AI 正在重塑编程语言的竞争规则

对于大模型来说，评判一门编程语言的标准其实很简单：它是否拥有稳定、统一、容易预测的表达方式。

AI 改变了编程语言流行的逻辑

在 AI 时代，人们关于编程语言的讨论，往往围绕着同一个问题：未来哪门语言会成为赢家？

Python 已经占据优势，TypeScript 的影响力仍在持续扩大，而一些曾经流行的语言，则逐渐退出主流视野。

不过，如果只关注最终的结果，很容易忽略一个更重要的变化：AI 正在重新定义「什么样的语言更容易流行」。

在大模型出现之前，一门编程语言的发展，很大程度上取决于开发者社区、生态成熟度以及企业推动。Java 背靠 Oracle，JavaScript 凭借浏览器生态建立优势，Python 则受益于数据科学和机器学习领域的发展。这套竞争机制，本质上是围绕开发者展开的——开发者学习什么、采用什么、推荐什么，最终决定了一门语言的发展轨迹。

AI 的出现，为这套机制增加了一个新的变量。

与开发者不同，大模型不会因为一门语言设计优雅、理念先进而偏好它。它更关注另一件事：哪些语言拥有充足、高质量且表达一致的训练数据。

AI 更擅长处理写法统一的语言

从大模型的工作原理来看，AI 更容易掌握什么样的语言，其实并不难理解。

一门语言公开代码越丰富，模型能够学习的样本就越多，生成代码的质量通常也越高；生成质量越高，开发者越愿意借助 AI 使用这门语言，新的代码又会不断补充到公开生态中，进一步丰富训练数据。

这种正反馈会持续强化，逐渐形成数据优势。

真正值得关注的是，这一机制奖励的未必是设计最优秀的语言，而是表达方式最统一、最容易预测的语言。

Python 就是一个典型例子。

Python 今天的地位，并不是 AI 直接造就的。NumPy、Pandas、PyTorch 等成熟的数据科学生态，早在 AI 浪潮到来之前，就已经奠定了它的优势。

AI 真正放大的，是这种既有优势。

Python 的编码风格相对统一，同一个问题通常存在较为稳定的实现方式，不同开发者之间的代码差异也相对有限。这使得模型更容易学习其规律，也更容易生成符合预期的代码，从而进一步增强了 Python 在 AI 时代的竞争优势。

SQL 的情况则更加典型。

SQL 本身拥有高度规范的语法和成熟的表达范式，可选写法相对有限，因此一直是大模型生成质量最稳定的语言之一。如今，即使没有编程背景的产品经理或数据分析师，也可以借助自然语言直接生成 SQL，并完成数据库查询。

类似的还有 YAML、Bash、TOML 等配置语言或脚本语言。

严格来说，它们并不属于传统意义上的通用编程语言，但由于语法结构稳定、表达方式高度一致，大模型同样能够较容易地理解和生成，因此在 AI 开发流程中的使用频率也越来越高。

从这个角度来看，AI 更偏好的并不是某一种具体语言，而是那些拥有稳定表达模式、能够形成高质量训练样本的语言和工具。

Lisp 恰好印证了这套规律

如果说 Python 体现了 AI 偏好「表达一致」的优势，那么 Lisp 则从另一个角度印证了这一规律。

Lisp 从来都不是一门平庸的语言。作为人工智能研究领域最具代表性的编程语言之一，它由 John McCarthy 创造，最初的目标就是支持符号推理。从历史渊源来看，很少有编程语言与 AI 的联系比 Lisp 更深。

然而，进入大模型时代之后，Lisp 却逐渐淡出了主流视野。

这并不是因为 Lisp 的设计落后，而恰恰是因为它过于灵活。

Lisp 允许开发者用多种不同方式表达同一段逻辑，这种高度自由曾经是它最重要的优势之一。但对于依赖统计规律进行学习的大模型来说，过多的表达方式意味着同一种模式会被分散到大量不同的实现中，模型更难学习稳定的规律，也更难判断哪一种写法更具代表性。

结果是，训练样本被不断稀释，生成质量也更难保持稳定。

Perl 的经历也具有类似特点。

「There's more than one way to do it（完成一件事不止一种方法）」一直是 Perl 的设计理念。这种灵活性在人类开发者看来意味着更大的表达自由，但对于大模型而言，却意味着实现方式更加分散、模式更加复杂，学习和生成的难度也随之提高。

因此，Lisp 的逐渐边缘化与 Python 的持续流行，其实反映的是同一种趋势：大模型更容易学习和生成那些表达方式稳定、规律清晰的语言。

Rust：AI 时代的一个例外

如果仅按照前面提到的数据反馈机制来看，Rust 原本并不具备明显优势。

相比 Python，Rust 的公开代码规模更小，开发门槛更高，AI 生成 Rust 代码的准确率也长期低于部分主流语言。如果仅依赖训练数据规模和生成质量带来的正反馈，Rust 很难成为 AI 时代的重要语言。

但现实并非如此。

2026 年初，美国网络安全与基础设施安全局（CISA）要求关键基础设施厂商制定内存安全迁移路线图，联邦调查局（FBI）也公开建议减少新的 C/C++ 项目开发。随着内存安全逐渐成为合规要求，Rust 的定位也从一种偏小众的系统语言，逐渐转变为越来越多组织必须考虑的技术选择。

Rust 的发展说明了另一件事：数据反馈机制能够影响技术的扩散速度，却不能单独决定技术的发展方向。

AI 在软件开发中实际上承担着两类不同的角色。

第一类，是帮助开发者生成代码；第二类，则是帮助开发者验证代码是否正确。

前者更容易推动某种语言或技术栈的普及，而后者则决定了这些代码最终是否可靠。

随着 AI 自动生成代码越来越普遍，软件开发的成本结构也可能发生变化：相比「如何更快写出代码」，「如何验证代码是否正确」将变得越来越重要。

这正是 Rust 的优势所在。

Rust 的所有权模型、类型系统以及编译期检查，本身就是一套强约束的验证机制。AI 可以负责快速生成代码，而 Rust 则在编译阶段帮助开发者提前发现大量潜在错误，在一定程度上降低了后续验证和维护成本。

因此，Rust 的兴起并不是对前文规律的否定，而是说明除了训练数据规模之外，工程需求、产业政策以及语言自身的安全特性，同样会影响一门语言的发展轨迹。

AI 开发工具为何越来越趋向相同的技术栈

打开 Cursor、v0、Bolt 等 AI 开发工具，让它们生成一个新的 Web 项目，你会发现输出结果高度相似：Next.js + Tailwind CSS + TypeScript 已经成为最常见的默认组合。

这并不是这些工具刻意偏好某一套技术栈，而是训练数据分布的自然结果。

互联网上围绕这套技术栈积累了大量公开代码，因此模型能够学习到更充分的模式，生成质量也更稳定。生成效果越好，开发者越倾向于继续使用这套技术栈；而新的项目又不断贡献新的公开代码，进一步丰富训练数据，形成持续强化的正反馈。

从这个角度来看，AI 工具推荐的并不仅仅是一套技术方案，而是训练数据最充分、生成质量最稳定的方案。

2026 年，Next.js 的 npm 周下载量已从 2025 年约 900 万次增长到超过 1400 万次，在部分统计口径下甚至接近 3900 万次；Tailwind CSS 的下载量也保持着相似的增长趋势。

这样的增长速度显然不仅来自自然演进。AI 开发工具持续将这套技术栈作为默认选择，也是推动其快速普及的重要因素之一。

这也意味着，技术选型越来越容易受到训练数据分布的影响，而不仅仅是开发者的主观判断。

这种变化还带来了另一个不那么明显的影响：开发者尝试新技术的意愿可能会逐渐降低。

对于主流技术栈，AI 已经能够提供成熟的代码补全、调试、重构等能力，整体开发体验十分流畅；但一旦切换到训练数据较少、AI 支持不足的技术栈，开发效率往往会明显下降。

随着这种差异不断扩大，成熟技术栈叠加完善的 AI 支持，正在形成越来越强的生态优势，也提高了新技术进入主流视野的门槛。

领域专用语言或许会迎来新的发展机会

另一方面，AI 也可能推动另一类语言的发展——领域专用语言（DSL，Domain Specific Language）。

过去，DSL 普及最大的障碍之一，就是学习成本。

无论是 Terraform 使用的 HCL、GraphQL 查询语言，还是各种配置语言，开发者都需要投入额外时间学习新的语法和使用方式。除此之外，团队协作、运维复杂度等因素也会影响采用意愿，但学习门槛通常是首先需要跨越的一道障碍。

AI 的出现，大幅降低了这一成本。

开发者无需熟悉所有语法细节，只需通过自然语言描述需求，就可以让 AI 生成 HCL 配置、编写 GraphQL 查询，或者完成 Kubernetes 等系统的配置。

对于许多领域专用语言来说，最大的普及障碍因此被显著削弱。

这也意味着，未来的软件开发未必会进一步收敛到少数几门通用语言，而更有可能出现另一种趋势：越来越多针对特定领域优化的小型语言或声明式规范，与通用编程语言长期共存。

这些语言通常具有明确的语法约束、稳定的表达方式，也更容易被大模型学习和生成。

Terraform、PromQL、OpenAPI、GraphQL 等技术，已经在一定程度上体现了这一趋势。AI 降低了它们的使用门槛，也让更多开发者能够在不深入学习语法细节的情况下，将它们应用到实际项目中。

AI 无法决定技术的发展方向

Rust 的流行源于对内存安全的需求，而这一需求来自 C/C++ 数十年来积累的安全问题，并非 AI 的产物；SQL 建立在关系模型理论突破之上，与 AI 无关；Kubernetes 的诞生，则是为了应对大规模分布式系统的工程挑战，同样不是 AI 推动的结果。

这些例子说明了一件事：AI 并不会主动创造新的技术需求，也不会决定哪些问题值得解决。

它更擅长的是另一件事——放大已经出现的趋势。

当一种新技术开始获得认可时，AI 能够通过更低的学习成本、更高的开发效率，加快它的传播和应用；而当一种技术逐渐退出主流时，AI 也会进一步降低开发者继续使用它的意愿，从而加速它的衰退。

因此，AI 很难决定下一门主流编程语言会是什么，也无法预测未来最重要的技术方向。真正决定这些问题的，始终是软件工程需要解决哪些新的挑战，以及开发者希望构建怎样的系统。

结语

AI 所放大的，未必是最优秀的技术，而是最容易学习、最容易生成、最容易规模化复制的技术。

这让软件开发变得更加高效，同时也可能让技术生态趋于收敛。

大模型一方面加速了成熟技术栈的传播，另一方面也提高了小众技术进入主流视野的门槛。过去，一门小众语言即使用户规模有限，也能够凭借自身优势在特定领域长期发展；而今天，如果 AI 对它的支持不足，开发体验和生产效率的差距可能会进一步扩大，从而削弱它的竞争力。

这并不意味着技术创新会停止，而是意味着技术扩散的方式正在发生变化。

未来，一项技术不仅需要证明自身的工程价值，还需要拥有足够丰富的生态、稳定的表达方式，以及能够被 AI 高质量学习和生成的能力。

当越来越多的技术选择受到训练数据分布和 AI 能力的影响，一个值得思考的问题也随之出现：

未来决定技术路线的，究竟是开发者的主动选择，还是 AI 更容易学习和生成哪些技术？

或许，真正值得关注的，不是哪门语言会成为下一个赢家，而是 AI 正在如何改变技术演进和传播的方式。