ia-maskinlæring-linux-kernel-ibm-chris-mason-forslag
Linux-kjernen, hjertet som driver alt fra superdatamaskiner til Android-telefoner, forbereder seg på en transfusjon av kunstig intelligens.
I et koordinert trekk som strekker seg fra IBM til Meta, har sentrale utviklere begynt å utforske hvordan maskinlæring ikke bare kan bidra til å skrive kode, men også integreres i selve operativsystemkjernen for å optimalisere den i sanntid.
Vjatsjeslav Dubeyko, En IBM-ingeniør har lansert et forslag på e-postlisten for kjerneutviklere: å gi Linux en evne til selvutvikling. Hans visjon er ikke ubetydelig: integrere et maskinlæringsbibliotek direkte i kjernen slik at delsystemene kan ta intelligente, datadrevne beslutninger uten manuell menneskelig inngripen.
Konseptet er revolusjonerende, siden vi for eksempel kunne ha en filsystem som forutsier diskfeil før som oppstår, eller en oppgaveplanlegger som dynamisk justerer innstillingene sine Avhengig av arbeidsmengden lærer den av tidligere bruksmønstre. Dubeyko er imidlertid klar over de tekniske utfordringene. Kjernen tillater ikke direkte flyttalloperasjoner (essensielt for nevrale nettverk), og å trene en modell i kjernen ville forringe ytelsen til hele systemet.
Generelt sett kan maskinlæring introdusere en selvutviklende modell, og med cSelvlæringskapasitet i Linux-kjernen. Forskning finnes allerede. og bransjens innsats for å bruke ML-tilnærminger for konfigurasjonOptimalisering av Linux-kjernen. Innføringen av maskinlæringsmetoder ogI Linux-kjernen er ikke måten så enkel eller grei på.
Su Den foreslåtte løsningen er en hybridarkitekturEn proxy for maskinlæringsmodell i kjernen som fungerer som en mellommann. Det tunge arbeidet (trening og kompleks inferens) Den ville kjøre i brukerområdet (der vanlige applikasjoner befinner seg), og kommuniserer med kjernen gjennom grensesnitt som sysfs. Denne proxyen ville tillate kjernen å operere i forskjellige moduserFra en «læringsmodus» der den foreløpig tester AI-anbefalinger, til en full «anbefalingsmodus» når modellen har modnet nok til å utkonkurrere tradisjonelle statiske algoritmer.
Den kontinuerlige læringsmodellen kan tas i bruk i løpet av treningsfasen. Dette betyr at kjerneundersystemet kan motta anbefalinger fra maskinlæringsmodellen. Selv i løpet av treningsfasen kan kjernesideproxyen for maskinlæringsmodellen estimere den nåværende tilstanden til kjerneundersystemet, forsøke å implementere anbefalinger og estimere effektiviteten til disse anbefalingene.
Claude Code som patch-anmelder
Mens IBM søker å integrere AI i kjernen, Chris Mason, skaperen av Btrfs-filsystemet (og for tiden i Meta), ønsker å bruke den til å bygge den. Mason har publisert anmeldelsesspørsmål, et sett med verktøy designet å gjøre AI-assistenter som Claude Code til ekspertkodegranskere.
La Tanken er å takle en av de største flaskehalsene i Linux-utvikling.: oppdateringsgjennomgang. Masons prosjekt gir AI den manglende konteksten (tekniske spesifikasjoner for delsystemer, protokolldokumentasjon og lister over vanlige feil) slik at den kan analysere foreslåtte endringer med "nøye". Systemet deres deler opp store oppdateringer i mindre oppgaver, analyserer anropsgrafer og sjekker om rettelsene Forslag om feil rapportert av verktøy som syzkaller er faktisk gyldige.
Selv om det fortsatt er eksperimentelt, er resultatene lovende: Med de riktige instruksjonene har AI-ens falske positive rate sunket til 10 %. Målet er ikke å erstatte menneskelige vedlikeholdere, men å gi dem en «copilot» som kan forhåndsgodkjenne de tusenvis av kodelinjene de mottar, og generere automatiserte rapporter (i review-inline.txt-format) klare til å sendes til e-postlister.
Med disse to initiativene begir Linux-samfunnet seg inn i ukjent territorium, der operativsystemet ikke bare kjører kode, men også lærer å optimalisere og korrigere seg selv.
Til slutt, hvis du er interessert i å lære mer om dette, kan du ta kontakt detaljene i følgende lenke.