ia-machine-learning-linux-kernel-ibm-chris-mason-förslag
Linuxkärnan, hjärtat som driver allt från superdatorer till Android-telefoner, förbereder sig för en transfusion av artificiell intelligens.
I ett samordnat drag som sträcker sig från IBM till Meta har nyckelutvecklare börjat utforska hur maskininlärning inte bara kan hjälpa till att skriva kod, utan också integreras i själva operativsystemets kärna för att optimera den i realtid.
Vjatjeslav Dubeyko, En IBM-ingenjör har lanserat ett förslag på kärnutvecklarnas e-postlista: att ge Linux en förmåga till självutveckling. Hans vision är inte obetydlig: integrera ett maskininlärningsbibliotek direkt i kärnan så att delsystemen kan fatta intelligenta, datadrivna beslut utan manuell mänsklig inblandning.
Konceptet är revolutionerande, eftersom vi till exempel skulle kunna ha en filsystem som förutsäger diskfel innan som inträffar, eller en aktivitetsschemaläggare som dynamiskt justerar sina inställningar Beroende på arbetsbelastningen lär den sig av tidigare användningsmönster. Dubeyko är dock medveten om de tekniska utmaningarna. Kärnan tillåter inte direkt flyttaloperationer (nödvändiga för neurala nätverksberäkningar), och att träna en modell inom kärnan skulle försämra hela systemets prestanda.
Generellt sett kan maskininlärning introducera en självutvecklande modell och med cSjälvlärande kapacitet i Linuxkärnan. Forskning finns redan. och branschens ansträngningar att använda ML-metoder för konfigurationOptimering av Linuxkärnan. Införandet av maskininlärningsmetoder ochI Linuxkärnan är vägen inte så enkel eller okomplicerad.
Su Den föreslagna lösningen är en hybridarkitekturEn proxy för maskininlärningsmodellen inom kärnan som fungerar som en mellanhand. Det tunga arbetet (träning och komplex inferens) Den skulle köras i användarutrymmet (där vanliga applikationer finns), kommunicerar med kärnan via gränssnitt som sysfs. Denna proxy skulle tillåta kärnan att fungera i olika lägenFrån ett "inlärningsläge" där den preliminärt testar AI-rekommendationer, till ett fullständigt "rekommendationsläge" när modellen har mognat tillräckligt för att överträffa traditionella statiska algoritmer.
Den kontinuerliga inlärningsmodellen kan implementeras under träningsfasen. Detta innebär att kärnundersystemet kan ta emot rekommendationer från maskininlärningsmodellen. Även under träningsfasen kan kärnsidans proxyn för maskininlärningsmodellen uppskatta kärnundersystemets aktuella tillstånd, försöka implementera rekommendationer och uppskatta effektiviteten hos dessa rekommendationer.
Claude Code som patchgranskare
Medan IBM strävar efter att integrera AI i kärnan, Chris Mason, skaparen av filsystemet Btrfs (och för närvarande i Meta), vill använda den för att bygga den. Mason har publicerat recensionsuppmaningar, en uppsättning verktyg utformade att förvandla AI-assistenter som Claude Code till expertkodgranskare.
La Tanken är att ta itu med en av de största flaskhalsarna inom Linux-utveckling.: patchgranskning. Masons projekt förser AI med den saknade kontexten (tekniska specifikationer för delsystem, protokolldokumentation och listor över vanliga fel) så att den kan analysera föreslagna ändringar med "noggrannhet". Deras system bryter ner stora patchar i mindre uppgifter, analyserar samtalsdiagram och kontrollerar om korrigeringarna Förslag på fel som rapporteras av verktyg som syzkaller är verkligen giltiga.
Även om det fortfarande är experimentellt är resultaten lovande: Med rätt instruktioner har AI:ns andel falskt positiva resultat sjunkit till 10 %. Målet är inte att ersätta mänskliga underhållare, utan att ge dem en "copilot" som kan förbehandla de tusentals kodrader de får och generera automatiserade rapporter (i formatet review-inline.txt) redo att skickas till e-postlistor.
Med dessa två initiativ ger sig Linux-communityn in på okänd mark, där operativsystemet inte bara exekverar kod, utan också lär sig att optimera och korrigera sig självt.
Slutligen, om du är intresserad av att lära dig mer om detta, kan du kontakta detaljerna i följande länk.