去年我帮朋友带了一个信息学奥赛的暑期班，30个孩子，最小的四年级，最大的初二。第一天我让他们用Scratch做一个“自动点名器”，结果25个人能默写出冒泡排序的代码，但只有8个人能自己设计出一个能用的点名逻辑。剩下的22个孩子卡在同一个地方：他们不知道“点名”这件事该怎么拆成一步步的指令。有个孩子甚至问我：“老师，点名不是老师喊名字就行了吗？为什么要用电脑？”那一刻我才意识到，大部分人对计算思维的理解，从一开始就跑偏了。
计算思维这个词是周以真（Jeannette Wing）在2006年3月的《Communications of the ACM》上正式提出的，原文标题叫“Computational Thinking”，卷49，第3期，33-35页。她当时说得很清楚：计算思维是“利用计算机科学的基本概念来解决问题、设计系统和理解人类行为”。注意，是“利用概念”，不是“写代码”。后来美国计算机科学教师协会（CSTA）把它拆成五个要素：分解、模式识别、抽象、算法、调试。但我在实际教学里发现，最要命的是最后那个“调试”——因为调试意味着你要承认自己一开始想错了，然后反复改。这跟数学思维完全不一样。数学思维追求一步到位的证明，工程思维追求在成本和工期之间妥协，而计算思维追求的是“可执行的抽象”：先把问题变成一个能跑起来的东西，哪怕它很丑，然后再迭代。
我面试过50多个计算机专业的应届生，问过同一个问题：“设计一个判断用户是否可能流失的模型，你会怎么做？”其中47个人直接开始写代码，或者问我用什么算法。只有3个人先问：“流失的定义是什么？是7天不登录还是30天？数据里有哪些字段？时间窗口多长？”这3个人后来我都给了offer。为什么？因为写代码这件事，AI已经能帮你干得七七八八了——GitHub Copilot在2021年发布时，就能自动补全近40%的代码。但定义问题、拆解需求、抽象出关键变量，这些是AI替代不了的。计算思维不是让你像计算机一样思考，那是机器思维。它是让你学会把人类模糊的、带情绪的、充满歧义的需求，翻译成计算机能执行的精确指令，同时保留你对目标的判断。
那怎么培养？千万别一上来就学Python。我试过一个方法，效果不错：让孩子规划一次家庭旅行，给定条件是——预算5000元，3天时间，2个老人，1个6岁小孩。让他们分解任务（交通、住宿、餐饮、景点），找规律（老人走不动，每天最多2个景点；小孩要午睡，下午2点前必须回酒店），抽象（把“交通”抽象成“高铁+地铁+打车”三个模块），最后写出算法（第一天上午去哪里，下午去哪里，晚上吃什么）。10个孩子里，有7个做出来的方案比他们家长做的还合理。然后再让他们用Scratch做一个简单的模拟，看看如果堵车了怎么办。这就是计算思维——先有问题的框架，再考虑用不用计算机。
最后说句实在话。我花了差不多5年才真正搞明白，计算思维不是一门课，也不是一个技能，它更像是一种“提问的习惯”。遇到任何问题，先问：输入是什么？输出是什么？中间有哪些步骤可以重复？哪些可以抽象成一个函数？哪些边界情况我没想到？如果你只是刷算法题、背模板，那和背古诗没什么区别。真正有用的，是你在生活里碰到一个烂摊子时，能下意识地开始拆解它。反正我现在看到任何复杂的事情，第一反应都是：先画个流程图再说。
