• IBM och Red Hat satsar 5 miljarder dollar på säkerhet i öppen källkod

    IBM och Red Hat lanserar Project Lightwell, en satsning på 5 miljarder dollar för att stärka säkerheten i öppen källkod. Genom att kombinera AI-assisterad kodanalys med tusentals ingenjörer vill företagen skapa ett betrott säkerhetslager för företag som är beroende av Linux, Kubernetes, Java, AI-ramverk och andra centrala open source-komponenter.

    IBM och Red Hat lanserar Project Lightwell, ett omfattande initiativ på 5 miljarder dollar som ska stärka säkerheten i den öppna källkod som moderna företag, molnplattformar och AI-system bygger på. Projektet beskrivs som en ny typ av företagsinriktad säkerhetsplattform där AI-assisterad analys kombineras med mänsklig expertis från över 20 000 ingenjörer inom IBM och Red Hat.

    Bakgrunden är att öppen källkod i dag är en grundläggande del av nästan all modern IT-infrastruktur. Operativsystem, molntjänster, utvecklingsverktyg, databaser, AI-ramverk och containerplattformar bygger ofta på komponenter som utvecklas öppet och används av tusentals organisationer världen över. Samtidigt har hotbilden förändrats. Sårbarheter kan upptäckas snabbare än tidigare, inte minst med hjälp av AI, och angripare kan utnyttja brister i mjukvarukedjan innan många organisationer hunnit reagera.

    Project Lightwell ska fungera som ett slags betrott säkerhetslager för företag som är beroende av öppen källkod. IBM beskriver initiativet som en ”trusted enterprise clearinghouse”, alltså en samordnande plattform där sårbarheter kan identifieras, analyseras, valideras, prioriteras och åtgärdas i stor skala. Målet är inte bara att hitta säkerhetsproblem, utan också att testa och kvalitetssäkra patchar innan de används i produktionsmiljöer.

    En central del av satsningen är AI-assisterad ingenjörskonst. AI ska användas för att analysera kod, prioritera risker, hjälpa till med granskning och stödja utvecklingen av korrigeringar. Men IBM och Red Hat betonar samtidigt att arbetet inte enbart bygger på automatisering. Projektet ska backas upp av ett mycket stort team av ingenjörer som kan granska, testa och samordna arbetet med både företagskunder och öppna utvecklarprojekt.

    Project Lightwell riktar sig främst till stora företag och organisationer snarare än till den breda open source-gemenskapen. IBM planerar att erbjuda tjänsten genom kommersiella abonnemang, där kunder får tillgång till validerade säkerhetsfixar, livscykelhantering och produktionsklassad testning. För företag inom exempelvis finans, offentlig sektor, molndrift och AI-utveckling kan detta bli ett sätt att minska risken i sina beroenden av öppen källkod.

    Teknikområdet som omfattas är brett. IBM och Red Hat nämner bland annat Linux, Java, Kubernetes, Kafka, Ansible, Terraform, Flink, Cassandra, AI-ramverk, språkverktyg, oberoende bibliotek och plattformar för dataströmning. Det innebär att Project Lightwell inte bara handlar om Red Hats egna produkter, utan även om komponenter utanför bolagets traditionella produktgränser.

    Clearinghouse-modellen bygger på tre huvudsakliga funktioner. För det första ska företag kunna rapportera känsliga sårbarheter i den mjukvara de använder. För det andra ska Project Lightwell kunna erbjuda validerade patchar för både Red Hat-relaterad kod och fristående open source-komponenter. För det tredje ska IBM och Red Hat samordna ansvarsfull rapportering uppströms, så att korrigeringar också kan komma de öppna projekten till del.

    Det är en viktig balansgång. Öppen källkod bygger på samarbete, transparens och frivilliga eller företagsstödda underhållare. IBM och Red Hat framhåller därför att Project Lightwell inte ska ersätta befintliga säkerhetsprocesser eller de utvecklare som redan underhåller projekten. I stället presenteras satsningen som ett extra lager för samordning, validering och företagsanpassad hantering av säkerhetsproblem.

    För Red Hat ligger initiativet nära bolagets etablerade affärsmodell. Red Hat har länge byggt sin verksamhet på att paketera, underhålla, testa och ge support för öppen källkod i företagsmiljöer. Skillnaden med Project Lightwell är att samma typ av ingenjörsprocesser nu ska kunna tillämpas på ett större ekosystem av open source-komponenter, även sådana som inte ingår direkt i Red Hats egna plattformar.

    Projektet testas redan tillsammans med tidiga användare inom finanssektorn. Bland de organisationer som nämns finns Bank of America, BNY, Citi, Goldman Sachs, JPMorgan Chase, Mastercard, Morgan Stanley, Royal Bank of Canada, State Street, Visa och Wells Fargo. Erfarenheterna från dessa piloter ska enligt IBM användas för att förbättra hur sårbarheter identifieras, valideras och åtgärdas i stor skala.

    Initiativet visar också hur säkerheten kring öppen källkod håller på att bli en strategisk fråga för storföretag. Tidigare har många organisationer förlitat sig på att enskilda projekt, distributioner eller leverantörer hanterar säkerhetsuppdateringar. Med allt mer komplexa beroendekedjor, AI-genererad kod och snabbare sårbarhetsforskning räcker det inte alltid med traditionella processer.

    Project Lightwell kan därför ses som ett försök att bygga en mer industriell modell för säkerhet i öppen källkod. Genom att kombinera AI, storskalig ingenjörskapacitet och samordning med upstream-projekt vill IBM och Red Hat skapa ett system där företag snabbare kan få tillgång till testade och betrodda säkerhetsfixar.

    Samtidigt väcker modellen frågor. Om säkerhetsfixar och validering erbjuds genom kommersiella abonnemang kan det skapa en tydligare uppdelning mellan företagsanpassad open source-säkerhet och den bredare öppna gemenskapens resurser. Hur IBM och Red Hat hanterar balansen mellan kommersiell nytta och bidrag tillbaka till öppna projekt blir därför avgörande för hur Project Lightwell tas emot.

    Klart är att säkerhet i mjukvarans leveranskedja har blivit en av de stora frågorna för hela IT-branschen. När Linux, Kubernetes, Java-bibliotek, AI-ramverk och molnkomponenter utgör grunden för samhällsviktig infrastruktur blir frågan inte längre om öppen källkod används, utan hur den säkras, testas och underhålls över tid.

    Med Project Lightwell vill IBM och Red Hat positionera sig som en central aktör i den utvecklingen. Om satsningen lyckas kan den bli ett viktigt steg mot mer strukturerad, AI-assisterad och företagsanpassad säkerhet för den öppna källkod som stora delar av den digitala världen redan är beroende av.

    https://newsroom.ibm.com/2026-05-28-ibm-and-red-hat-commit-5-billion-to-redefine-the-future-of-open-source-in-the-ai-era

    Fakta: Project Lightwell

    Vad är det?
    Project Lightwell är ett initiativ från IBM och Red Hat för att stärka säkerheten i öppen källkod som används i företag, molnplattformar och AI-system.

    Budget:
    5 miljarder dollar.

    Syfte:
    Att identifiera, analysera, validera och åtgärda sårbarheter i open source-komponenter i stor skala.

    Teknik:
    AI-assisterad kodanalys kombineras med arbete från IBM:s och Red Hats ingenjörer.

    Omfattar bland annat:
    Linux, Java, Kubernetes, Kafka, Ansible, Terraform, Flink, Cassandra, AI-ramverk, språkverktyg och fristående bibliotek.

    Målgrupp:
    Främst stora företag och organisationer som är beroende av öppen källkod i produktion.

    Viktigt att notera:
    Project Lightwell är inte tänkt att ersätta öppna utvecklarprojekt eller befintliga säkerhetsprocesser, utan fungera som ett extra lager för samordning, testning och validering.

  • Kan artificiell intelligens få en plats i Linux-kärnan?

    Kan Linux-kärnan bli smartare med hjälp av artificiell intelligens?
    En ny diskussion bland Linux-utvecklare väcker frågan om maskininlärning kan användas för att optimera hur operativsystemets innersta delar fungerar. Förslaget är försiktigt, kontroversiellt – och helt utanför kärnan själv.

    Tänk dig att Linux-kärnan – själva hjärtat i operativsystemet – kunde lära sig av sitt eget beteende och fatta smartare beslut i realtid. Det är precis den sortens framtid som nu diskuteras bland Linux-utvecklare.

    På Linux kernel mailing list (LKML), den centrala mötesplatsen för kärnutveckling, har en ny idé väckt uppmärksamhet: att låta maskininlärning hjälpa vissa delar av kärnan att fungera bättre. Förslaget kommer från Viacheslav Dubeyko, ingenjör på IBM, och handlar om att skapa en generell infrastruktur där kärnans olika delsystem kan samarbeta med maskininlärningsmodeller – utan att dessa modeller körs i själva kärnan.

    Maskininlärning – men utanför kärnan

    En viktig poäng i förslaget är att all maskininlärning ska ske helt i användarutrymmet (user space), inte inne i kärnan. Det är ett medvetet och strategiskt val. Linux-kärnan är extremt känslig för instabilitet, fördröjningar och säkerhetsproblem. Att köra stora och komplexa ML-ramverk där vore både riskabelt och svårt att acceptera för kärnans utvecklare.

    I stället föreslås ett slags kommunikationslager. Kärnan kan skicka mätdata och statusinformation till en användarprocess som kör en maskininlärningsmodell. Modellen analyserar informationen och skickar tillbaka rekommendationer eller förslag, som kärnan kan välja att använda – eller ignorera.

    Vad skulle ML kunna bidra med?

    Diskussionen handlar inte om självlärande operativsystem i science-fiction-stil, utan om ganska konkreta problem. Exempel som nämns är:

    • schemaläggning av processer
    • minneshantering
    • optimering av I/O-prestanda
    • att förutse belastningstoppar eller flaskhalsar

    I dag bygger dessa delar ofta på statiska algoritmer och handskrivna heuristiker. Tanken är att maskininlärning i vissa fall skulle kunna anpassa sig bättre till verkliga användningsmönster och föränderliga arbetslaster.

    Skepsis och försiktighet

    Som väntat har förslaget mötts av både nyfikenhet och skepticism. Linux-kärnans utvecklare är kända för sin försiktiga hållning, och flera frågor är fortfarande obesvarade:

    • Hur säkerställer man att ML-baserade rekommendationer inte försämrar stabiliteten?
    • Vad händer om modellen ger felaktiga råd?
    • Är den potentiella vinsten värd den ökade komplexiteten?
    • Hur testar man system som inte alltid beter sig deterministiskt?

    Det är därför arbetet fortfarande är tydligt experimentellt. De föreslagna patcharna har inte accepterats i huvudgrenen av Linux-kärnan, och ingen talar ännu om detta som något som är på väg in i vanliga Linux-system.

    Ett försiktigt steg mot framtiden

    Oavsett om ML-assisterade kärndelsystem blir framtid eller bara ett intressant experiment, visar diskussionen att även ett av världens mest konservativa och stabilitetsfokuserade mjukvaruprojekt utforskar nya idéer.

    Om maskininlärning någon gång blir en naturlig del av Linux-kärnans beslutsfattande återstår att se. Men just nu är frågan inte längre om den diskuteras – utan hur långt den kan tillåtas gå.

    FAKTARUTA / Linux-kärnan & maskininlärning
    • Idé: Låta kernel-delsystem få “råd” från ML-modeller.
    • Upplägg: ML körs helt i user space – inte i kärnan.
    • Förslag: En generell infrastruktur som kopplar kärnan till användarprocesser som kör modeller.
    • Status: Explorativt – patcharna är inte mergade i mainline.
    • Frågetecken: Säkerhet, determinism, testbarhet och faktisk nytta.
    $ Det återstår att se om ML-stöd i kärnans ekosystem blir mer än experiment.
  • IBM donerar tre AI-projekt till Linux Foundation på All Things Open AI-konferensen


    Under invigningen av den nya konferensen All Things Open AI i Durham, North Carolina, presenterade IBM ett viktigt initiativ: tre av deras egenutvecklade AI-projekt släpps som öppen källkod och doneras till Linux Foundation.

    IBM:s vice VD för Research AI, Sriram Raghavan, berättade om beslutet på scen och nämnde i efterhand att projekten troligtvis kommer att hamna under Linux Foundations AI and Data Foundation, men att detaljerna fortfarande diskuteras.

    De tre projekten — Data Prep Kit, Docling och BeeAI — riktar sig till utvecklare och täcker olika delar av AI-utvecklingskedjan. Alla har redan funnits tillgängliga öppet på GitHub, men nu ges de alltså en mer officiell framtid i open source-gemenskapen.


    Data Prep Kit

    Det här verktyget hjälper utvecklare att bearbeta ostrukturerad data — alltså den typ av data som ofta ligger till grund för AI-lösningar men som kräver mycket förarbete innan den kan användas.

    Raghavan förklarade att Data Prep Kit erbjuder ett ramverk med färdiga verktyg för att rensa, strukturera, filtrera och hantera stora datamängder. IBM utvecklade det ursprungligen för att underlätta träningen av sina egna AI-modeller, som exempelvis Granite-modellerna.

    Genom att donera projektet hoppas IBM att fler utvecklare bidrar med förbättringar, till exempel stöd för fler dokumenttyper, språk eller smartare filter.


    Docling

    Docling fokuserar på att tolka och omvandla dokument i komplexa format som PDF, PowerPoint och Excel. Det är ofta i sådana filer som viktig affärsinformation finns – men de är inte alltid enkla att tolka för AI.

    Med hjälp av AI klarar Docling av att förstå saker som kolumner, tabeller, diagram och läsordning i dokument, och omvandla dem till exempelvis HTML eller Markdown – format som språkmodeller lättare kan hantera.

    Verktyget har blivit populärt på GitHub och är uppskattat för att det lyckas lösa ett verkligt problem som många utvecklare brottas med.


    BeeAI

    BeeAI är ett projekt som handlar om AI-agenter – alltså självständiga program som kan utföra avancerade uppgifter.

    Raghavan förklarade att BeeAI består av tre delar:

    1. Ett ramverk för att snabbt kunna bygga agenter.
    2. En plattform där man kan organisera och koppla samman agenter från olika håll.
    3. Ett kommunikationsprotokoll som gör att agenter kan samverka och koordinera sina insatser.

    Tanken är att BeeAI ska göra det enklare att experimentera med olika agent-tekniker och forma framtidens AI-system tillsammans med open source-communityt.


  • IBM Model 5150

    IBM Model 5150, som släpptes 1980, är en riktig klassiker. Maskinen, som är utrustad med en Intel 8088-processor på 4,77 MHz, kan inte köra Linux, men den är ändå grundläggande för utvecklingen av de persondatorer vi använder idag. Under våren har Datorhjälp renoverat ett sådant exemplar åt en av sina kunder.

    Den x86-baserade dator som du kör idag är alltså bakåtkompatibel med den här datorn. Teoretiskt kan man boota en modern maskin med PC DOS 3.3 (praktiskt lite knepigt, då modern hårdvara saknar stöd för 5 1/2-tums floppydisk)

    Observera att denna modell saknar hårddisk, utan allt laddas från en floppydisk. Hårddisken introducerades först med IBM XT, och några år senare kom IBM AT som hade en 80286-processor. Det fanns faktiskt en Intel 80186, som användes i det svenska skoldatormisslyckandet Compis.

    Intel fortsatte att namnge sina processorer upp till 486 med siffror. Sedan gick de över till varumärket Pentium, eftersom man inte kan varumärkesskydda siffror. Det fanns en CPU som kallades 586, som var en klon från NexGen och Cyrix, men dessa bolag blev senare uppköpta. NexGen blev uppköpta av AMD och Cyrix köptes upp av National Semiconductor 1997.

    Maskinen har en 5 1/4-tums floppydisk. En intressant detalj är att om man stänger floppydiskluckan utan en disk i, laddas något som kallas Kassett-BASIC. IBM PC levererades med tre olika BASIC-tolkar: Kassett-BASIC, som var inbyggt i ROM, BASIC och BASICA, som är en mer avancerad version av BASIC-tolken. Notera att IBM PC körde PC-DOS medan andra senare kloner körde MS-DOS.
    RS232c kodert på 8 bitars ISA Bus
    Minnet. På den här tiden var 640 Kb väldig mycket minne.

    På 80 talet skojades det om IBM stod för Ingen Bra Maskin..

    Det gick år väldig mycket IC kretsar för den enklaste logiken.

    Iphone 1 ifrån 2007 är ca 1200 snabbare i beräkningskraft än 8088 på 4, 77 mhz

    Jämförelsen mellan en Intel 8088-processor och en modern smartphone som iPhone 14 blir ännu mer extrem. Tekniken har avancerat i en otrolig takt sedan den första IBM PC:n, och den moderna smarttelefonen är många storleksordningar mer kraftfull och kapabel än 1980-talets datorteknik.

    Intel 8088

    • Frekvens: 4,77 MHz
    • Instruktioner per sekund: Cirka 0,33 MIPS

    iPhone 14

    • Processor: Apple A15 Bionic
    • Frekvens: Upp till 3,23 GHz på de snabbaste kärnorna
    • Arkitektur: 64-bit med 6 kärnor (2 prestandakärnor och 4 effektivitetskärnor)
    • Instruktioner per sekund: A15 Bionic kan hantera tusentals MIPS och har en mycket högre effektivitet tack vare moderna optimeringar och tekniker som parallell bearbetning och avancerad prediktion av instruktionsflöden.

    Jämförelse

    A15 Bionic-chippet i iPhone 14 kan mycket grovt uppskattas vara tiotusentals gånger snabbare än Intel 8088 i termer av rå beräkningskraft. Den stöder dessutom moderna funktioner som artificiell intelligens, avancerad grafikbearbetning, parallell bearbetning över flera kärnor, och mycket mer som inte bara gör den snabbare men också kapabel att hantera komplexa uppgifter som inte var möjliga på 1980-talet.

    iPhone 14 och liknande moderna enheter är så avancerade att de i praktiken är kraftfulla bärbara datorer, med kapacitet att utföra avancerade uppgifter som realtidsbildbehandling, spelande av högkvalitativa spel, och drift av flera applikationer samtidigt utan märkbar fördröjning, något som var otänkbart med de tekniska begränsningarna hos en 8088 CPU.

    Notera att funktionsknapparna är på vänster sida. Det är först med IBM AT som funktionsknapparna kommer att vara på den översta tangentraden, som dagens tangentbord

Etikett: ibm

  • IBM och Red Hat satsar 5 miljarder dollar på säkerhet i öppen källkod

    IBM och Red Hat lanserar Project Lightwell, en satsning på 5 miljarder dollar för att stärka säkerheten i öppen källkod. Genom att kombinera AI-assisterad kodanalys med tusentals ingenjörer vill företagen skapa ett betrott säkerhetslager för företag som är beroende av Linux, Kubernetes, Java, AI-ramverk och andra centrala open source-komponenter. IBM och Red Hat lanserar Project…

  • Kan artificiell intelligens få en plats i Linux-kärnan?

    Kan Linux-kärnan bli smartare med hjälp av artificiell intelligens?En ny diskussion bland Linux-utvecklare väcker frågan om maskininlärning kan användas för att optimera hur operativsystemets innersta delar fungerar. Förslaget är försiktigt, kontroversiellt – och helt utanför kärnan själv. Tänk dig att Linux-kärnan – själva hjärtat i operativsystemet – kunde lära sig av sitt eget beteende och…

  • IBM donerar tre AI-projekt till Linux Foundation på All Things Open AI-konferensen

    Under invigningen av den nya konferensen All Things Open AI i Durham, North Carolina, presenterade IBM ett viktigt initiativ: tre av deras egenutvecklade AI-projekt släpps som öppen källkod och doneras till Linux Foundation. IBM:s vice VD för Research AI, Sriram Raghavan, berättade om beslutet på scen och nämnde i efterhand att projekten troligtvis kommer att…

  • IBM Model 5150

    IBM Model 5150, som släpptes 1980, är en riktig klassiker. Maskinen, som är utrustad med en Intel 8088-processor på 4,77 MHz, kan inte köra Linux, men den är ändå grundläggande för utvecklingen av de persondatorer vi använder idag. Under våren har Datorhjälp renoverat ett sådant exemplar åt en av sina kunder. Den x86-baserade dator som…