一个反直觉的事实

全球 95% 的 ATM 交易、80% 的线下信用卡交易、超过 40% 的在线银行系统，运行在一门 1959 年诞生的语言上——COBOL。而这门语言的熟练开发者，正以每年数千人的速度退休。

过去十年，“遗留系统现代化"是咨询公司最赚钱、也最绝望的生意：一个跑了三十年的 COBOL 批处理系统，业务规则藏在代码里，文档残缺，原作者早已离职。重写的失败率高得吓人，因为真正难的从来不是"把 COBOL 翻译成 Java”，而是"证明翻译后的系统行为和原来完全一致"。

昨天 OpenAI 发布的一组评测结果，指向了这个困局的一个转折点：GPT-6.1 Sol 在 COBOL 迁移评测上以低推理档达到 86.6% 的行为等价准确率——上一代模型是 5.4%。高推理档 97.9%，接近饱和，成本反而低 39%。

从 5.4% 到 86.6% 不是量的改善，是能力的相变。

两个评测，两种能力

OpenAI 这次发布的核心是两个评测，值得仔细看它们的设计，因为设计本身暴露了 OpenAI 对"模型该会什么"的判断。

MultiLangBench：要求模型用 20 种编程语言从零实现一个 SQLite 兼容的数据库引擎。这里有个巧妙的设计——用数据库文件作为跨语言的共享接口。候选程序接收初始数据库和一条 SQL 查询，输出修改后的数据库，再用参考 SQLite 实现校验结果。这样同一套测试可以公平地套在任何语言实现上，测试用例改编自 SQLite 官方测试套件。

结果：GPT-6 Astra 平均测试通过率 87.4%（GPT-5.6 Sol 仅 26.8%），20 种语言全面提升——COBOL 从 10.9% 到 72.1%，OCaml 从 25.6% 到 85.8%，Fortran 从 21.4% 到 83.5%，Visual Basic 从 27.5% 到 89.4%。20 种语言里 19 种超过 83%，最难的 COBOL 也有 72%。

从零实现一个数据库引擎，考验的不是语法记忆，而是长程的软件工程能力：组织代码库、管理状态、处理错误、在添加新功能时不破坏已有功能。这本质上是一个持续数小时的编码 session，模型必须"记住"自己构建的系统。

COBOL 迁移评测：把 COBOL 程序迁移到 C++/Java/Kotlin/Python/Rust，判定标准是隐藏测试上的逐字节输出一致。这个标准极其严格，也极其正确。OpenAI 在文中举了一个典型例子：COBOL 的定点算术在非显式要求舍入时会直接截断多余小数位。一个"四舍五入"的重写版本可以毫无报错地跑通所有流程，却产生不同的财务数字——这在银行系统里是灾难。

这两个评测分别对应"从零构建"和"保持行为"两种互补能力。前者测上限，后者测可靠性。而后者才是企业真正愿意付钱的那件事。

为什么现在？训练数据神话的破灭

长期以来，业界对"AI 学不会 COBOL"有个默认解释：训练数据太少。Python 和 JavaScript 在 GitHub 上有海量代码，COBOL 没有，所以模型学不好——这似乎是不言自明的。

这次的结果对这个叙事提出了挑战。从 26.8% 到 87.4% 的跨越只隔了一代模型，而 GitHub 上的 COBOL 代码量显然没有增长三倍。真正变化的可能是三件事：

其一，推理能力可以部分替代见闻。 一个有强推理能力的模型，可以靠语言规范、少量样例和自身执行反馈来推断语言行为，而不必"背过"数百万行语料。这和人类专家学习一门冷门语言的方式更接近——读规范，写代码，跑测试，迭代。

其二，评测在牵引训练。 OpenAI 明说这是根据企业客户反馈定向开发的评测。当"COBOL 迁移"从没人测的能力变成有公开基准（MultiLangBench 已开源在 GitHub）的能力，它就会进入下一轮训练的目标函数。评测先于能力，能力追随评测。

其三，agentic 编码范式成熟了。 两个评测都不是一次性代码生成，而是长程任务：组织代码库、跑测试、看失败、修复。这正是过去两年 coding agent 基础设施（沙箱执行、测试反馈循环）沉淀的红利。低资源语言恰恰是最需要这种"写-跑-改"循环的场景，因为模型的第一直觉更容易出错。

瓶颈正在转移：从翻译到验证

但先别急着宣布 COBOL 危机解除。我的判断是：这件事的真正意义不是"AI 能做迁移了"，而是瓶颈从翻译转移到了验证。

97.9% 的准确率听起来接近完美，但遗留系统现代化的经济学里，95% 和 99.9% 之间隔着一道鸿沟。一个百万行的银行核心系统，86.6% 的行为等价意味着数千处行为差异——每一处都可能是那道"截断 vs 舍入"的财务暗坑。OpenAI 自己也很克制，原文明确说"应用到生产软件仍需要专家评审和针对业务规则与依赖的测试"。

所以真正的下一战场是验证的自动化：如何为一个没有文档、没有测试用例的三十年老系统，自动生成足以证明行为等价的测试？如何让"逐字节一致"的检查从评测里的隐藏测试，变成企业可以直接对生产系统套用的工具？谁先把迁移和验证做成一条流水线，谁就吃下这个市场。

顺带一提，97.9% “接近饱和"也提示这个评测的天花板快到了。下一个有区分度的 COBOL 评测，大概率不再是"迁移单个程序”，而是"迁移整个有外部依赖、有隐式状态、有并发批处理调度的系统"。单程序迁移是困难模式，系统级迁移才是地狱模式。

谁该感到压力

咨询公司和大IT服务商首当其冲。Infosys、Accenture 们的人力密集型迁移生意，毛利建立在"懂 COBOL 的人稀缺"之上。当 8.5B 级模型加良好工作流就能达到接近的迁移质量（IBM 的 ALTK-Evolve 也是同方向的信号），这个护城河会迅速蒸发。当然，它们也是最大的受益者——如果转型够快，AI 会把它们的交付成本砍掉一个数量级。

中小银行和保险公司的CIO，好消息是你的现代化预算可能终于够用了。过去动辄数千万美元、五年期的大型机迁移项目，有机会压缩成一个季度的 AI 辅助工程。

模型厂商之间，这是一次精准的卡位。Google 上个月刚宣布 Gemini 的 COBOL 迁移工具链，OpenAI 随即用公开基准 + 开源评测套件回应，把"低资源语言能力"变成了可比较、可复现的公开指标。企业客户的选型清单上，从此多了一行硬数据。

结语

COBOL 系统被誉为"软件界的核废料"——没人喜欢，但必须有人处理，而且处理周期以十年计。AI 学会 COBOL 的意义，不在于让一门老语言复活，而在于第一次让"文明的技术债务"有了可行的清偿路径。

二十年前我们担心 COBOL 程序员死光了系统就没人懂了；现在的问题变成了：当机器能读懂所有代码时，哪些"只有代码知道"的业务规则，会以什么代价被完整地搬到下一个时代。翻译的问题正在被解决，信任的问题才刚刚开始。