AI 写代码越来越强，为什么开源项目反而越来越谨慎？

最近，开源游戏引擎 Godot 更新了贡献规范，其中最受关注的一条就是：

原则上不再接受大量由 AI 生成的代码贡献。

https://godotengine.org/article/contribution-policy-2026/

消息一出，开发者社区迅速掀起讨论。

有人认为这是“逆时代而行”，AI 写代码已经成为趋势；也有人表示支持，认为 AI 正在制造越来越多需要人工收拾的“代码垃圾”。

不过，如果把视角放大一点，你会发现这场争议讨论的从来都不是 AI 能不能写代码。

Godot 真正担心的，不是 AI

很多人看到标题，就以为 Godot 在反对 AI。

实际上并不是。

Godot 最新贡献规范明确表示，允许使用 AI 进行代码补全、正则处理、查找替换等辅助工作，但原则上不接受大量 AI 生成的代码作为贡献内容。如果使用了 AI，贡献者还需要说明 AI 参与了哪些工作，并确保自己完全理解最终提交的代码。

换句话说，他们反对的不是工具，而是自己都没理解，就直接提交 Pull Request。

对于维护者来说，这类代码往往意味着更长的审查时间，以及更高的后续维护成本。

Linux 内核选择了另一条路

另一边，Linux 内核社区近期围绕 AI 生成代码也进行了长期讨论。

最终并没有简单地支持或禁止 AI，而是把重点放在责任上。

https://docs.kernel.org/process/coding-assistants.html

https://docs.kernel.org/process/coding-assistants.html

Linux 内核维护者认为，无论代码是否借助 AI 完成，最终都必须符合项目的代码质量要求，并由提交者对代码质量、版权合规以及后续维护负责。

审核标准不会因为 AI 而改变，维护者也不会替贡献者承担责任。

两者看似不同，其实关注点非常一致：

真正需要负责的，从来不是 AI，而是提交代码的人。

AI 最大的问题，不一定是代码质量

随着模型能力不断提升，AI 生成的代码越来越像人写的。

但对于大型开源项目来说，更大的挑战反而来自审核成本。

2022 年底，Stack Overflow 曾一度禁止用户发布 ChatGPT 生成的回答。

原因并不是 AI 完全不会回答问题，而是大量回答看起来很合理，却包含事实错误。

维护者需要花费大量时间逐条核实，其成本远高于人工回答。

代码也是一样。

AI 可以快速生成几百行代码，但它不会回复 Issue，不会修复几年后的兼容性问题，也不会参与长期维护。

最终承担这些工作的，仍然是项目维护者和代码提交者。

正如 Linux 内核创始人 Linus Torvalds 在讨论中所说： "Bad actors aren't going to read the documentation anyway." （“坏”的贡献者，本来也不会去读这些规范。）

所以，与其纠结代码是不是 AI 写的，不如让规则落到可追责的地方：谁提交，谁负责。

法律风险，仍然没有标准答案

除了工程问题，还有一个经常被忽略的问题：版权和许可证风险。

目前，全球关于 AI 生成代码是否涉及训练数据版权、许可证兼容性等问题，仍然没有统一结论。

因此，越来越多项目开始要求开发者明确代码来源，或者要求贡献者确认 AI 生成内容不存在版权和许可证冲突。

对于大型开源项目来说，哪怕风险最终没有发生，不确定性本身就是一种风险。

写代码越来越快，维护代码却越来越难

AI 最大的价值，无疑是提升开发效率。

一句 Prompt，可以完成过去几十分钟甚至几小时的工作。

一个 Agent，可以自动修改几十个文件。

但真正昂贵的，从来不是写代码，而是维护代码。

今天让 AI 帮你完成了一大段业务逻辑。

半年后线上出现 Bug，你还能解释为什么要这样设计吗？

如果开发者没有真正理解 AI 生成的代码，那么随着项目不断迭代，维护成本很可能会远高于当初节省下来的开发时间。

对于个人项目，这或许问题不大。

但对于生命周期长达数年，甚至十几年的项目来说，可维护性永远比生成速度更重要。

AI 真正冲击的，反而是程序员

最近，微软再次裁员，同时继续加大 AI 投入，不少人因此得出结论：“AI 开始取代程序员了。”

但我觉得，这种理解有些过于简单。

无论是 Godot 更新贡献规范，Linux 内核讨论 AI 使用原则，还是越来越多企业把 AI 引入开发流程，它们共同说明了一件事：

AI 正在降低“写代码”这件事的门槛。

过去，一个开发者最大的价值，是把需求翻译成代码。

今天，大模型已经能够完成其中相当一部分工作。

未来开发者真正值钱的，可能不再只是写代码，而是：

• 理解需求，设计系统架构；
• 判断 AI 方案是否合理；
• 审查生成代码的质量和安全性；
• 处理复杂问题，而不是机械地敲代码；
• 对最终交付的结果负责。

AI 可以几秒钟生成几百行代码。

但它不会处理线上故障，不会回应用户反馈，更不会在三五年后继续维护你的系统。

真正越来越值钱的，不是“写代码”。

而是判断哪些代码值得进入生产环境，并为它负责。

写在最后

Godot 和 Linux 的分歧，表面上看是“要不要 AI 代码”的选择，实际上只是同一套价值观的两种表达：

代码可以借助 AI 来写，但责任不能交给 AI 来背。

Godot 选择提高门槛，是因为它担心一旦被大量无法维护的代码淹没，社区会先于技术崩溃；Linux 选择保留空间，是因为它相信成熟的开发者能够为自己的提交负责。

二者殊途同归：不管规则是严是宽，核心都只有一条——AI 可以写代码，但出问题时，背锅的必须是人。

对开发者来说，与其说是危机，不如说是分工的重构

AI 会接手大量重复、机械的工作，让开发者把更多时间花在理解需求、设计系统和判断风险上。效率提高了，但这也意味着，最终交付的责任会更集中地落在人身上。

所以，真正值得问的不是“AI 能不能写代码”，而是“当 AI 参与其中时，我是否清楚自己在做什么，并愿意为结果负责”。

能想清楚这一点的人，才能更好地使用这个时代的工具。