近日，Linux 内核邮件列表（LKML）上出现了一项引发关注的技术讨论，主题是机器学习是否能够在不破坏内核稳定性的前提下，为内核子系统提供辅助支持。IBM 工程师 Viacheslav Dubeyko 提出了一种设想，旨在构建通用基础设施，使内核子系统能够与运行在用户空间的机器学习模型进行交互。
该方案的核心思路是在内核中引入一个轻量级的“机器学习代理层”。这一代理并不包含任何机器学习算法本身，而是负责向用户空间暴露结构化的内核数据，例如子系统状态信息、运行指标或性能统计结果。同时，它可以接收来自用户空间机器学习模型生成的建议或决策结果。
需要明确的是，这一提案并非将人工智能或机器学习代码直接引入 Linux 内核。所有模型的训练、推理和实验过程均在用户空间完成，内核只作为数据提供方和建议接收方存在。是否采纳模型给出的建议，完全由内核自身的逻辑决定，从而确保系统的确定性和可控性不受影响。
在具体实现方式上，提案认为可以利用现有的内核与用户空间交互机制，例如 sysfs、字符设备、FUSE 或 eBPF，作为数据传输和执行的基础设施。这些机制已经被广泛使用，能够在不引入额外复杂度的情况下实现双向通信。
Dubeyko 还提出了一个可选的反馈机制：内核在应用或测试模型建议后，可将执行效果和相关性能指标反馈给用户空间。这些数据可用于优化模型或重新训练，但整个过程依然不会影响内核本身的执行路径和稳定性。提案强调，人工编写的内核逻辑始终是系统的核心，机器学习仅作为辅助工具存在。
目前，该项目已发布早期概念验证代码，并向 Linux 内核邮件列表提交了一组 RFC（征求意见稿）补丁。这些补丁明确标注为实验性质，主要目的是收集社区反馈，而非立即进入主线内核。
由于仍处于探索阶段，相关补丁尚未被合并。机器学习是否最终能够在 Linux 内核子系统中发挥实际作用，仍有待社区进一步评估和验证。
