AI 时代的编程语言演进（Rust / 仓颉 / TypeScript）

音频围绕 AI 时代编程语言的机会展开，深入探讨了软件开发三要素的变化、编程语言的需求、面临的问题及解决方案，还提及符号神经融合的开发范式，为编程语言的发展提供了新的思路和方向，内容如下：

• AI 时代软件开发三要素变化
• 用户需求转变：软件的使用对象从人扩展到 agent，用户需求的实现和使用感受有了新的变化。
• 开发者构成变化：软件开发人员从人扩展到 agent，开发模式也将发生改变。
• 执行模型革新：大模型提供了运行时能力，类似在 CPU 之外的另一个处理器，与确定性处理器不同，带来符号神经融合等新的计算范式。
• 编程语言的需求与发展
• 多种语言需求
• Spec 语言需求：从开发过程角度，SBD 关注点前移，需要 Spec 语言进行需求描述，它将在软件开发中涌现并形成谱系。
• 传统编程语言保留：传统编程语言作为代码载体，需求仍然存在，虽会演进，但不会消失。
• 新语言支持智能软件：符号神经融合带来新的计算范式，需要新语言支撑智能软件或 agent 的开发。
• 语言发展趋势
• 开发者体验弱化：若关注点前移，高级语言可能退化为中间语言，开发者体验属性不再重要，性能和安全尤其是安全方面的重要性提升。
• Rust 优势与创新空间：Rust 在性能和安全方面有优势，吃到了 AI 带来的红利，但并非终点，在安全和性能方面还有很大创新空间。
• 语言多样性持续：语言运行态关注多方面能力，如动态性、兼容性、动态加载能力等，DSL 面向领域的创新也将持续存在。
• AI 编程面临的问题及解决方案
• 根本问题
• 需求表达二义性：需求表达存在二义性，这是自然语言的根本性问题，大模型虽有助于消解，但问题仍然存在。
• 大模型不确定性：大模型执行存在不确定性，软件工程历史上一直在解决人与大模型类似的不确定性问题。
• 解决方案
• 形式化语言的作用：形式化语言能剔除二义性，是开发者的朋友，可解决需求表达二义性问题。
• Spec 语言的应用：Spec 语言可指导代码生成和测试，也可用于代码理解、重构和增量式开发，还能实现跨语言、跨平台翻译，成为移动端跨平台开发的新范式。
• 学术界与工业界的融合
• 隔阂现状：学术界做编程语言的人多关注数学代数性质、安全保证等，与工业界关注点差异大，存在较大隔阂。
• 融合趋势：随着开发者友好性因素降低，若学术界的想法能提升软件安全性，有可能将其迁移到编程语言中。
• 新语言的发展情况
• 语料问题缓解：新语言开发面临语料少的问题，但随着大模型能力提升和知识技能加入，情况有所改善。
• 仓颉语言演变：仓颉语言在语言特性上有早期测试、context 或类型增强等演变，未来将更多解决安全性问题，让编译器帮助查错。
• 符号神经融合的开发范式
• 开发需求：符号神经融合需要一层软件来发挥大模型能力，解决不确定性和协同问题。
• 协同范式
• workflow 形式：程序中需要大模型时，让大模型帮忙做事。
• agentic 形式：直接用自然语言开发，中间调用工具，但存在组合性、兼容性、信用 token 消耗、安全性等问题。
• 语言发展：目前已出现一些面向不同领域的语言，希望实现传统与大模型更细粒度的交互。