近期事件将开源维护者的困境推到了风口浦上,但这些问题其实已经酝酿多年。
这个主题在 2025 年的开源状态大会 (State Of Open Conference) 上反复出现,来自科技巨头和志愿维护者的发言者纷纷阐述了面临的挑战。开源生态系统很大程度上依赖志愿者投入过多时间却得到太少支持,裂痕正在不断扩大。
每月四小时的工作时间远远不能满足用户需求,更不用说应对那些"这能有多难?"的质疑者。维护者们毫无疑问正承受着压力,许多人要么已经退出,要么正在考虑退出。
本周,苹果芯片版 Linux 发行版 Asahi Linux 项目的负责人 Hector Martin 突然宣布退出,原因包括开发者倦怠和用户过分要求。
自称"疲惫的维护者"的 Jamie Tanna 简单地说:"作为开源维护者真的很有成就感...除非遇到不愉快的时候。"
Tanna 在开源世界活跃多年,他主要讲述了作为 oapi-codgen 维护者的经历。对不了解的人来说,oapi-codgen 是一个将 OpenAPI 规范转换为 Go 代码的工具。
"它被很多公司使用...同时也面对很多愤怒的用户。"
这是一个熟悉的故事。Tanna 帮助解决了一些项目问题并自愿担任维护者。最初发布频繁,但很快每次发布之间的时间间隔开始变长。他解释说,作为维护者,无论是大项目还是小项目(尤其是大项目),都要应对"有趣的"用户,他们非常乐于表达自己的感受,同时还要面对不断增加的需求清单。
感受到压力、孤立无援、面对越来越多的工作,同时还要偶尔收到一些自以为是的用户发来的不愉快消息,要求立即处理他们的问题或立即合并他们的贡献,这种经历太常见了。
Tanna 相对幸运 - 他的雇主每月给他四小时时间处理项目。然而,这远远不能满足用户的需求和那些"这能有多难?"的质疑者。维护者们毫无疑问正承受着压力,许多人要么已经退出,要么正在考虑退出。
许多项目,即使是被认为是"关键基础设施"的项目,也只有极少数人支持(通常是一个人做大部分工作)...
Google 开源项目和运营分析师兼研究员 Sophia Vargas 告诉 The Register,维护者"绝对"承受着压力。Vargas 补充说,这种压力来自"系统层面和个人社区层面"。
"许多开源参与者都感觉开源项目长期得不到足够支持,特别是考虑到使用开源软件的需求在不断增长。"
"这种感觉也反映在数据中:许多项目,即使是被认为是'关键基础设施'的项目,也只有极少数人支持(通常是一个人做大部分工作),许多维护者考虑过退出,而且许多项目可能根本没有人维护。"
Vargas 引用了包括 2024 年 Tidelift 调查的数据,显示 60% 的维护者要么已经退出,要么正在考虑退出,另一份来自 Linux 基金会的报告 [PDF] 显示,大多数广泛使用的自由开源软件仅由少数贡献者开发。
Kubernetes 维护者 Kat Cosgrove 和 Jeremy Rickard 也参与了讨论。Rickard 是 Microsoft 的员工,同时也负责 CNCF 行为准则。两人进行了一项调查,收集维护者和项目贡献者的经历。
Cosgrove 指出,虽然受访者数量太少,无法具有统计学意义,但问题不仅仅是维护者承受压力和滥用。这些问题还延伸到旁观的用户。"他们对项目的喜爱度降低,70% 的人考虑是否应该继续为该项目做贡献。"
解决这个问题并不容易。维护者是否只需要因其付出而获得报酬?Vargas 对此持保留态度,并提到了今年 FOSDEM 上提出的研究 (https://dl.acm.org/doi/10.1145/3674805.3686667)。Vargas 告诉 The Register,"金钱不能解决所有问题。"
"每个维护者和项目都有自己的背景和挑战 - 虽然许多维护者会从经济支持中受益,但其他人真正需要的是更多的贡献者来补充他们的工作,减轻他们的责任 - 特别是在非代码任务方面,如指导、社区管理、问题分类、推广和筹款等。"
Rickard 也担心经济不确定性可能导致预算压缩,并谈到在 GitHub 等平台上提高对赞助的认识,因为公司对项目的资助正在收缩。
"你必须有某种催化剂才能促使变革发生。作为一群人,我们似乎不太擅长主动行动。"
Cosgrove 说,"我担心需要一个重要项目崩溃才能说服他们 [用户] 支付开源维护者的费用是值得的,事实上,这可能是必需的。"
"我不希望看到这种情况发生,因为后果将会很糟糕,但我担心这可能就是所需要的。"
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。