几天前，由 Linux 基金会主办的北美开源峰会（Open Source Summit North America）在华盛顿西雅图闭幕。
会上，Linux 之父 Linus Torvalds 与其好友、Verizon 开源项目办公室负责人 Dirk Hohndel 展开了一场对话，深入探讨了 Linux 开发及相关问题。外媒 ZDNet 对他们两人的对话进行了整理。
左为 Linus Torvalds、右为 Dirk Hohndel。
首先谈到的话题是源代码中的制表符与空格。此前一位开发者建议用用空格替换制表符，以帮助 Kconfig 解析器读取文件。
不过，Torvalds 认为这是一个糟糕的举动。
在最近发布的 Linux 6.9-rc4 版本中，Torvalds 采取了特别措施来应对那些无法正确处理制表符的 Kconfig 解析器。他故意地在通用 Kconfig 文件中加入了一些制表符。
图源：git.kernel.org/pub/scm/lin…
谈到即将发布的 Linux 6.9 内核版本，Torvalds 形容它「平静、稳定且无聊」。或许对于一个有着 30 多年历史的软件项目来说，本该如此。如果每个版本都有大的改变，可能意味着出现了问题。
他们随后谈到硬件问题。如果硬件错误持续存在的话，可能会导致安全问题。
对此，Torvalds 表示，这令人沮丧。开发者通常可以快速地修复软件问题，但硬件由于迭代无法及时修复。
此外随着 RISC-V 等开放硬件的兴起，这些问题或许不会困扰下一代硬件。但是 Torvalds 觉得事实并不是如此。
他认为，RISC-V 及开发者会犯其他人犯过的所有错误。Torvalds 解释称，硬件人员与软件人员不同，他们之间存在着相当大的鸿沟。并且，硬件开发者重新发明了旧的做事方法，只能通过犯以前犯过的所有相同错误来学习。这令人悲伤，但却是事实。
不过，Torvalds 预计事情会进展得更快。Hohndel 也指出，Linux 在消除用户硬件平台之间的差异方面做得越来越好。「10 年前，从 x86 迁移到不同的平台仍然非常困难。如今，大多数人甚至都不知道自己运行的是 AMD 还是英特尔芯片。都在云端，一切看起来一模一样。」
接着他们谈到，一些开源项目最近遇到的问题是：有些邪恶的开发者看起来人畜无害、乐于助人，实际上却是有恶意的。比如，微小的 Linux XZ Util 程序内有一个安全后门，它非常容易传播到主流 Linux 发行版中。
这些问题被及时制止了，本身也不是 Linux 的问题，但还是令人担忧。Torvalds 回忆到，2021 年，有人尝试将不良补丁推送到 Linux 中，但他们失败了。Linux 维护者发现了这些不良补丁，但为此感到非常沮丧和生气。
Linux 社区是独一无二的，它拥有 1000 多名开发者，其中很多人已经合作了数十年。因此，黑客试图通过欺骗手段将不良代码植入到 Linux 内核是不可能完成的任务，但其他大多数程序就没这么幸运了。
即便如此，Torvalds 指出，当居心不良者利用成为维护者的机会来实施不良行为时，几周之内就会被发现。开源项目发现这类攻击，意味着事情会得到解决。因此，一个健康的社区构成了最好的防御。
当然，这并不适用 99% 的开源项目，这些项目往往很小。我们需要保持警惕，并知道自己可以信任谁。在 Linux 内核中，我们将 PGP (Pretty Good Privacy) 作为信任网络的基础。
Torvalds：AI 并不能解决一切问题
与此同时，Torvalds 认为不要期待人工智能会成为最后的那个答案。
这两位业界开源领袖仍对人工智能炒作持疑。Torvalds 调侃道：「这看起来很搞笑，我也可能会被人工智能模型取代。」Hohndel 则认为，当今大多数人工智能就像是增强版的自动更正。
Torvalds 随即将他的态度总结为：「让我们等上 10 年，看看它实际上会发展到哪一步，我们再来作出所有这些令世人疯狂的声明。」
这并不是意味着两位领袖对人工智能在未来的有益性持悲观态度。
事实上，Torvalds 指出了一个人工智能的良好作用：英伟达已经开始更好地与 Linux 内核开发团队进行持续的沟通，并与 Linux 内存管理部门开展了良好的合作，从而在 Linux 上更加高效地运行人工智能大语言模型（LLMs）。
Torvlads 也表示：「我们对现在所持有的较多工具能够切实寻找到问题点、漏洞报以较大期许，并持有经久不变的信心，但使这些工具变得更加智能化并不是一件坏事。使用智能化工具只是面对时代变化的一个不可避免的步骤。我们有一些通过高度复杂的脚本及模式识别功能，能够对内核进行重写的工具。由于我们必须在最低满足点指定事物，所以导致该类工具变得难以使用，但人工智能会在这一关键阶段起到非常大的正向作用。」
此外，在谈到 AI BS 时，Torvalds 表示必须要变得警惕。Honhndel 随即开玩笑道：「他是在指美妙的科学。美妙的科学在这个时代进来又出去。」
对于是否会继 Linux 和 Git 之后继续开发新的大项目时，Torvalds 则当即表示：希望不会如此。
他的解释是：我希望这一切不会发生，因为我开启每一个项目都是源于我对他人变得无能或贪恋而感到深深的沮丧。比如我开发 Linux 的原因是因为我已经无法支付真正的东西。这一切相当困难，33 年后，我仍然为此工作。
Torvalds 也提到自己 20 年前犯了同样的错误。当时他说自己实在不敢苟同源代码管理（SCM）是极其有趣的事情，但在我之前的所有人 - 他们显然都完全搞错了。所以我需要自己去做，这有多难呢？
因此，Torvalds 希望再也不会遇到这种情况了。如今，Torvalds 仍坚守在 Linux 和 Git 的工作岗位上，因为「当其他人过来围在我身边并跟我说『我们真的需要你』时，我十分确信，没有他们，我就不会继续坚守这一切。虽然我的产品源于我需要的东西，但真正使它们不断前进的原因是它们确实对另一些人产生了真正有意义的作用。」
Torvalds 最后表示，只要我们发现 Linux 切实发挥了作用，自己和团队将会继续不懈地努力改进它。
一、我们应该如何系统的去学习了解大模型LLM ？
作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1：AI大模型时代的基础理解
- 目标：了解AI大模型的基本概念、发展历程和核心原理。
- 内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
- 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
- 内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
- 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
- 内容：
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
- 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
- 内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划：
- 阶段1：1-2个月，建立AI大模型的基础知识体系。
- 阶段2：2-3个月，专注于API应用开发能力的提升。
- 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
- 阶段4：4-5个月，专注于高级模型的应用和部署
