návrhy-i-machine-learning-linux-kernel-ibm-chris-mason
Linuxové jadro, srdce, ktoré poháňa všetko od superpočítačov až po telefóny s Androidom, sa pripravuje na transfúziu umelej inteligencie.
V koordinovanom kroku od IBM až po Meta začali kľúčoví vývojári skúmať, ako môže strojové učenie nielen pomôcť s písaním kódu, ale aj byť integrované do samotného jadra operačného systému, aby ho optimalizovalo v reálnom čase.
Vjačeslav Dubejko, Inžinier spoločnosti IBM predložil návrh na mailing liste vývojárov jadra: dať Linuxu schopnosť samovoľného vývoja. Jeho vízia nie je bezvýznamná: integrovať knižnicu strojového učenia priamo do jadra aby subsystémy mohli robiť inteligentné rozhodnutia založené na údajoch bez manuálneho ľudského zásahu.
Táto koncepcia je revolučná, pretože by sme napríklad mohli mať súborový systém, ktorý predvída zlyhania disku ešte predtým, ako ktoré sa vyskytujú, alebo plánovač úloh, ktorý dynamicky upravuje svoje nastavenia V závislosti od pracovného zaťaženia sa učí z minulých vzorcov používania. Dubeyko si je však vedomý technických problémov. Jadro priamo neumožňuje operácie s pohyblivou rádovou čiarkou (nevyhnutné pre výpočty neurónových sietí) a trénovanie modelu v jadre by znížilo výkon celého systému.
Vo všeobecnosti môže strojové učenie zaviesť samovyvíjajúci sa model a s cSchopnosť samoučenia v jadre Linuxu. Výskum už existuje. a úsilie odvetvia o využitie prístupov strojového učenia pre konfiguráciuOptimalizácia jadra Linuxu. Zavedenie prístupov strojového učenia aV jadre Linuxu nie je cesta taká jednoduchá ani priamočiara.
Su Navrhované riešenie je hybridná architektúraZástupca modelu strojového učenia v jadre, ktorý funguje ako sprostredkovateľ. Ťažká úloha (tréning a komplexná inferencia). Behalo by to v používateľskom priestore (kde sa nachádzajú bežné aplikácie) a komunikuje s jadrom prostredníctvom rozhraní, ako napríklad sysfs. Táto proxy by umožnila jadru pracovať v rôznych režimochZ „režimu učenia“, kde predbežne testuje odporúčania umelej inteligencie, do plného „režimu odporúčaní“, keď model dostatočne dozrie na to, aby prekonal tradičné statické algoritmy.
Model kontinuálneho učenia je možné prijať počas fázy trénovania. To znamená, že subsystém jadra môže prijímať odporúčania z modelu strojového učenia. Aj počas fázy trénovania môže proxy na strane jadra pre model strojového učenia odhadnúť aktuálny stav subsystému jadra, pokúsiť sa implementovať odporúčania a odhadnúť účinnosť týchto odporúčaní.
Claude Code ako recenzent patchov
Zatiaľ čo IBM sa snaží integrovať umelú inteligenciu do jadra, Chris Mason, tvorca súborového systému Btrfs (a momentálne v Meta), chce ho použiť na jeho vybudovanie. Mason publikoval výzvy na recenzie, sada nástrojov navrhnutých premeniť asistentov umelej inteligencie, ako je Claude Code, na expertov na kontrolu kódu.
La Cieľom je riešiť jedno z najväčších úzkych miest vo vývoji Linuxu.: recenzia záplaty. Masonov projekt poskytuje umelej inteligencii chýbajúci kontext (technické špecifikácie subsystémov, dokumentáciu protokolov a zoznamy bežných chýb), aby mohla navrhované zmeny analyzovať s „dôkladnosťou“. Ich systém rozdeľuje veľké záplaty na menšie úlohy, analyzuje grafy hovorov a kontroluje, či sú opravy relevantné. Návrhy týkajúce sa chýb hlásených nástrojmi ako syzkaller sú skutočne platné.
Hoci je to stále experimentálne, výsledky sú sľubné: Vďaka správnym pokynom klesla miera falošne pozitívnych výsledkov umelej inteligencie na 10 %. Cieľom nie je nahradiť ľudských správcov, ale dať im „kopilota“, ktorý dokáže vopred spracovať tisíce riadkov kódu, ktoré dostávajú, a generovať automatizované správy (vo formáte review-inline.txt) pripravené na odoslanie na mailing listy.
S týmito dvoma iniciatívami sa komunita Linuxu púšťa do neprebádaného územia, kde operačný systém nielenže vykonáva kód, ale sa aj učí optimalizovať a opravovať sám seba.
Nakoniec, ak máte záujem dozvedieť sa o tom viac, môžete sa obrátiť na podrobnosti v nasledujúcom odkaze.