ia-machine-learning-linux-kernel-ibm-chris-mason-proposals
เคอร์เนลของลินุกซ์ ซึ่งเป็นหัวใจหลักที่ขับเคลื่อนทุกสิ่งตั้งแต่ซูเปอร์คอมพิวเตอร์ไปจนถึงโทรศัพท์แอนดรอยด์ กำลังเตรียมพร้อมสำหรับการถ่ายทอดปัญญาประดิษฐ์ (AI)
ในการดำเนินการที่ประสานงานกันตั้งแต่ IBM ไปจนถึง Meta นักพัฒนาหลักได้เริ่มสำรวจว่าการเรียนรู้ของเครื่องไม่เพียงแต่จะช่วยในการเขียนโค้ดได้เท่านั้น แต่ยังสามารถบูรณาการเข้ากับเคอร์เนลของระบบปฏิบัติการเพื่อเพิ่มประสิทธิภาพแบบเรียลไทม์ได้อีกด้วย
เวียเชสลาฟ ดูเบย์โก, วิศวกรของ IBM ได้เสนอข้อเสนอใหม่ ในรายชื่อผู้รับจดหมายของนักพัฒนาเคอร์เนล: เพื่อให้ Linux มีความสามารถในการวิวัฒนาการด้วยตนเอง วิสัยทัศน์ของเขานั้นไม่ธรรมดาเลย: ผสานรวมไลบรารีแมชชีนเลิร์นนิงเข้ากับเคอร์เนลโดยตรง เพื่อให้ระบบย่อยต่างๆ สามารถตัดสินใจได้อย่างชาญฉลาดโดยอาศัยข้อมูล โดยไม่ต้องมีการแทรกแซงจากมนุษย์
แนวคิดนี้ถือเป็นการปฏิวัติวงการ เพราะตัวอย่างเช่น เราอาจจะมี... ระบบไฟล์ที่คาดการณ์ความล้มเหลวของดิสก์ก่อนล่วงหน้า ที่เกิดขึ้น หรือโปรแกรมจัดตารางเวลาทำงานที่ปรับการตั้งค่าแบบไดนามิก ระบบจะเรียนรู้จากรูปแบบการใช้งานในอดีต ขึ้นอยู่กับปริมาณงาน อย่างไรก็ตาม ดูเบย์โกตระหนักถึงความท้าทายทางเทคนิค เคอร์เนลไม่อนุญาตให้ดำเนินการเลขทศนิยมโดยตรง (ซึ่งจำเป็นสำหรับการคำนวณโครงข่ายประสาทเทียม) และการฝึกโมเดลภายในเคอร์เนลจะทำให้ประสิทธิภาพของระบบโดยรวมลดลง
โดยทั่วไปแล้ว การเรียนรู้ของเครื่องจักรสามารถนำเสนอแบบจำลองที่พัฒนาตนเองได้ และด้วย cความสามารถในการเรียนรู้ด้วยตนเองในเคอร์เนลของลินุกซ์ มีงานวิจัยที่เกี่ยวข้องอยู่แล้ว และความพยายามของภาคอุตสาหกรรมในการนำวิธีการเรียนรู้ของเครื่องมาใช้ในการกำหนดค่าการเพิ่มประสิทธิภาพเคอร์เนลลินุกซ์ อย่างไรก็ตาม การนำวิธีการเรียนรู้ของเครื่องมาใช้และในเคอร์เนลของลินุกซ์ วิธีการนั้นไม่ง่ายหรือตรงไปตรงมานัก
Su แนวทางแก้ไขที่เสนอคือสถาปัตยกรรมแบบไฮบริดตัวแทนของโมเดลการเรียนรู้ของเครื่องภายในเคอร์เนลที่ทำหน้าที่เป็นตัวกลาง รับผิดชอบงานหนัก (การฝึกฝนและการอนุมานที่ซับซ้อน) โปรแกรมจะทำงานในพื้นที่ของผู้ใช้ (ซึ่งเป็นที่อยู่ของแอปพลิเคชันทั่วไป) โดยสื่อสารกับเคอร์เนลผ่านอินเทอร์เฟซต่างๆ เช่น sysfs พร็อกซีนี้จะช่วยให้เคอร์เนลสามารถทำงานในโหมดต่างๆ ได้จาก "โหมดการเรียนรู้" ที่ทดสอบระบบแนะนำของ AI อย่างระมัดระวัง ไปสู่ "โหมดการแนะนำเต็มรูปแบบ" เมื่อโมเดลมีความสมบูรณ์มากพอที่จะทำงานได้ดีกว่าอัลกอริธึมแบบคงที่แบบดั้งเดิม
สามารถนำรูปแบบการเรียนรู้แบบต่อเนื่องมาใช้ได้ในระหว่างขั้นตอนการฝึกฝน ซึ่งหมายความว่าระบบย่อยเคอร์เนลสามารถรับคำแนะนำจากแบบจำลองการเรียนรู้ของเครื่องได้ แม้ในระหว่างขั้นตอนการฝึกฝน ตัวแทนฝั่งเคอร์เนลสำหรับแบบจำลองการเรียนรู้ของเครื่องก็สามารถประเมินสถานะปัจจุบันของระบบย่อยเคอร์เนล พยายามนำคำแนะนำไปใช้ และประเมินประสิทธิภาพของคำแนะนำเหล่านั้นได้
Claude Code ทำหน้าที่เป็นผู้ตรวจสอบแพทช์
ในขณะที่ IBM พยายามที่จะฝัง AI ไว้ในเคอร์เนลของระบบ คริส เมสัน ผู้สร้างระบบไฟล์ Btrfs (และปัจจุบันอยู่ใน Meta) ต้องการใช้มันเพื่อสร้างมันขึ้นมา เมสัน ได้เผยแพร่หัวข้อสำหรับการรีวิวแล้วชุดเครื่องมือที่ออกแบบมาเพื่อ... เพื่อเปลี่ยนผู้ช่วย AI อย่าง Claude Code ให้กลายเป็นผู้ตรวจสอบโค้ดมืออาชีพ
La แนวคิดคือการแก้ไขปัญหาคอขวดที่ใหญ่ที่สุดปัญหาหนึ่งในการพัฒนา Linux: การตรวจสอบแพทช์ โครงการของเมสันให้บริบทที่ขาดหายไปแก่ AI (ข้อกำหนดทางเทคนิคของระบบย่อย เอกสารโปรโตคอล และรายการข้อผิดพลาดทั่วไป) เพื่อให้ AI สามารถวิเคราะห์การเปลี่ยนแปลงที่เสนอได้อย่าง "แม่นยำ" ระบบของพวกเขาจะแบ่งแพตช์ขนาดใหญ่เป็นงานย่อยๆ วิเคราะห์กราฟการเรียกใช้ และตรวจสอบว่าการแก้ไขนั้นได้ผลหรือไม่ ข้อเสนอแนะสำหรับข้อผิดพลาดที่รายงานโดยเครื่องมือต่างๆ เช่น syzkaller นั้นถูกต้องแล้ว
แม้ว่าจะเป็นขั้นตอนการทดลอง แต่ผลลัพธ์ก็ดูมีแนวโน้มที่ดี: ด้วยคำสั่งที่ถูกต้อง อัตราผลลัพธ์ที่ผิดพลาดของ AI ลดลงเหลือ 10% เป้าหมายไม่ใช่การแทนที่ผู้ดูแลระบบที่เป็นมนุษย์ แต่เป็นการให้ "ผู้ช่วย" ที่สามารถย่อยโค้ดหลายพันบรรทัดที่พวกเขาได้รับ และสร้างรายงานอัตโนมัติ (ในรูปแบบ review-inline.txt) พร้อมส่งไปยังรายชื่อผู้รับอีเมล
ด้วยสองโครงการริเริ่มนี้ ชุมชนลินุกซ์กำลังก้าวเข้าสู่ดินแดนที่ไม่เคยมีใครสำรวจมาก่อน ซึ่งระบบปฏิบัติการไม่เพียงแต่ประมวลผลโค้ดเท่านั้น แต่ยังเรียนรู้ที่จะปรับปรุงและแก้ไขตัวเองได้อีกด้วย
สุดท้ายนี้ หากคุณสนใจเรียนรู้เพิ่มเติมเกี่ยวกับเรื่องนี้ คุณสามารถปรึกษาได้ รายละเอียดตามลิงค์ต่อไปนี้