ia-machine-learning-linux-kernel-ibm-chris-mason-proposals
De Linux-kernel, het hart dat alles aandrijft, van supercomputers tot Android-telefoons, bereidt zich voor op een transfusie met kunstmatige intelligentie.
In een gecoördineerde actie, van IBM tot Meta, zijn belangrijke ontwikkelaars begonnen te onderzoeken hoe machine learning niet alleen kan helpen bij het schrijven van code, maar ook kan worden geïntegreerd in de kernel van het besturingssysteem zelf om deze in realtime te optimaliseren.
Vyacheslav Dubeyko, Een IBM-ingenieur heeft een voorstel ingediend op de mailinglijst van kernelontwikkelaars: om Linux de mogelijkheid te geven zichzelf te ontwikkelen. Zijn visie is niet onbeduidend: Een machine learning-bibliotheek rechtstreeks in de kernel integreren zodat de subsystemen intelligente, datagestuurde beslissingen kunnen nemen zonder handmatige menselijke tussenkomst.
Het concept is revolutionair, omdat we bijvoorbeeld een bestandssysteem dat schijffouten voorspelt voordat ze optreden die voorkomen, of een taakplanner die zijn instellingen dynamisch aanpast Afhankelijk van de werklast leert het van eerdere gebruikspatronen. Dubeyko is zich echter bewust van de technische uitdagingen. De kernel staat geen drijvende-komma-bewerkingen toe (essentieel voor neurale netwerkberekeningen), en het trainen van een model binnen de kernel zou de prestaties van het hele systeem verslechteren.
In algemene termen kan machine learning een zelfontwikkelend model introduceren en met cZelflerende mogelijkheden in de Linux-kernel. Er bestaat al onderzoek naar. en de inspanningen van de industrie om machine learning-benaderingen te gebruiken voor configuratieOptimalisatie van de Linux-kernel. De introductie van machine learning-benaderingen enIn de Linux-kernel is het niet zo eenvoudig of vanzelfsprekend.
Su De voorgestelde oplossing is een hybride architectuur.Een proxy voor het machine learning-model binnen de kernel die als tussenpersoon fungeert. Het zware werk (training en complexe inferentie) wordt voor zijn rekening genomen. Het zou in de gebruikersruimte draaien. (waar normale applicaties zich bevinden), communicerend met de kernel via interfaces zoals sysfs. Deze proxy zou de kernel in staat stellen om in verschillende modi te werken.Van een "leermodus" waarin het voorzichtig AI-aanbevelingen test, naar een volledige "aanbevelingsmodus" wanneer het model voldoende is ontwikkeld om traditionele statische algoritmen te overtreffen.
Het continue leermodel kan tijdens de trainingsfase worden toegepast. Dit betekent dat het kernelsubsysteem aanbevelingen kan ontvangen van het machine learning-model. Zelfs tijdens de trainingsfase kan de proxy aan de kernelzijde voor het machine learning-model de huidige status van het kernelsubsysteem inschatten, proberen aanbevelingen te implementeren en de effectiviteit van die aanbevelingen beoordelen.
Claude Code als patchreviewer
Terwijl IBM ernaar streeft AI in de kernel te integreren, Chris Mason, de bedenker van het Btrfs-bestandssysteem. (en momenteel in Meta), wil het gebruiken om het te bouwen. Mason heeft beoordelingsvragen gepubliceerdeen set gereedschappen ontworpen om AI-assistenten zoals Claude Code om te vormen tot deskundige codebeoordelaars.
La Het idee is om een van de grootste knelpunten in de Linux-ontwikkeling aan te pakken.: patch review. Masons project voorziet AI van de ontbrekende context (technische specificaties van subsystemen, protocoldocumentatie en lijsten met veelvoorkomende fouten) zodat het voorgestelde wijzigingen "rigoureus" kan analyseren. Hun systeem verdeelt grote patches in kleinere taken, analyseert oproepgrafieken en controleert of de oplossingen werken. De suggesties voor fouten die door tools zoals Syzkaller worden gemeld, zijn inderdaad terecht.
Hoewel het nog experimenteel is, zijn de resultaten veelbelovend: Met de juiste instructies is het percentage valse positieven van de AI gedaald tot 10%. Het doel is niet om menselijke beheerders te vervangen, maar om hen een "co-piloot" te bieden die de duizenden regels code die ze ontvangen, kan voorverwerken en geautomatiseerde rapporten (in review-inline.txt-formaat) kan genereren die klaar zijn om naar mailinglijsten te worden verzonden.
Met deze twee initiatieven begeeft de Linux-gemeenschap zich op onbekend terrein, waar het besturingssysteem niet alleen code uitvoert, maar ook leert zichzelf te optimaliseren en te corrigeren.
Als u hier meer over wilt weten, kunt u tot slot contact opnemen met... de details in de volgende link.