ia-machine-learning-linux-kernel-ibm-chris-mason-mga-panukala
Ang Linux kernel, ang puso na nagpapagana sa lahat ng bagay mula sa mga supercomputer hanggang sa mga Android phone, ay naghahanda para sa isang pagsasalin ng artificial intelligence.
Sa isang koordinadong hakbang mula IBM hanggang Meta, sinimulan ng mga pangunahing developer na tuklasin kung paano hindi lamang makakatulong ang machine learning sa pagsulat ng code, kundi maisasama rin ito sa mismong kernel ng operating system upang ma-optimize ito sa real time.
Vyacheslav Dubeyko, Isang inhinyero ng IBM ang naglunsad ng isang panukala sa mailing list ng mga developer ng kernel: upang bigyan ang Linux ng kapasidad para sa sariling ebolusyon. Hindi maliit ang kaniyang pananaw: direktang pagsasama ng isang Machine Learning library sa kernel upang ang mga subsystem ay makagawa ng matatalino at batay sa datos na mga desisyon nang walang manu-manong interbensyon ng tao.
Rebolusyonaryo ang konsepto, dahil, halimbawa, maaari tayong magkaroon ng sistema ng file na humuhula sa mga pagkabigo ng disk bago na nangyayari, o isang task scheduler na dynamic na nag-aayos ng mga setting nito Depende sa workload, natututo ito mula sa mga nakaraang pattern ng paggamit. Gayunpaman, alam ni Dubeyko ang mga teknikal na hamon. Hindi direktang pinapayagan ng kernel ang mga floating-point operation (mahalaga para sa neural network computing), at ang pagsasanay ng isang modelo sa loob ng kernel ay magpapababa sa pagganap ng buong sistema.
Sa pangkalahatang termino, ang machine learning ay maaaring magpakilala ng isang modelong umuunlad nang kusa at may cKakayahang matuto nang mag-isa sa Linux kernel. Mayroon nang pananaliksik. at mga pagsisikap ng industriya na gumamit ng mga pamamaraan ng ML para sa pag-configurePag-optimize ng Linux kernel. Gayunpaman, ang pagpapakilala ng mga pamamaraan ng machine learning atSa Linux kernel, ang paraan ay hindi ganoon kasimple o katuwiran.
Su Ang iminungkahing solusyon ay isang hybrid na arkitekturaIsang proxy para sa modelo ng machine learning sa loob ng kernel na gumaganap bilang tagapamagitan. Ang mabibigat na gawain (pagsasanay at kumplikadong paghihinuha) Tatakbo ito sa espasyo ng gumagamit (kung saan matatagpuan ang mga normal na aplikasyon), nakikipag-ugnayan sa kernel sa pamamagitan ng mga interface tulad ng sysfs. Papayagan ng proxy na ito ang kernel na gumana sa iba't ibang mga modeMula sa isang "learning mode" kung saan pansamantala nitong sinusubukan ang mga rekomendasyon ng AI, patungo sa isang ganap na "recommendation mode" kapag ang modelo ay sapat na ang pagkahinog upang malampasan ang mga tradisyonal na static algorithm.
Maaaring gamitin ang modelo ng patuloy na pagkatuto sa panahon ng yugto ng pagsasanay. Nangangahulugan ito na ang kernel subsystem ay maaaring makatanggap ng mga rekomendasyon mula sa modelo ng machine learning. Kahit na sa panahon ng yugto ng pagsasanay, ang kernel-side proxy para sa modelo ng machine learning ay maaaring tantyahin ang kasalukuyang estado ng kernel subsystem, subukang ipatupad ang mga rekomendasyon, at tantyahin ang kahusayan ng mga rekomendasyong iyon.
Claude Code bilang tagasuri ng patch
Habang ang IBM ay naglalayong isama ang AI sa loob ng kernel, Si Chris Mason, ang lumikha ng sistemang file na Btrfs (at kasalukuyang nasa Meta), gustong gamitin ito para itayo ito. Mason ay naglathala ng mga prompt sa pagsusuri, isang hanay ng mga kagamitang dinisenyo para gawing ekspertong tagasuri ng code ang mga AI assistant tulad ni Claude Code.
La Ang ideya ay upang matugunan ang isa sa mga pinakamalaking hadlang sa pagbuo ng Linux: pagsusuri ng patch. Ang proyekto ni Mason ay nagbibigay sa AI ng nawawalang konteksto (mga teknikal na detalye ng mga subsystem, dokumentasyon ng protocol, at mga listahan ng mga karaniwang error) upang masuri nito ang mga iminungkahing pagbabago nang may "kahigpitan." Pinaghihiwa-hiwalay ng kanilang sistema ang malalaking patch sa mas maliliit na gawain, sinusuri ang mga call graph, at sinusuri kung naayos na ang mga ito. Ang mga panukala para sa mga error na iniulat ng mga tool tulad ng syzkaller ay tunay ngang balido.
Bagama't eksperimental pa rin ito, maganda ang mga resulta: Gamit ang mga tamang tagubilin, ang false positive rate ng AI ay bumaba sa 10%. Ang layunin ay hindi palitan ang mga taong taga-maintain, kundi bigyan sila ng isang "co-pilot" na maaaring mag-pre-digest ng libu-libong linya ng code na kanilang natatanggap, na bubuo ng mga automated na ulat (sa review-inline.txt format) na handa nang ipadala sa mga mailing list.
Sa pamamagitan ng dalawang inisyatibong ito, ang komunidad ng Linux ay nakikipagsapalaran sa isang hindi pa nasasaliksik na teritoryo, kung saan ang operating system ay hindi lamang nagpapatupad ng code, kundi natututo rin kung paano i-optimize at itama ang sarili nito.
Panghuli, kung interesado kang matuto nang higit pa tungkol dito, maaari kang sumangguni sa ang mga detalye sa sumusunod na link.