návrhy-ibm-chris-mason-pro-strojové-učení-linux-kernel
Linuxové jádro, srdce, které pohání vše od superpočítačů po telefony s Androidem, se připravuje na transfuzi umělé inteligence.
V rámci koordinovaného přesunu od IBM k Meta začali klíčoví vývojáři zkoumat, jak může strojové učení nejen pomoci s psaním kódu, ale také být integrováno do jádra operačního systému a optimalizovat ho v reálném čase.
Vjačeslav Dubejko, Inženýr IBM předložil návrh na mailing listu vývojářů jádra: dát Linuxu schopnost se samovyvíjet. Jeho vize není bezvýznamná: integrovat knihovnu strojového učení přímo do jádra aby subsystémy mohly činit inteligentní rozhodnutí založená na datech bez manuálního lidského zásahu.
Tato koncepce je revoluční, protože bychom například mohli mít souborový systém, který předvídá selhání disku dříve, než které se vyskytují, nebo plánovač úloh, který dynamicky upravuje svá nastavení V závislosti na pracovní zátěži se učí z minulých vzorců používání. Dubeyko si je však vědom technických problémů. Jádro přímo neumožňuje operace s plovoucí desetinnou čárkou (nezbytné pro výpočty neuronových sítí) a trénování modelu v jádře by snížilo výkon celého systému.
Obecně řečeno, strojové učení může zavést samovyvíjející se model a s cSchopnost samoučení v linuxovém jádře. Výzkum již existuje. a úsilí průmyslu o využití přístupů strojového učení pro konfiguraciOptimalizace jádra Linuxu. Zavedení přístupů strojového učení aV linuxovém jádře to není tak jednoduché ani přímočaré.
Su Navrhované řešení je hybridní architekturaZástupce pro model strojového učení v jádře, který funguje jako prostředník. Těžká práce (trénování a komplexní inference) Běželo by to v uživatelském prostoru (kde se nacházejí běžné aplikace) a komunikuje s jádrem prostřednictvím rozhraní, jako je sysfs. Tato proxy by umožnila jádru pracovat v různých režimech.Z „režimu učení“, kde předběžně testuje doporučení umělé inteligence, do plného „režimu doporučování“, když model dostatečně vyzrál, aby překonal tradiční statické algoritmy.
Model kontinuálního učení lze použít během fáze trénování. To znamená, že subsystém jádra může přijímat doporučení z modelu strojového učení. I během fáze trénování může proxy na straně jádra pro model strojového učení odhadnout aktuální stav subsystému jádra, pokusit se implementovat doporučení a odhadnout účinnost těchto doporučení.
Claude Code jako recenzent patchů
Zatímco IBM se snaží integrovat umělou inteligenci do jádra, Chris Mason, tvůrce souborového systému Btrfs (a momentálně v Meta), chce ho použít k jeho sestavení. Mason publikoval výzvy k recenzím, sada nástrojů navržených proměnit asistenty umělé inteligence, jako je Claude Code, v expertní recenzenty kódu.
La Cílem je řešit jedno z největších úzkých míst ve vývoji Linuxu.: revize záplaty. Masonův projekt poskytuje umělé inteligenci chybějící kontext (technické specifikace subsystémů, dokumentaci protokolů a seznamy běžných chyb), aby mohla navrhované změny analyzovat s „přísností“. Jejich systém rozděluje velké záplaty na menší úkoly, analyzuje grafy volání a kontroluje, zda jsou opravy proveditelné. Návrhy ohledně chyb hlášených nástroji jako syzkaller jsou skutečně platné.
I když je to stále experimentální, výsledky jsou slibné: Díky správným instrukcím klesla míra falešně pozitivních výsledků umělé inteligence na 10 %. Cílem není nahradit lidské správce, ale dát jim „kopilota“, který dokáže předem strávit tisíce řádků kódu, které obdrží, a generovat automatizované reporty (ve formátu review-inline.txt) připravené k odeslání na e-mailové seznamy.
S těmito dvěma iniciativami se linuxová komunita pouští do neprobádaného území, kde operační systém nejen spouští kód, ale také se učí optimalizovat a opravovat sám sebe.
Nakonec, pokud se chcete o tom dozvědět více, můžete se obrátit na podrobnosti v následujícím odkazu.