predlogi-za-strojno-učenje-linux-jedro-ibm-chris-mason
Jedro Linuxa, srce, ki poganja vse od superračunalnikov do telefonov Android, se pripravlja na transfuzijo umetne inteligence.
V usklajeni potezi, ki sega od IBM-a do Mete, so ključni razvijalci začeli raziskovati, kako lahko strojno učenje ne le pomaga pri pisanju kode, temveč se ga tudi integrira v samo jedro operacijskega sistema za njegovo optimizacijo v realnem času.
Vjačeslav Dubejko, IBM-ov inženir je predstavil predlog na poštnem seznamu razvijalcev jedra: da bi Linuxu omogočili samorazvoj. Njegova vizija ni nepomembna: integrirajte knjižnico strojnega učenja neposredno v jedro tako da lahko podsistemi sprejemajo inteligentne odločitve na podlagi podatkov brez ročnega človeškega posredovanja.
Koncept je revolucionaren, saj bi lahko na primer imeli datotečni sistem, ki predvidi okvare diska ki se zgodijo, ali razporejevalnik opravil, ki dinamično prilagaja svoje nastavitve Glede na delovno obremenitev se uči iz preteklih vzorcev uporabe. Vendar se Dubeyko zaveda tehničnih izzivov. Jedro ne omogoča neposredno operacij s plavajočo vejico (bistvenega pomena za računalništvo z nevronskimi mrežami), učenje modela znotraj jedra pa bi poslabšalo delovanje celotnega sistema.
Na splošno lahko strojno učenje uvede samorazvijajoči se model in s cZmožnost samoučenja v jedru Linuxa. Raziskave že obstajajo. in prizadevanja industrije za uporabo pristopov strojnega učenja za konfiguracijoOptimizacija jedra Linuxa. Vendar pa uvedba pristopov strojnega učenja inV jedru Linuxa način ni tako preprost ali enostaven.
Su Predlagana rešitev je hibridna arhitekturaProxy za model strojnega učenja znotraj jedra, ki deluje kot posrednik. Težka dela (učenje in kompleksno sklepanje) Izvajal bi se v uporabniškem prostoru (kjer se nahajajo običajne aplikacije) in komunicira z jedrom prek vmesnikov, kot je sysfs. Ta posredniški strežnik bi omogočil delovanje jedra v različnih načinihOd "načina učenja", kjer poskusno preizkuša priporočila umetne inteligence, do polnega "načina priporočil", ko je model dovolj dozorel, da preseže tradicionalne statične algoritme.
Model neprekinjenega učenja se lahko uporabi med fazo učenja. To pomeni, da lahko podsistem jedra prejema priporočila modela strojnega učenja. Tudi med fazo učenja lahko posrednik na strani jedra za model strojnega učenja oceni trenutno stanje podsistema jedra, poskuša implementirati priporočila in oceniti učinkovitost teh priporočil.
Claude Code kot pregledovalec popravkov
Medtem ko si IBM prizadeva vgraditi umetno inteligenco v jedro, Chris Mason, ustvarjalec datotečnega sistema Btrfs (in trenutno v Meti), ga želi uporabiti za njegovo izgradnjo. Mason je objavil pozive k pregledu, nabor orodij, zasnovanih da bi pomočnike umetne inteligence, kot je Claude Code, spremenili v strokovne pregledovalce kode.
La Ideja je odpraviti eno največjih ozkih grl pri razvoju Linuxa: pregled popravka. Masonov projekt zagotavlja umetni inteligenci manjkajoči kontekst (tehnične specifikacije podsistemov, dokumentacijo protokola in sezname pogostih napak), da lahko predlagane spremembe analizira z "strogostjo". Njihov sistem razdeli velike popravke na manjše naloge, analizira grafe klicev in preveri, ali so popravki ... Predlogi za napake, ki jih poročajo orodja, kot je syzkaller, so dejansko veljavni.
Čeprav je še vedno eksperimentalno, so rezultati obetavni: S pravilnimi navodili se je stopnja lažno pozitivnih zaznav umetne inteligence znižala na 10 %. Cilj ni nadomestiti človeške vzdrževalce, temveč jim dati "kopilota", ki lahko predhodno prebavi tisoče vrstic kode, ki jih prejmejo, in ustvari avtomatizirana poročila (v formatu review-inline.txt), pripravljena za pošiljanje na poštne sezname.
S tema dvema pobudama se skupnost Linux podaja na neraziskano ozemlje, kjer operacijski sistem ne le izvaja kodo, ampak se tudi uči optimizirati in popravljati samega sebe.
Nenazadnje, če vas zanima več o tem, si lahko ogledate podrobnosti na naslednji povezavi.