آمار توسعه هسته Linux 7.2: رکوردهای جدید، ورود توسعه‌دهندگان جدید و سایه سنگین هوش مصنوعی

انتشار آمار توسعه نسخه ۷.۲ هسته Linux توسط وب‌سایت LWN ابعاد تازه‌ای از سرعت رشد و تغییرات در این پروژه عظیم متن‌باز را نمایان کرده است. نسخه ۷.۲ پس از نسخه ۶.۷ (که با ادغام bcachefs رکورددار بود) به عنوان دومین نسخه پرمشغله در تاریخ لینوکس شناخته می‌شود و حجم تغییرات در آن بسیار گسترده و سراسری بوده است.

جزئیات و رکوردهای کلیدی در نسخه ۷.۲

بر اساس داده‌های پایگاه داده منبع هسته LWN، آمار و ارقام این چرخه توسعه قابل توجه است:

• تعداد کامیت‌ها: بالغ بر ۱۶,۴۱۸ کامیت غیرادغامی (non-merge) وارد خط اصلی شد که فراتر از نسخه شلوغ ۷.۱ است.
• توسعه‌دهندگان: ۲,۶۵۲ توسعه‌دهنده در این نسخه مشارکت داشتند که یک رکورد جدید است.
• توسعه‌دهندگان تازه‌کار: این نسخه شاهد ورود ۶۱۳ توسعه‌دهنده جدید بود که برای اولین بار در توسعه هسته مشارکت می‌کردند؛ روندی صعودی که در نسخه‌های اخیر کاملاً مشهود بوده است.
• بگ‌فیکس‌ها: تگ‌های Fixes که نشان‌دهنده رفع باگ‌های معرفی‌شده در کامیت‌های قبلی هستند، افزایش چشمگیری داشته‌اند که بخشی از آن به ابزارهای خودکار و سیستم‌های مبتنی بر LLM نسبت داده می‌شود.

نقش پررنگ هوش مصنوعی و چالش‌های آن

یکی از مهم‌ترین بحث‌های پیرامون نسخه ۷.۲، ورود ابزارهای هوش مصنوعی (LLM) به فرآیند کدنویسی، رفع باگ و بازبینی (Review) است. تگ‌های Assisted-by رشد قابل توجهی نسبت به دوره‌های قبل نشان داده‌اند، هرچند بسیاری از توسعه‌دهندگان این تگ‌ها را درج نمی‌کنند و آمار واقعی احتمالاً بسیار بیشتر است. سیستم‌هایی مانند Sashiko نیز در کشف و گزارش باگ‌ها نقش داشته‌اند.

این موضوع نگرانی‌هایی را در جامعه مهندسی نرم‌افزار ایجاد کرده است. از یک طرف، ابزارهای هوش مصنوعی و ایجنت‌ها به شناسایی و رفع سریع‌تر باگ‌ها کمک می‌کنند و حجم کارهای تکراری را کاهش می‌دهند؛ از طرف دیگر، سیل کدهای تولیدشده توسط هوش مصنوعی و پچ‌های سنگین، ممیزان و نگهبانان هسته (Maintainers) را زیر فشار شدید قرار داده است. این خطر وجود دارد که کدهایی وارد هسته لینوکس شوند که هیچ‌کس درک کاملاً عمیقی از جزئیات پیاده‌سازی آن‌ها ندارد، اما نگهداری بلندمدتشان بر عهده جامعه باقی می‌ماند.

نگاه هکرنیوز

در بحث‌های شکل‌گرفته پیرامون این مقاله در هکرنیوز، توسعه‌دهندگان نظرات متفاوتی ابراز کردند. برخی از کاربران تأیید کردند که ایجنت‌های هوش مصنوعی در بازتولید و رفع باگ‌ها بسیار کارآمد عمل می‌کنند و گزارش‌های باگ باز را کاهش می‌دهند. در مقابل، بسیاری از مهندسان نسبت به سرازیر شدن حجم عظیمی از کدهای اصطلاحاً «slop» (کدهای سطحی یا تولیدشده ماشینی بدون درک عمیق ساختاری) هشدار دادند و اشاره کردند که بررسی و ریویو کردن این حجم از تغییرات می‌تواند مشارکت در پروژه‌های متن‌باز را فرساینده کند.