在当今技术迅猛发展的背景下，人工智能（AI）已悄然融入我们的生产链条。根据Sonar的一项调查，今年提交的代码中，AI参与的比例达到了42%，预计明年这一比例将攀升至65%。然而，令人担忧的是，96%的开发者对AI的信任度并不完全，甚至不到一半的人在提交代码前会认真验证其准确性。这一现象促使我们重新审视编程语言的选择标准。
以往，开发者在选择编程语言时，往往关注其表达能力和性能，但现在，反馈确定性（即AI能否快速、低成本地反馈错误）成为新的选型标准。如何评估这一标准呢？我们可以从通道数量、成本和漏检率三个维度进行分析。编译器和静态分析工具能够免费进行全量检查，而测试只能进行抽样，人工审查的成本则更高。
需要注意的是，静态类型系统并不是万灵药，它大约只能拦住15%的缺陷，且这些缺陷多为类型不匹配等表面错误。真正棘手的是语义错误。根据Veracode的测试结果，在上百个模型中，整体安全通过率仅为55%。更令人失望的是，不同漏洞的通过率差异明显，例如SQL注入的通过率高达82%，而XSS（跨站脚本攻击）的通过率却只有15%。这说明类型系统无法识别数据来源，无法有效阻止信任边界问题的发生。
具体到编程语言的选择，C#、Java和Type等语言在编译期提供了这一“免费大门”，而Python则未能享受这一待遇，类型错误往往需要在运行和测试阶段才能被发现。尽管Java是强类型语言，但由于Spring等框架的复杂性，安全性反而处于劣势。
因此，在语言选型时，技术因素并非唯一标准。组织约束和团队现有技能往往比语言本身更为重要。在实施过程中，建议将编译器接入CI（持续集成）系统，强制阻断潜在错误，并为AI生成的代码打上标记，最后再增加一层独立的schema校验。
选择合适的编程语言可以将低级错误的成本降至零，但更重要的是，后续的测试和安全审阅将决定最终的代码质量。在AI不断进化的时代，我们需要以更全面的视角来审视语言选型，以确保在技术飞速发展的同时，维护代码的安全性与可靠性。返回搜狐，查看更多