於寫程式的效果，意義上就是把金字塔由下而上，蓋得愈來愈大。但是這些工具、基礎建設和系統，還是由最頂層的工程師來建立，所以頂端的工程師不會有被取代的風險。
真正有危險的是較低階的工程師工作，因為Low-Code／No-Code可讓沒有程式或資訊科技背景的人，完成一些流程自動化、應用開發甚至創造。像是金融從業者，以前要請專門的人來寫程式抓數據，這種工作現在他們可以自己完成了。
工程師與其他專業工作者最大的不同是「領域知識（domain knowledge）」，當知識不足、技術又沒有辦法打敗平台，工程師的價值就會下降。就像以前有打字員的工作，電腦普及後，打字員的價值非常低，除非能打得很快。工程師也是，要想辦法往更深的領域走、往金字塔上層爬，或是培養其他領域知識與技術結合。
要注意的是，很多人誤解資工系就只有寫程式，但是以台大資工來說，程式、系統與數學三個方向缺一不可，長期培養的是「解決問題」的能力。像是機器學習、AI（人工智慧）的背後是機率與統計，了解背後的精神，才能做更深的研究、解決更困難的問題，這時候數學就比寫程式還重要。如果只會寫程式，坊間也有教學機構，何必花4年上大學呢？
Q3：Low-Code／No-Code對於教育層面，有什麼影響？
我認為基礎教育或高等教育不會受到太大影響。培養中小學生具備運算思維，就像物理、數學的基礎知識一樣，是不會改變的方向。至於高等教育（如大學），因為他們理應是金字塔頂端的核心人物，該學的只會更深。
影響比較大的會是「非資訊科學」的高等教育，這些學門漸漸可以利用一些自動化或Low-Code／No-Code工具來訓練學生專業的技能，不需要學生額外花很多時間先去學程式。設計學系的同學可以用一些AI創作的軟體來輔助創作；財經系的學生可以學習利用AI來預測趨勢，並找出對應策略。
不過，Low-Code／No-Code畢竟不是教會非資訊科技背景的人怎麼寫程式，而是讓大家有更多時間專注在擅長的事情上，減少因為不會寫程式就卡關的狀況，要說這些人能不能完全補上工程師的缺口，我認為還是沒有這麼容易。
但我相信，從宏觀的角度來看，當每個人都有解決問題的能力，整個世界的發展速度就會愈來愈快。
Q3：「程式教育」已放進108課綱，Low-Code／No-Code與全民寫程式的方向相符嗎？
因為Low-Code／No-Code的發展，我想「全民會用數位工具」是相對合理的，就像全民都會用Word、PPT等數位文書工具一樣，以後可能會拓展到AI、機器學習等領域。
我當學生的時候，老師用幻燈片上課就很高科技了，但現在誰還用幻燈片？將來在職場上，主管可能隨口就說：「你用機器學習打造一個模型來預測看看。」真的不是不可能。
在未來愈來愈不用寫程式的狀況下，學生或工作者被預設具備的能力會愈來愈多，AI與機器學習的基本概念會成為基本，中間的黑盒子還是比較複雜，不過對大部分人來說，只應用數位工具也足夠。比較值得關注的是，這件事情什麼時候會普及，會不會在5～10年內就發生？
Q4：在Low-Code／No-Code普及的未來，所有人該培養什麼能力？
定義問題的能力，以及運算思維。講簡單一點就是，你要非常清楚知道自己想達成什麼目標。
在能用自然語言跟電腦溝通的時代來臨前，還是要學會用電腦的方式來思考，能夠把任何想達成的目標、想解決的問題，用嚴謹的邏輯、清楚地定義、傳達給電腦。舉例來說，「叫一台機器人回家」的任務聽起來很簡單，但是你要告訴機器人什麼是家、辨別現在所在地點，以及怎麼移動到「家」的所在地。
Low-Code／No-Code工具就是把這中間定義的過程做成一個黑盒子，你不用懂也能完成目標，黑盒子愈強，定義就可以愈模糊。不過，現在黑盒子還有進步空間，還是要學會嚴謹地定義問題。
運算思維有點像是演算法，是一種解決問題的邏輯思維，怎麼把一個大問題拆分成小問題，一一擊破；甚至是其中一個小問題的output（輸出），會成為另外一個小問題的input（輸入），拆解分析、歸納的整套思考流程是重要的。這也不是要所有人都去念演算法，其實日常生活中遇到的所有問題或一些益智思考，也都能訓練和強化運算思維。
林守德
學歷｜台灣大學電機工程學士、密西根大學電機碩士、南加州大學計算語言學碩士學位和計算機科學博士學位
經歷｜台灣大學資訊工程系教授、Appier首席機器學習科學家
專長｜人工智慧、機器學習、資料探勘和資訊理論
責任編輯：吳佩臻、張庭銉
