ia-machine-learning-linux-kernel-ibm-chris-mason-forslag
Linux-kernen, hjertet der driver alt fra supercomputere til Android-telefoner, forbereder sig på en transfusion af kunstig intelligens.
I et koordineret træk, der spænder fra IBM til Meta, er nøgleudviklere begyndt at udforske, hvordan maskinlæring ikke kun kan hjælpe med at skrive kode, men også integreres i selve operativsystemkernen for at optimere den i realtid.
Vjatjeslav Dubeyko, En IBM-ingeniør har lanceret et forslag på kerneudviklernes mailingliste: at give Linux en evne til selvudvikling. Hans vision er ikke ubetydelig: integrere et maskinlæringsbibliotek direkte i kernen så delsystemerne kan træffe intelligente, datadrevne beslutninger uden manuel menneskelig indgriben.
Konceptet er revolutionerende, da vi for eksempel kunne have en filsystem, der forudsiger diskfejl før der forekommer, eller en opgaveplanlægger, der dynamisk justerer sine indstillinger Afhængigt af arbejdsbyrden lærer den af tidligere brugsmønstre. Dubeyko er dog opmærksom på de tekniske udfordringer. Kernen tillader ikke direkte flydende komma-operationer (essentielt for neurale netværk), og træning af en model i kernen ville forringe hele systemets ydeevne.
Generelt set kan maskinlæring introducere en selvudviklende model og med cSelvlæringsfunktion i Linux-kernen. Forskning findes allerede. og industriens indsats for at anvende ML-tilgange til konfigurationLinux-kerneoptimering. Introduktionen af maskinlæringsmetoder ogI Linux-kernen er vejen ikke så enkel eller ligetil.
Su Den foreslåede løsning er en hybridarkitekturEn proxy for maskinlæringsmodellen i kernen, der fungerer som mellemled. Det tunge arbejde (træning og kompleks inferens) Det ville køre i brugerområdet (hvor normale applikationer findes), der kommunikerer med kernen via grænseflader som sysfs. Denne proxy ville tillade kernen at fungere i forskellige tilstandeFra en "læringstilstand", hvor den foreløbigt tester AI-anbefalinger, til en fuld "anbefalingstilstand", når modellen er modnet nok til at overgå traditionelle statiske algoritmer.
Den kontinuerlige læringsmodel kan anvendes i træningsfasen. Det betyder, at kerneundersystemet kan modtage anbefalinger fra maskinlæringsmodellen. Selv i træningsfasen kan kerneside-proxyen for maskinlæringsmodellen estimere kerneundersystemets aktuelle tilstand, forsøge at implementere anbefalinger og estimere effektiviteten af disse anbefalinger.
Claude Code som patch-anmelder
Mens IBM forsøger at integrere AI i kernen, Chris Mason, skaberen af Btrfs-filsystemet (og i øjeblikket i Meta), vil bruge den til at bygge den. Mason har udgivet anmeldelsesprompter, et sæt værktøjer designet at forvandle AI-assistenter som Claude Code til ekspertkodeanmeldere.
La Ideen er at tackle en af de største flaskehalse i Linux-udvikling.: programrettelsesgennemgang. Masons projekt forsyner AI med den manglende kontekst (tekniske specifikationer for delsystemer, protokoldokumentation og lister over almindelige fejl), så den kan analysere foreslåede ændringer med "stringens". Deres system opdeler store programrettelser i mindre opgaver, analyserer opkaldsgrafer og kontrollerer, om rettelserne Forslag til fejl rapporteret af værktøjer som syzkaller er faktisk gyldige.
Selvom det stadig er et eksperiment, er resultaterne lovende: Med de rigtige instruktioner er AI'ens falsk positive rate faldet til 10 %. Målet er ikke at erstatte menneskelige vedligeholdere, men at give dem en "co-pilot", der kan forudbehandle de tusindvis af linjer kode, de modtager, og generere automatiserede rapporter (i review-inline.txt-format), der er klar til at blive sendt til mailinglister.
Med disse to initiativer bevæger Linux-fællesskabet sig ind på ukendt territorium, hvor operativsystemet ikke blot udfører kode, men også lærer at optimere og korrigere sig selv.
Endelig, hvis du er interesseret i at lære mere om dette, kan du kontakte detaljerne i følgende link.