Linux Kernel AI 修補程式令審核者縮減職責
Linux kernel 審核者 Lorenzo Stoakes 於 11 月 10 日表示,因 AI 生成的投稿帶來壓力,將減少其審核職責。圍繞 Linux kernel AI 修補程式的爭議如今帶來一項具體後果:一名資深貢獻者正收窄其投入注意力的範圍。他會保留其維護者職務,即負責特定程式碼範疇的角色。
眼前的張力在於,提出變更建議與提供評估所需專業知識之間的落差。更多投稿可擴大專案的機會,同時增加無償或由僱主資助的審核工作。Stoakes 的決定令這項取捨變得可見,但未能確定有多少 AI 生成程式碼流入更廣泛的專案。
Phoronix 在 11 月 10 日報道了審核工作縮減,其後續報道令這項公告獲得更廣泛關注。報道形容一名 Arm 工程師正為其維護的範疇保留時間。這則消息關乎專門勞動力的分配,對貢獻者、僱主及 AI 程式編寫供應商均有影響。
Linux Kernel AI 修補程式促使收窄審核角色
Stoakes 正減少一般審核承諾,同時保留對其維護程式碼範疇的責任。
他的審核者身分修補程式系列建議移除涵蓋記憶體管理核心、雜項工作、回收及 Rust 相關範疇的審核者條目。記憶體管理控制作業系統如何配置、映射及回收記憶體。回收則是在其他用途需要記憶體時,將其釋出的工作。
該系列亦加入對他早前 THP 維護工作的致謝。THP 即 Transparent Huge Pages,會將記憶體組合成較大的單位,以減少管理開銷。這項致謝記錄的是先前角色,而非證實他同時再辭去另一職務。
Stoakes 在開場訊息中表示,因 AI 生成投稿所致,他沒有足夠時間在所維護範疇以外進行一般審核。他形容此變動是為了讓收件匣維持可管理狀態。建議中的編輯,將這項界線明確列入專案的責任清單。
理解標題時,這項區分相當重要。審核者會檢視建議變更;維護者則對某個範疇承擔持續責任。兩種職責互有重疊,但移除審核者名單不代表放棄所有相關貢獻。
這項行動亦不同於全專案政策變更。個人決定如何分配時間,並不會為整個 Linux 訂立新的接納規則。讀者應區分人手安排決定與對特定開發工具的禁令。
理解這項公告的一個有用方式,是視之為可自主支配能力的縮減。超出某人直接職責以外的工作,往往取決於興趣、可用時間與幫忙意願。每多一份投稿都需要再作一次判斷時,這種能力便更難維持。
即使拒絕一項建議,也會消耗注意力。有人必須判斷它是否處理真正問題、說明是否合理,以及是否值得進一步調查。一項低價值投稿即使從未進入程式碼庫,也可能帶來成本。
因此,即使保留的職責如常持續,實際改變仍然重要。專案可以保留正式的責任歸屬,同時失去圍繞該歸屬的一些彈性。其他貢獻者隨後便要面對專業知識可用程度的不同分布。
此事件沒有證明 Linux 發行版本已變得較不可靠。證據支持的結論較為有限:與 AI 有關的投稿壓力,促使一名資深審核者限制其一般承諾。對處理時間及審核覆蓋範圍的影響,仍需要證據。
這項界線應塑造其後的討論。問題是專案如何在保持對有用工作開放的同時,保障專家判斷。單靠計算流入的修補程式無法回答這個問題。
壓力落在能夠解釋程式碼的人身上
稀缺資源,是能夠評估變更,並說明其為何安全、必要且值得維護的審核者。
程式碼生成與程式碼審核解決的是不同問題。生成器產生候選答案;審核者必須判斷該答案是否適合較大系統中的真實問題。
試想一項具說明性的記憶體管理變更,把某項檢查移至函式中較早的位置。經修改的程式碼行可能看來更簡潔,亦仍可編譯。尚未解決的問題是,周邊操作是否依賴原有的順序。
編譯器接納該變更,只能回答其中一部分問題。審核者仍需有理由相信,新行為保留了相關假設。這個例子描述的是審核問題,而非 Stoakes 公告中指出的特定缺陷投稿。
這項區分有助解釋,為何修補程式長度並非完整的審核工作量指標。一項簡短變更可能依賴分散在不同函式及過往設計決定中的知識。可見的編輯無法揭示它帶來的每一項責任。
在詳細審核開始前,投稿量亦會造成資源分配問題。專家必須決定哪些訊息值得調查、哪些可以等候。用於作出這些決定的時間,會與解決已知問題的時間競爭。
直接壓力亦會影響提出合理建議的貢獻者。若專家注意力變得更難取得,一份準備充分的投稿,可能面對與未充分準備投稿同樣擠塞的收件匣。這是擠塞可能帶來的後果,而非此案例已量度的結果。
依賴上游開發的僱主亦應認識同一限制。上游是指提出及整合變更的原始專案。為該專案產生更多工作,不保證專案會獲得更多評估能力。
因此,對一間公司而言,相關貢獻可能包括審核者時間,以及程式碼本身。了解某個子系統的開發者,可以協助評估其他投稿、回答技術問題,並保留脈絡。即使沒有產生新功能,這些活動仍支持交付工作。
新貢獻者也面對相關挑戰。他們需要空間去學習、提問及獲得指正。一個被低質投稿壓垮的審核系統,可能在接觸到準備好參與交流的人之前,已耗盡其教學能力。
這項風險並不合理化把陌生貢獻者視為天生可疑。經驗與聘用背景不能證明某項特定變更是否正確。有用的區分在於,投稿是否提供足夠證據,以展開具成效的技術討論。
因此,Linux kernel 的 AI 審核負擔既是責任歸屬問題,也是自動化問題。有人必須在提案初稿出現後,仍能解釋該提案。若這項責任完全轉移給接收者,投稿者表面上的效率便帶來外部成本。
這正是個人界線具有制度意義的原因。它揭示哪些活動依賴超出個人核心承諾以外的努力。可持續的貢獻流程必須先將這些努力納入考量,才可假設它會隨流入需求而擴大。
更快的生成可將工作推往下游
AI 輔助貢獻只有在減少達成可辯護變更所需的總工作量時,才會創造價值。
核心取捨很直接。輔助工具可令貢獻者的起草成本更低,同時令審核者的驗證成本維持高昂。整體流程是否改善,取決於這兩個階段之間發生甚麼。
具說服力的解釋尤其重要,因為流暢文字可以掩蓋缺失的推理。一份投稿可以自信地描述問題,卻沒有顯示問題確實存在。審核者便要承擔從證據中區分主張的工作。
Linux 的修補程式投稿指引要求貢獻者解釋問題、其對使用者可見的影響,以及所建議的技術變更。指引亦要求提供支持所聲稱優化的證據,並討論其成本。這些期望令提案可在接納前被評估。
更廣泛的含意是,產生編輯內容只是貢獻的一個組成部分。確立該編輯為何應被納入,可能需要調查、實驗及修訂。只加快編輯工作的自動化,並不會免除其他責任。
這也向 AI 程式編寫供應商提出更嚴格的生產力問題。他們的系統能否協助使用者完成調查及驗證工作?一項令提案更容易產生的產品,仍可能令接收團隊承擔更多工作。
對買家而言,量度的邊界十分重要。個別開發者或可更快完成草稿,同時組織卻花費更長時間處理審核問題。兩種觀察均可成立,因為它們量度的是流程中不同部分。
有意義的評估應追蹤一項變更直至獲接納及其後續維護。它應區分已完成的有用工作,與僅僅進入佇列的提案。這是分析標準,而非聲稱任何特定供應商已報告這些指標。
輔助與未經理解的委派之間亦有差異。貢獻者可使用工具,同時保留對問題及解決方案的清晰說明。當生成答案成為該說明的替代品時,問題便會出現。
例如,試想一項建議修正附有令人信服的描述,卻沒有解釋原本的失敗情況。接收方審核者必須先確定是否真的有事需要修正。額外生成的文字不能解決這項缺失的基礎。
相反,能夠證明失敗並解釋行為變更的貢獻者,會給予審核者一些具體內容去評估。初稿的來源遂成為證據的一部分,而毋須決定整個裁決。
這是競爭開發方式之間有用的比較:以投稿為先的自動化,相對於由貢獻者主導的驗證。後者承認,生成候選答案會帶來進一步責任。其成敗取決於能否在將不確定性轉嫁他人前完成這些責任。
透過這個視角,Linux kernel AI 修補程式辯論便更清晰。相關承諾是提升開發能力。檢驗標準是,在計入審核及修正成本後,整個貢獻流程是否獲得更多能力。
Linux 規則將責任留給投稿者
文件化框架容許 AI 輔助,同時要求人類仍須為其提交內容負責。
Linux 的AI 程式編寫指引規定,人類須負責審閱生成程式碼並符合授權要求。它將 Developer Certificate of Origin 簽署保留給人類。該簽署記錄貢獻者就其提交該工作權利所作的證明。
指引亦談及驗證。對於非瑣碎的疑似錯誤,應嘗試重現問題,並以測試案例展示故障情況。它要求修正、驗證、歸屬說明,以及披露未能完成的工作。
這些要求描述了一種可配合實用自動化的方法。它們將協助置於一個仍有可問責參與者的貢獻流程之中。工具輸出的內容仍然需要調查。
該項目更廣泛的生成內容指引同樣強調透明度與理解。指引承認維護者可自行決定如何處理生成的提交內容。當貢獻者無法為其改動作出辯護時,指引亦容許毋須詳細審閱便予以拒絕。
這些文件支持以較精確的方式理解這場爭議,而非簡單劃分為支持或反對 AI 的陣營。是否接納可取決於證據、準備程度及承擔責任。這些準則為有用的協助及堅決拒絕兩者都留下空間。
然而,規則本身不會創造套用規則所需的時間。指引可以說明誰應對提交內容負責,卻不能確保每位貢獻者都會遵從。始終有人要面對最終訊息,並決定如何回應。
這帶來執行上的取捨。詳細解釋可以協助善意的貢獻者改進;但對缺乏基本準備的提交內容反覆作出這些解釋,可能會耗用規則本欲保護的同一批資源。
因此,項目的公共政策問題是實際的:貢獻者在聯絡維護者前可滿足哪些期望?欠缺哪些元素,足以合理地提早拒絕投入更多審閱時間?清晰的答案可減少雙方的不確定性。
這類界線亦要容許坦誠說明限制。貢獻者可能無法取得特定硬件,或未能完成相關測試。披露此限制,讓審閱者有基礎判斷是否值得投入更多工作。
隱瞞限制則剛好相反。它迫使收件人自行發現哪些部分仍未驗證。這會擴大提交內容看似完整與實際完整程度之間的落差。
對於在內部處理技術材料的團隊,保留證據也有相同作用。可搜尋的工程知識庫可協助保存決策及其支持脈絡。它補足了批准改動所需的技術判斷。
在這裡,文件最有價值之處,是協助人們重建決策背後的理由。沒有底層證據的精緻解釋,提供的保障較少。同一原則適用於初稿來自人類還是模型。
政策上的挑戰,是在不承諾無限調查的情況下維持開放。貢獻者需要一條清晰途徑,獲得公平評估。當提案未附上評估所需工作時,審閱者也需要一個正當的停止點。
「一半」的估算並不衡量所有 Linux 提交內容
Stoakes 的說法證實他承受的審閱壓力;卻不能證實整個 kernel 補丁中由 AI 生成的比例。
Stoakes 其後就其保留的維護者職責作出澄清時,向 The Register 表示他會繼續擔任維護者。他形容,與 AI 相關的工作已由偶爾出現,增至約佔他在審閱中所見的一半。該刊物亦報道 Greg Kroah-Hartman 對審閱者短缺的憂慮。
分母很重要。專家的來件工作反映其所關注的領域,以及最終傳到他們手上的討論。這並不會自動代表每個子系統或每項提交的改動。
識別方式同樣重要。資深審閱者的判斷即使在運作上很重要,也不等同正式的作者身份量度。現有說法並未提供可重現的分類方法或全項目樣本。
因此,讀者不應將這項估算轉化為普及率統計。「一位審閱者所見的一半」與「一半 Linux 補丁」是不同主張。其報稱的描述僅支持前者。
同樣的謹慎亦適用於品質。AI 協助與有缺陷的程式碼是不同屬性,即使它們在審閱者經驗中可能重疊。生成的改動可以有用,人手撰寫的改動也可以有錯。
這一區別是理解「AI slop」一詞的核心。它形容的是被認為低價值的輸出,而非標準化的技術分類。將其視為已量度的類別,會暗示證據所未能提供的精確度。
因果關係亦有限制。Stoakes 將其工作量決定與 AI 生成的提交內容聯繫起來,這支持報道兩者的關連。然而,他的決定本身並不能量化記憶體管理審閱者承受壓力的每個來源。
較狹窄的審閱者角色,也不能證明有害補丁已進入正式版本。審閱超載與獲接納程式碼的品質雖是相關憂慮,卻需要不同證據。前者不能作為後者的證明。
公平而懷疑的解讀,可以在認真看待警告的同時承認這些限制。項目毋須完成全面普查,貢獻者也可以設下界線。個人的工作量決定取決於可用時間,而非統計上的確定性。
相反,另一種過度說法是因事件缺乏受控研究而將其駁回。所提出的責任變更是具體的。它們顯示一名貢獻者正因應他所描述的工作量而調整承諾。
負責任的結論介乎兩個極端之間。Linux kernel 的 AI 補丁已成為一場有紀錄可查、關於審閱能力的爭議的一部分。其規模、分布及長遠影響仍是開放問題。
對觀察者而言,精確能保障故事的價值。誇大估算會令論點更容易受到挑戰,卻無助處理其根本憂慮。將主張保持在狹窄範圍內,能把焦點放在解決該憂慮所需的工作。
這些工作包括區分準備不足與作者身份、追蹤實際審閱結果,以及了解能力受限之處。更好的證據會令診斷更精確,也有助識別哪些應對方式能改善開發,而非只是減少可見活動。
關注審閱覆蓋、提交品質及人員留任
下一項有意義的證據,是貢獻流程能否在持續接納有用改動的同時,變得較易維持。
未來數月,首個值得留意的訊號是受影響領域周邊的審閱覆蓋。責任列表及公開討論可顯示貢獻者是否有清晰途徑接觸相關專業知識。更多活躍的審閱參與,可紓緩對可自由支配能力減少的憂慮。
檔案中的一個名字只是一項初步指標。有意義的覆蓋需要有人能夠參與提案討論並解決技術問題。觀察者應區分有文件記錄的分工,以及工作確實獲得關注的證據。
第二個訊號是 AI 協助提交內容的完整程度。公開的補丁討論可以顯示,貢獻者是否帶同已證明的問題、可信的驗證及清晰的解釋而來。更充分的準備,會加強「協助是在增加能力而非重新分配未完成工作」的論據。
在這方面,個別例子需要審慎詮釋。一項成功貢獻可以顯示某個流程在特定案例中有效,但沒有更廣泛證據,不能證明整體工作量已有改善。
同樣地,較少可見的提交內容也存在多種解釋。這項改變可能反映篩選較佳、興趣下降,或活動轉移至其他地方。有用的評估應檢視在數量變化之餘,合理提案實際發生了甚麼事。
第三個訊號是審閱者留任及工作量界線。若有更多因難以應付的提交內容而作出的縮減,便會加強對能力問題的憂慮。穩定的參與將是令人鼓舞的訊號,尤其是審閱者同時表示流程更易管理時。
留任不應意味期待人們撤回其界線。可持續的結果可以包括較狹窄的角色、較清晰的優先次序,以及更多貢獻者共同分擔審閱工作。恢復無限供應的可用時間,會是對成功的糟糕定義。
這些訊號亦為僱主和編碼工具買家提供具體問題可問。建議的工作流程是否有助人們提供證據?它是否透過修訂維持問責?它是否同時支援收件人的工作及發件人的工作?
最有力的回應,會處理由最初構想到持續維護改動的整段流程。這包括決定哪些構思值得提交,以及哪些需要進一步調查。生成答案不應自動令其他人有責任審閱它。
目前而言,Stoakes 的決定是對專家能力如何被消耗的一項具體警告。它既不決定 AI 編碼的價值,也不需要聲稱每個子系統都面對相同情況。它為原本依賴一名貢獻者額外關注的工作,劃出了一道可見界線。
在將 Linux kernel AI 補丁視為必然進步或必然衰退的證據前,應追蹤審閱結果。把建議的改動與審閱者提出的問題,以及貢獻者提供的答案一併閱讀。尋找證據,證明協助是幫助人們釐清不確定性,而非將其包裝得更具說服力。
若你的團隊為共享軟件作出貢獻,亦應以同樣方式審視自身工作流程。問清楚誰驗證問題、誰解釋改動,以及提交後誰仍然可用。在評估編碼工具或設定交付目標時,為這些責任預留時間。有用的問題是:更快起草後,整個項目是否更有能力交付並維護正確的軟件。



