关于利用人工智能将 COBOL 迁移至 Java 的讨论显示，开发人员对于“一键式”自动化迁移的可行性持高度怀疑态度。 虽然有人认为人工智能可以在较小且经过充分测试的代码库中提供辅助，但批评者强调，现代人工智能模型难以处理大规模代码迁移中不可预测的特性。主要挑战包括： * **复杂性与上下文：** 当前的大型语言模型缺乏处理海量多文件遗留系统的能力，往往无法解读自定义预处理器或小众的主机架构。 * **海勒姆定律（Hyrum’s Law）：** 许多遗留系统依赖于长期存在的“缺陷”，而这些缺陷已成为必不可少的预期功能。保持这种“缺陷对缺陷”的一致性对于金融和企业系统的稳定性至关重要，但极难实现自动化。 * **环境依赖性：** 批评者指出，COBOL 的价值通常在于主机专业的运行环境（例如极致的正常运行时间和硬件集成），而非语言本身。 总之，目前的共识是，虽然人工智能可以辅助完成小任务，但盲目的“全盘”迁移策略极易失败。专家们提倡采用渐进式、人工参与且经过严密测试的方法，并警告称目前的自动化工具尚未成熟到足以取代企业级主机环境的严苛要求。