Почему ИИ ставит под угрозу появление новых языков программирования

Сегодня современные большие языки программирования (Python, JavaScript, Java, Go, Rust и т. д.) переживают беспрецедентный период доминирования. Их позиции укрепляются не только за счёт огромного количества существующих проектов и библиотек, но и благодаря тому, как именно работает современный ИИ для генерации кода.

Популярные языки обладают гигантским объёмом обучающих данных (миллиарды строк кода на GitHub, Stack Overflow, форумах, блогах, документации). В результате модели вроде Claude, GPT, Gemini, Grok и других генерируют для них очень качественный, идиоматичный и почти сразу рабочий код. Это создаёт добродетельный цикл. Чем больше людей используют язык, тем больше качественного кода появляется в открытом доступе, тем лучше ИИ работает с этим языком, тем привлекательнее язык для новых проектов и новых разработчиков. Как результат ещё больше кода и ещё лучше ИИ.

А теперь представьте, что кто-то создаёт действительно новый, оригинальный язык — скажем, с радикально иной моделью типов, уникальным синтаксисом, встроенной верификацией или необычной парадигмой параллелизма. Технически он может быть лучше многих существующих решений в своей нише. Но сразу после релиза у него почти нет публичного кода. Соответственно, ИИ почти ничего о нём не знает. Он будет галлюцинировать синтаксис, путать идиомы, предлагать конструкции из похожих, но других языков.

Разработчик, который попробует этот новый язык, сталкивается с резким падением продуктивности: автодополнение почти не работает, генерация кода даёт мусор, исправление ошибок занимает в разы больше времени, чем, например, в привычном Python. В итоге большинство людей просто откажутся от эксперимента и вернутся к «большому» языку, где ИИ реально ускоряет работу в 2-5 раз.

Это приводит к тому, что почти никто не пишет серьёзные проекты на новом языке, почти никто не публикует открытый код, объём обучающих данных остаётся мизерным, а ИИ продолжает плохо поддерживать язык. Получается некий замкнутый круг. Отсутствие хорошей поддержки искусственного интеллекта влечет за собой низкую продуктивность и низкую популярность. А отсутствие данных для обучения ИИ приводит к ещё худшей поддержке ИИ.

Самое трагичное в этой ситуации, что даже если создатели языка попытаются искусственно «накормить» модель огромным количеством синтетического кода, этого будет недостаточно. Современные LLM очень сильно зависят от естественного, разнородного, человеческого корпуса кода. Синтетический код, сгенерированный той же моделью, часто содержит систематические ошибки и шаблонные паттерны, которые лишь усиливают деградацию при дальнейших итерациях.

В итоге мы получаем парадоксальную картину. Искусственный интеллект, который должен был демократизировать программирование и сделать возможным использование более безопасных, выразительных или специализированных языков, на практике сильно укрепляет позиции уже существующих «гигантов». Новые же языки, даже очень перспективные, рискуют остаться нишевыми экспериментами или вообще не выйти на уровень масштабной реализации.

Конечно, это не значит, что новых языков больше никогда не появится. Появляются Moonbit, некоторые предметно-ориентированные языки, экспериментальные проекты. Но большинство из них либо сразу проектируются как ИИ-дружественные (с максимально простым и предсказуемым синтаксисом), либо получают поддержку только внутри крупных компаний, где можно принудительно обучать внутренние модели на приватном коде. Для языков широкого назначения дорога сейчас действительно очень тяжёлая.

Получается, что инструмент, призванный ускорять инновации, одновременно создаёт мощный барьер для одного из самых важных видов инноваций в программировании — появления принципиально новых языков. И пока объём данных остаётся главным фактором качества генерации кода, этот замкнутый круг будет продолжать работать против новичков на языковом поле.