ia-pembelajaran-mesin-kernel-linux-ibm-cadangan-chris-mason
Kernel Linux, jantung yang menggerakkan segala-galanya daripada superkomputer hinggalah telefon Android, sedang bersedia untuk transfusi kecerdasan buatan.
Dalam satu langkah terselaras yang merangkumi IBM hingga Meta, pembangun utama telah mula meneroka bagaimana pembelajaran mesin bukan sahaja dapat membantu menulis kod, tetapi juga dapat diintegrasikan ke dalam teras sistem pengendalian untuk mengoptimumkannya dalam masa nyata.
Vyacheslav Dubeyko, Seorang jurutera IBM telah melancarkan satu cadangan pada senarai mel pembangun kernel: untuk memberi Linux kapasiti untuk evolusi kendiri. Visi beliau tidaklah remeh: mengintegrasikan pustaka Pembelajaran Mesin terus ke dalam kernel supaya subsistem boleh membuat keputusan pintar dan berasaskan data tanpa campur tangan manusia secara manual.
Konsep ini revolusioner, kerana, sebagai contoh, kita boleh mempunyai sistem fail yang meramalkan kegagalan cakera sebelum yang berlaku, atau penjadual tugas yang melaraskan tetapannya secara dinamik Bergantung pada beban kerja, ia belajar daripada corak penggunaan masa lalu. Walau bagaimanapun, Dubeyko menyedari cabaran teknikal tersebut. Kernel tidak membenarkan operasi titik apungan secara langsung (penting untuk pengkomputeran rangkaian saraf), dan melatih model dalam kernel akan menjejaskan prestasi keseluruhan sistem.
Secara umum, pembelajaran mesin boleh memperkenalkan model yang berkembang sendiri dan dengan cKeupayaan pembelajaran kendiri dalam kernel Linux. Penyelidikan telah wujud. dan usaha industri untuk menggunakan pendekatan ML untuk konfigurasiPengoptimuman kernel Linux. Walau bagaimanapun, pengenalan pendekatan pembelajaran mesin danDalam kernel Linux, caranya tidak begitu mudah atau mudah.
Su Penyelesaian yang dicadangkan ialah seni bina hibridProksi untuk model pembelajaran mesin dalam kernel yang bertindak sebagai perantara. Kerja berat (latihan dan inferens kompleks) Ia akan berjalan di ruang pengguna (di mana aplikasi biasa berada), berkomunikasi dengan kernel melalui antara muka seperti sysfs. Proksi ini akan membolehkan kernel beroperasi dalam mod yang berbezaDaripada "mod pembelajaran" yang mana ia menguji cadangan AI secara tentatif, kepada "mod cadangan" penuh apabila model telah cukup matang untuk mengatasi algoritma statik tradisional.
Model pembelajaran berterusan boleh diguna pakai semasa fasa latihan. Ini bermakna subsistem kernel boleh menerima cadangan daripada model pembelajaran mesin. Walaupun semasa fasa latihan, proksi bahagian kernel untuk model pembelajaran mesin boleh menganggarkan keadaan semasa subsistem kernel, cuba melaksanakan cadangan dan menganggarkan kecekapan cadangan tersebut.
Claude Code sebagai pengulas tampalan
Walaupun IBM berusaha untuk menerapkan AI dalam kernel, Chris Mason, pencipta sistem fail Btrfs (dan kini dalam Meta), mahu menggunakannya untuk membinanya. Mason telah menerbitkan gesaan ulasan, satu set alat yang direka bentuk untuk menjadikan pembantu AI seperti Claude Code menjadi pengulas kod pakar.
La Ideanya adalah untuk menangani salah satu kesesakan terbesar dalam pembangunan Linux: semakan tampalan. Projek Mason menyediakan AI dengan konteks yang hilang (spesifikasi teknikal subsistem, dokumentasi protokol dan senarai ralat biasa) supaya ia boleh menganalisis perubahan yang dicadangkan dengan "ketelitian". Sistem mereka memecahkan tampalan besar kepada tugasan yang lebih kecil, menganalisis graf panggilan dan menyemak sama ada pembetulan telah dilakukan Cadangan untuk ralat yang dilaporkan oleh alat seperti syzkaller sememangnya sah.
Walaupun masih dalam peringkat eksperimen, hasilnya agak memberangsangkan: Dengan arahan yang betul, kadar positif palsu AI telah menurun kepada 10%. Matlamatnya bukanlah untuk menggantikan penyenggara manusia, tetapi untuk memberi mereka "juruterbang bersama" yang boleh mencerna beribu-ribu baris kod yang mereka terima, menghasilkan laporan automatik (dalam format review-inline.txt) yang sedia untuk dihantar ke senarai mel.
Dengan dua inisiatif ini, komuniti Linux sedang meneroka wilayah yang belum dipetakan, di mana sistem pengendalian bukan sahaja melaksanakan kod, tetapi juga belajar untuk mengoptimumkan dan membetulkan dirinya sendiri.
Akhir sekali, jika anda berminat untuk mengetahui lebih lanjut tentang ini, anda boleh merujuk perinciannya di pautan berikut.