لینوس توروالدز: هوش مصنوعی پلی برای ورود برنامه‌نویسان تازه‌کار است

تصور کنید یکی از برترین مهندسان جهان در مدیریت پیچیده‌ترین سیستم‌های حافظه، برای طراحی یک صفحه نمایش ساده و مدرن درمانده شود. این دقیقاً همان نقطه‌ای است که لینوس توروالدز، خالق لینوکس، برای عبور از آن به کمک هوش مصنوعی پناه برد.

به نقل از گفتگوهای او با دیرک هوندل، رئیس بخش فناوری نرم‌افزاری اریکسون (Ericsson Software Technology) در اجلاس متن‌باز اروپا، توروالدز رویکردی عمل‌گرایانه دارد؛ او از هوش مصنوعی زاینده (Generative AI) — شبیه دستیاری که میلیاردها خط کد را خوانده و حالا می‌تواند پیش‌نویس‌های سریع بنویسد — برای انجام کارهایی استفاده می‌کند که در آن‌ها «ضعیف» است. در حالی که بسیاری در جامعه متن‌باز نسبت به این فناوری خصومت دارند، توروالدز آن را ابزاری قدرتمند برای کسانی می‌بیند که می‌دانند چگونه آن را به‌درستی به کار بگیرند.

این دیدگاه در حالی مطرح می‌شود که شکاف عمیقی در جامعه توسعه‌دهندگان ایجاد شده است. برخی پروژه‌ها، مانند System76 در محیط دسکتاپ COSMIC خود، تولید محتوا توسط هوش مصنوعی را به‌طور صریح و کامل ممنوع کرده‌اند تا کیفیت کد حفظ شود. برای بسیاری از مهندسان باسابقه، ظهور پدیده Vibe Coding (کدنویسی بر اساس حس و حال) — یعنی نوشتن نرم‌افزار بر اساس شهود و پرامپت‌های هوش مصنوعی به‌جای معماری دقیق و سخت‌گیرانه — شبیه به یک عقب‌گرد در استانداردهای مهندسی نرم‌افزار است. این رویکرد در مقیاس سازمانی نیز در حال آزمایش است، چنان‌که برخی مؤسسات مالی بزرگ مانند بانک Chase در حال بررسی جایگزینی نویسندگان کد با عامل‌های هوش مصنوعی هستند تا بهره‌وری را در مقیاس بانکی افزایش دهند.

توروالدز این چالش را در یک پروژه شخصی برای ساخت یک پدال گیتار تجربه کرد. او رابط کاربری کاربردی را با زبان C نوشته بود، اما ظاهر آن شبیه به آثار دهه ۱۹۸۰ بود. از آنجا که او با زبان جاوا کار نمی‌کرد، به هوش مصنوعی روی آورد تا شکاف میان تخصص بک‌اند و نیازهای بصری قرن ۲۱ را پر کند.

او اعتراف کرد که اولین تلاشش شکست خورد. او یک پرامپت به هوش مصنوعی داد و نتیجه «هولناک» بود. در نهایت، او با ارائه کدهای C موجود خود به عنوان مرجع به مدل، موفق شد. او به ابزار گفت: «من این کار را در C درست انجام دادم، فقط زشت است.»

هوش مصنوعی به‌عنوان «داروی ورودی»

توروالدز هوش مصنوعی را یک «داروی ورودی» (Gateway Drug) برای برنامه‌نویسی می‌نامد. او استدلال می‌کند که سقف مهندسی نرم‌افزار حرفه‌ای چنان بالا رفته است که تازه‌کارها اغلب احساس می‌کنند تلاش‌های کوچکشان در برابر برنامه‌های صیقل‌خورده و حرفه‌ای بی‌ارزش است. هوش مصنوعی به برنامه‌نویسان جدید اجازه می‌دهد سریع به نتایج ملموس و مرتبط برسند و پیش از غرق شدن در جزئیات طاقت‌فرسای کدنویسی دستی، لذت خلق کردن را بچشند.

او دوران شروع برنامه‌نویسی خود در حدود سال ۱۹۸۱ را به یاد می‌آورد. در آن زمان، کامپیوترها بسیار ساده‌تر بودند. توسعه‌دهندگان می‌توانستند دقیقاً بفهمند ماشین چه می‌کند و برنامه‌هایی که کارهای خود را با آن‌ها مقایسه می‌کردند، بسیار کمتر پیچیده بودند. امروز، هوش مصنوعی می‌تواند به یک تازه‌کار کمک کند تا احساس کند در حال انجام کاری مفید است و بدین ترتیب، ترس از استانداردهای مدرن نرم‌افزاری را دور بزند.

با این حال، توروالدز مرز میان پروژه‌های تفننی و زیرساخت‌های حیاتی را به‌وضوح ترسیم می‌کند. او هشدار می‌دهد که استفاده از هوش مصنوعی برای «کارهای واقعی و مهم» نیازمند احتیاط شدید است. در بافت هسته لینوکس، ریسک‌ها فقط مربوط به باگ‌های فنی نیستند، بلکه هزینه انسانی نگهداری از کد (Maintenance) یک مسئله جدی است.

نبرد در هسته لینوکس

هوش مصنوعی از طریق ابزارهایی مانند Sashiko — یک سامانه بازبینی کد عامل‌محور (Agentic) — وارد جریان کاری هسته لینوکس شده است. طبق اعلام توروالدز، بازبینی‌های عمومی Sashiko اکنون در لیست پستی هسته لینوکس (LKML) ظاهر می‌شوند. برخی از نگهداران زیرسیستم‌ها اکنون انتظار دارند که وصله‌ها (Patches) پیش از آنکه حتی برای پذیرش بررسی شوند، یک بازبینی توسط هوش مصنوعی داشته باشند.

این ابزارها در موارد زیر موثر بوده‌اند:

• شناسایی آسیب‌پذیری‌های امنیتی واقعی.
• یافتن باگ‌ها در درایورهای قدیمی و بلااستفاده که سال‌ها پنهان مانده بودند.
• بهبود پایداری کلی کدبیس.

اما این حجم از محتوای تولیدشده توسط ماشین، یک گلوگاه ایجاد کرده است. توروالدز در سفر خود به بمبئی در اوایل سال جاری اشاره کرد که گزارش‌های باگ ساختگی (Fabricated) می‌توانند بسیار متقاعدکننده باشند و رد کردن آن‌ها تلاش انسانی زیادی می‌طلبد. همچنین، برخی وصله‌های تولیدشده توسط هوش مصنوعی صرفاً «چسب‌های بی‌فکر» (Mindless Band-aids) هستند که نشانه مشکل را می‌پوشانند بدون اینکه علت ریشه‌ای را حل کنند. این نگرانی‌ها با توجه به گزارش‌های اخیر درباره توانایی عامل‌های هوش مصنوعی در هک خودکار پلتفرم‌های AI مانند Hugging Face بیشتر می‌شود، چرا که نشان می‌دهد ابزارهای خودکار می‌توانند رفتارهای پیش‌بینی‌نشده و خطرناکی داشته باشند.

این تنش در اجلاس اخیر نگهداران هسته لینوکس (Linux Kernel Maintainer Summit) موج می‌زد. به گفته توروالدز، سه چهارم بحث‌های این اجلاس بر این متمرکز بود که چگونه می‌توان استرس تولید و بازبینی کدهای AI را برای انسان‌های درگیر در پروژه کاهش داد. چالش اصلی دیگر دریافت وصله نیست، بلکه فیلتر کردن نویز برای جلوگیری از فرسودگی (Burnout) نگهداران است. گلوگاه فعلی، عبور دادن کارهای مفید از مرحله بازبینی است، بدون آنکه افرادی که مسئول این کار هستند، دچار خستگی مفرط شوند.

تاریخچه تکامل ابزارها

برای درک این چرخش، توروالدز به ۳۵ سال تکامل لینوکس نگاه می‌کند. در روزهای ابتدایی، هیچ زیرساخت رسمی وجود نداشت؛ او تغییرات را از طریق وصله‌های tarball دنبال می‌کرد و به‌صورت هفتگی به‌روزرسانی‌ها را منتشر می‌کرد. او به یاد می‌آورد که در داخل پروژه، هر روز وصله‌های جدیدی می‌ساخت. تا سال ۲۰۰۲، پروژه چنان بزرگ شد که این روش دستی — که او آن را دوران «من، خودم و کامپیوترم» می‌نامد — دیگر پاسخگو نبود.

مقاومت اولیه او در برابر پذیرش ابزارهای کنترل نسخه (Source-control) بر اساس فلسفه استقلال بود. او قویاً معتقد بود که هر توسعه‌دهنده باید تنظیمات محلی خود را مدیریت کند. اما با گسترش جامعه، تکیه بر توروالدز برای اعمال دستی وصله‌های دریافتی به یک گلوگاه بحرانی تبدیل شد.

این موضوع منجر به پذیرش BitKeeper شد. با وجود اینکه BitKeeper انحصاری و جنجالی بود و برخی توسعه‌دهندگان از استفاده از آن امتناع کردند، توروالدز آن را یک «موفقیت بزرگ» دانست. این ابزار ادغام کدهای بخش‌های مختلف مثل ARM و شبکه را به‌طور قابل‌توجهی ساده‌تر کرد و پتانسیل کنترل نسخه توزیع‌شده (Distributed Source Control) را به او نشان داد.

وقتی در سال ۲۰۰۵ یک اختلاف بر سر لایسنس باعث پایان این همکاری شد، توروالدز در ۱۱ روز اولین نسخه Git را ساخت. او یک مدل شیء‌گرای جدید طراحی کرد و ابزاری کاربردی را در کمتر از دو هفته ارائه داد. اگرچه او ادعا می‌کند که «بیش از حد» برای این کار مورد تحسین قرار گرفته است، اما گیت در نهایت به استاندارد صنعت تبدیل شد. طبق نظرسنجی Stack Overflow در سال ۲۰۲۲، گیت توسط ۹۷٪ از توسعه‌دهندگان حرفه‌ای استفاده می‌شود.

فلسفه پیشرفت تدریجی

فرآیند انتشار لینوکس در دهه‌های گذشته به‌طور قابل‌توجهی تغییر کرد. لینوکس از مدل درخت‌های مجزای «پایدار» و «توسعه» که عمر طولانی داشتند، به سمت مدلی با انتشار مکرر، یک پنجره ادغام (Merge Window) و نسخه‌های کاندید (Release Candidates) حرکت کرد. در مدل قدیمی، انتشارها که قرار بود سالانه باشند، گاهی تا چندین سال طول می‌کشیدند و برنامه‌ریزی را تقریباً غیرممکن می‌کردند.

توروالدز چرخه کوتاه‌تری را پیشنهاد کرد، هرچند واکنش اولیه بد بود؛ او اشاره کرد که «مردم طوری به من نگاه می‌کردند که انگار سر سوم درآورده‌ام». او هدف اولیه تهاجمی پنج هفته را تعیین کرد که در نهایت به ریتم فعلی ۹ تا ۱۰ هفته‌ای رسید. این مدل در ۲۰ سال گذشته پایدار مانده است.

توروالدز همچنان متعهد به مدل پیشرفت ثابت و تدریجی است. او ایده‌ی سازماندهی لینوکس حول محور عرضه دراماتیک ویژگی‌های جدید را رد می‌کند و ترجیح می‌دهد تغییرات کوچک به‌مرور به قابلیت‌های بزرگ تبدیل شوند. همان‌طور که او در بمبئی بیان کرد، هدف همچنان «بهبود تدریجی و پیشرفت ثابت در تمام زمان‌ها» است.

این فلسفه در نگاه او به هوش مصنوعی نیز جاری است: این ابزار، وسیله‌ای دیگر در جعبه‌ابزار است، نه جایگزینی برای فرآیند بنیادین مهندسی. برای یک توسعه‌دهنده متوسط، این بدان معناست که بهترین کاربرد هوش مصنوعی عبور از نقاط ضعف شخصی است — درست مثل استفاده توروالدز برای UI — نه میان‌بری برای منطق اصلی برنامه. هدف این است که از ابزار برای رسیدن به بهره‌وری استفاده شود، بدون آنکه پایداری سیستم فدا شود.

این تغییر نشان می‌دهد آینده مهندسی در سطح بالا، نه در دست کسی است که بهترین پرامپت را می‌نویسد، بلکه در دست کسی است که می‌تواند خروجی هوش مصنوعی را با بیشترین بازدهی بازبینی و تأیید (Audit) کند. گلوگاه از «خلق کردن» به «تأیید کردن» تغییر مکان داده است.

باید منتظر بود و دید جامعه هسته لینوکس چگونه الزامات سخت‌گیرانه‌تری برای «اثبات منشأ AI» (AI-provenance) در وصله‌ها اعمال می‌کند تا استرس نگهداران کاهش یابد.

گام بعدی شما

• اگر در حوزه‌ای (مثل UI یا مستندسازی) ضعف دارید، از هوش مصنوعی برای ساخت پیش‌نویس استفاده کنید اما هرگز منطق هسته برنامه را به آن نسپارید.
• تمرکز خود را از «نوشتن کد» به «بازبینی کد» (Code Review) منتقل کنید؛ این مهارت در عصر AI ارزشمندتر خواهد بود.
• برای پروژه‌های حساس، سیستمی برای ردیابی منشأ کد (AI-provenance) ایجاد کنید تا از تکرار «چسب‌های بی‌فکر» جلوگیری شود.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.