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
一项调查显示,31%的美国技术领导者表示,由于AI转型的紧迫性,CEO与CIO的合作比一年前更加密切。79%的技术领导者认为企业对AI的关注提升了他们在董事会层面的地位。数据分析和AI成为企业未来12个月的重点投资领域,37%的受访者将其列为优先事项。虽然28%的技术领导者预测首席AI官将承担CIO职责,但86%的企业尚未设立该职位。
ETH苏黎世大学研究团队提出OBR(最优脑重建)框架,创新性解决了大语言模型压缩中量化与剪枝方法的根本冲突。通过"分组错误补偿"机制,OBR实现了W4A4KV4+50%稀疏性的极端压缩,在保持优秀性能的同时获得4.72倍速度提升和6.4倍内存节省,为边缘设备部署大模型开辟新道路。
答案引擎优化(AEO)正在重新定义真相的标准。与传统搜索引擎优化不同,AEO让AI系统直接生成答案,而非提供链接。研究显示70%的人会直接接受机器提供的信息,不加质疑。当资本主义与此结合,真相本身变得可以被购买和优化。AEO实质上是一种设计性审查,通过专有数据和封闭算法隐藏推理过程。我们需要重新引入摩擦和质疑机制,要求算法透明度和可追溯性,否则现实本身将成为可以随意调节的设置。
斯坦福大学研究团队开发出概念组合学习框架,让AI系统像人类一样学会"举一反三"。该技术将复杂学习任务分解为基础概念模块,通过灵活组合处理新任务,学习效率比传统方法提高10倍。实验显示在多概念组合任务中准确率达78%,并具备跨领域迁移能力。这项突破为通用人工智能发展奠定重要基础,预计将在医疗、教育、自动驾驶等领域率先应用。