Linus Torvalds Ajukan Patch Linux Kernel Berbantuan AI untuk Mengatasi Masalah Cache

Linus Torvalds, pencipta Linux sekaligus pengelola utama pengembangan Linux kernel, menarik perhatian komunitas teknologi setelah mengajukan serangkaian patch yang dibuat dengan bantuan kecerdasan buatan. Pembaruan tersebut menggunakan Claude Code dari Anthropic untuk menangani masalah lama pada mekanisme page cache yang dapat menghambat kinerja ketika banyak prosesor membaca berkas yang sama secara bersamaan. Patch yang diajukan pada Oktober 2026 ini menunjukkan peningkatan performa signifikan dalam pengujian sintetis. Namun, temuan masalah konkurensi selama proses peninjauan menegaskan bahwa kontribusi berbantuan AI tetap memerlukan pemeriksaan mendalam sebelum dapat diterapkan pada kernel Linux secara luas.

Linus Torvalds Mulai Menggunakan AI untuk Pengembangan Linux Kernel

Perkembangan teknologi kecerdasan buatan semakin memengaruhi cara insinyur sistem membangun aplikasi. Contoh terbaru pemanfaatan teknologi ini muncul ketika Linus Torvalds memanfaatkan Claude Code untuk membantu memperbaiki komponen Linux. Dalam pengembangan yang berlangsung pada Oktober 2026, Torvalds memperkenalkan perubahan yang ditujukan untuk mengurangi perebutan sumber daya ketika membaca berkas. Langkah tersebut memunculkan diskusi dalam ekosistem Linux karena menunjukkan keterlibatan AI dalam pekerjaan kernel yang kompleks.

Keterlibatan kecerdasan buatan tetap berada di bawah arahan Torvalds. Berdasarkan uraian mengenai proses pengerjaan, ia mengungkapkan bahwa Claude Code terlibat dalam pembuatan implementasi, mendukung penyusunan kode pengujian, serta membantu peninjauan awal. Adapun, keputusan teknis utama serta evaluasi hasil tetap menjadi bagian dari tanggung jawab pengembang. Pembagian pekerjaan ini memiliki arti besar karena Linux kernel bertanggung jawab atas pengelolaan sumber daya perangkat yang tidak boleh menerima perubahan tanpa validasi memadai.

Masalah Page Cache yang Menjadi Sasaran Patch Linux Kernel

Agar perubahan kernel lebih mudah dimengerti, perlu diketahui bagaimana Linux menyimpan data berkas sementara. Page cache merupakan mekanisme penyimpanan data berkas di memori utama. Apabila sistem membaca file, Linux berpeluang mengambil informasi langsung dari cache apabila data tersebut tersedia di memori. Mekanisme ini mengurangi kebutuhan akses penyimpanan. Akan tetapi, pemrosesan permintaan dari sejumlah inti CPU dapat memunculkan persaingan terhadap sumber daya bersama.

Hambatan yang menjadi fokus patch melibatkan pengelolaan jumlah referensi objek memori. Di dalam sistem page cache, folio merepresentasikan kumpulan halaman memori. Saat permintaan pembacaan berlangsung secara paralel, operasi yang menambah dan mengurangi penghitung referensi dapat memicu persaingan akses cache line. Akibatnya, permintaan baca dapat saling memperlambat. Kondisi semacam itu menjadi relevan pada beban kerja tertentu, termasuk aplikasi dengan banyak thread.

Cara Patch AI Mengurangi Beban Reference Count pada Page Cache

Rancangan optimasi kernel tersebut dirancang untuk membatasi kebutuhan memperbarui reference count pada jalur pembacaan tertentu. Implementasi berbantuan AI tersebut menggunakan perlindungan RCU untuk mendukung jalur baca tanpa penambahan referensi secara langsung. Pada implementasi yang diajukan, masa hidup objek memori dapat diperpanjang sementara hingga masa tenggang RCU berakhir. Dengan cara tersebut, operasi baca pada kondisi yang didukung dapat mengurangi operasi atomik yang diperlukan.

Walaupun terdengar sederhana, perubahan ini menyentuh persoalan konkurensi yang rumit. Tim pengembangan wajib memvalidasi bahwa folio memiliki masa hidup yang sesuai dengan akses data. Di samping itu, perubahan kondisi pemetaan memori dapat mengubah asumsi yang digunakan optimasi. Karena alasan tersebut, hasil benchmark tidak dapat menjadi satu-satunya dasar penerimaan. Berbagai kondisi penggunaan perlu diperiksa dengan teliti sebelum perubahan dapat diterima sebagai bagian kernel utama.

Benchmark Page Cache Linux Mengalami Lonjakan Throughput

Temuan performa yang paling menonjol adalah lonjakan kemampuan menangani operasi pembacaan dalam pengujian khusus. Pada pengujian yang dilaporkan, serangkaian patch menghasilkan percepatan sekitar 23 kali dalam pengujian akses berkas paralel. Benchmark yang dijalankan menggunakan sistem Threadripper memperlihatkan peningkatan jumlah operasi baca dari sekitar 13,3 juta menjadi 304 juta operasi pembacaan per detik pada konfigurasi 64 thread. Angka tersebut memperlihatkan besarnya hambatan yang dapat dikurangi.

Di samping benchmark menggunakan prosesor dengan banyak thread, pengukuran menggunakan perangkat pribadinya juga memperlihatkan peningkatan throughput sekitar tiga kali lipat pada pengujian paralel dengan delapan thread. Perbedaan hasil tersebut menggambarkan hubungan optimasi dengan tingkat contention. Namun demikian, benchmark sintetis tidak dapat disamakan dengan penggunaan sehari-hari. Program yang tidak mengalami persaingan cache dapat mengalami peningkatan yang terbatas. Dengan demikian, evaluasi terhadap berbagai konfigurasi perangkat keras harus dilakukan untuk menentukan dampak sebenarnya.

Mengapa Kode Berbantuan AI Tetap Membutuhkan Pemeriksaan Manusia

Di balik peningkatan performa yang menjanjikan, review kode mengidentifikasi kondisi balapan. Race condition merupakan situasi ketika hasil operasi bergantung pada urutan eksekusi yang tidak terkendali. Untuk implementasi page cache, kesalahan semacam ini dapat berisiko serius karena dapat memicu perilaku sistem yang tidak diharapkan. Temuan tersebut menjadi alasan perlunya evaluasi ketat sebelum perubahan dimasukkan ke jalur pengembangan resmi. Pada saat hasil peninjauan dipublikasikan, patch belum dinyatakan selesai.

Peristiwa tersebut memberikan pelajaran penting mengenai pemanfaatan AI dalam rekayasa perangkat lunak. Model bahasa dapat dimanfaatkan untuk menyusun implementasi awal, tetapi belum tentu menghasilkan implementasi bebas kesalahan. Terlebih pada Linux kernel, cacat implementasi dapat memengaruhi stabilitas komputer. Karena itu, peninjauan oleh pengembang berpengalaman tetap menjadi kebutuhan utama. Pencatatan proses pengembangan berbantuan AI juga mempermudah diskusi mengenai tanggung jawab tanpa menghilangkan tanggung jawab pengembang manusia.

Potensi serta Batasan AI untuk Optimasi Sistem Operasi

Pengembangan optimasi page cache berbantuan Claude Code memberikan gambaran penting mengenai pemanfaatan teknologi AI pada perangkat lunak tingkat rendah. Optimasi pengelolaan referensi folio menunjukkan potensi efisiensi pada beban kerja tertentu. Meski demikian, kekurangan implementasi yang teridentifikasi menegaskan bahwa kode masih membutuhkan penyempurnaan. Dalam pengembangan teknologi modern, asisten pemrograman sebaiknya dipandang sebagai alat pendukung, bukan jaminan otomatis atas keamanan kode. Menurut pandangan Anda, apakah pemanfaatan kecerdasan buatan untuk optimasi sistem operasi akan mempercepat inovasi secara aman? Bagikan pemikiran Anda mengenai manfaat serta tantangannya.