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.

Kolaborasi Linus Torvalds dan AI untuk Memperbaiki Kinerja Kernel

Perkembangan sistem AI generatif mulai mengubah cara pengembang perangkat lunak mengembangkan perangkat lunak. Contoh terbaru pemanfaatan teknologi ini muncul ketika Linus Torvalds melibatkan Claude Code untuk membantu memperbaiki komponen Linux. Pada Oktober 2026, Torvalds memperkenalkan perubahan yang berfokus pada hambatan pembacaan data dari cache. Pengembangan tersebut menarik perhatian komunitas open source karena memperlihatkan penggunaan AI pada perangkat lunak tingkat rendah.

Torvalds tidak menyerahkan seluruh pengambilan keputusan kepada AI. Melalui keterangan yang disampaikan, ia menjelaskan bahwa Claude Code terlibat dalam pembuatan implementasi, membantu membuat perangkat uji, serta membantu peninjauan awal. Sementara itu, arah pengembangan dan pengukuran performa tetap berada di tangan manusia. Pemisahan peran tersebut penting untuk dipahami karena Linux kernel bertanggung jawab atas pengelolaan sumber daya perangkat yang menuntut keandalan tinggi.

Memahami Hambatan Reference Counting pada Sistem Linux

Untuk memahami tujuan patch tersebut, perlu diketahui bagaimana Linux menyimpan data berkas sementara. Page cache merupakan mekanisme penyimpanan data berkas di memori utama. Ketika aplikasi membuka berkas, Linux dapat memanfaatkan data yang sudah tersedia di RAM apabila halaman yang diperlukan masih tersimpan. Mekanisme ini membantu mempercepat proses pembacaan. Namun, pemrosesan permintaan dari sejumlah inti CPU dapat mengurangi kemampuan sistem untuk meningkatkan performa.

Hambatan yang menjadi fokus patch berkaitan dengan reference counting. Pada mekanisme pengelolaan memori, folio digunakan untuk mengelola unit memori yang berkaitan. Ketika banyak thread membaca data yang sama, operasi yang memperbarui nilai referensi bersama dapat menyebabkan contention antarkomponen pemrosesan. Akibatnya, permintaan baca dapat saling memperlambat. Hambatan konkurensi ini menjadi relevan pada beban kerja tertentu, termasuk sistem basis data.

Mekanisme Optimasi Folio dalam Pengembangan Kernel

Solusi yang dikembangkan berupaya mengurangi kebutuhan memperbarui reference count pada jalur pembacaan tertentu. Serangkaian patch mengandalkan pendekatan sinkronisasi RCU untuk melindungi pembacaan folio yang memenuhi persyaratan. 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 mampu menekan persaingan pada penghitung bersama.

Walaupun terdengar sederhana, perubahan ini menyentuh persoalan konkurensi yang rumit. Peninjau kernel perlu memeriksa bahwa folio tetap aman selama proses pembacaan. Selain itu, interaksi dengan mekanisme pengelolaan memori lainnya dapat memengaruhi keamanan jalur baca. Dengan mempertimbangkan kompleksitasnya, perbaikan kinerja saja belum cukup. Berbagai kondisi penggunaan harus melewati pengujian menyeluruh sebelum patch dianggap siap digunakan secara luas.

Hasil Pengujian Patch Linux Berbantuan AI Menunjukkan Peningkatan Performa

Salah satu hasil yang menarik perhatian adalah lonjakan kemampuan menangani operasi pembacaan dalam pengujian khusus. Berdasarkan benchmark yang disampaikan, serangkaian patch mencapai peningkatan hingga sekitar 23 kali lipat dalam pengujian akses berkas paralel. Pengukuran pada prosesor Ryzen Threadripper menggambarkan lonjakan kemampuan memproses permintaan 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 menghasilkan kenaikan jumlah operasi baca sekitar tiga kali lipat pada skenario pembacaan bersama menggunakan delapan thread. Ketidaksamaan angka benchmark memperlihatkan pentingnya karakteristik beban kerja. Walaupun angkanya terlihat besar, percepatan itu tidak otomatis berlaku untuk setiap perangkat Linux. Aplikasi dengan sedikit thread dapat mengalami peningkatan yang terbatas. Karena alasan tersebut, pengujian pada beragam server dan aplikasi nyata menjadi tahapan penting untuk mengukur keuntungan praktis optimasi.

Peninjauan Patch AI Menemukan Masalah Race Condition

Meskipun benchmark menunjukkan hasil positif, review kode mengidentifikasi kondisi balapan. Race condition merupakan kondisi saat beberapa aktivitas paralel dapat saling mengganggu. Dalam konteks kernel, kesalahan semacam ini dapat berisiko serius karena mungkin mengganggu keandalan pengelolaan sumber daya. Temuan tersebut memperlihatkan manfaat peninjauan kolektif sebelum perubahan dimasukkan ke jalur pengembangan resmi. Pada saat hasil peninjauan dipublikasikan, rangkaian perubahan masih membutuhkan revisi.

Kasus ini menunjukkan tantangan nyata mengenai integrasi model bahasa dalam pekerjaan pengembang. Asisten kode berbasis AI mampu mendukung mempercepat pembuatan rancangan kode, tetapi tidak otomatis menjamin keamanan. Pada sistem yang mengelola memori dan perangkat keras, cacat implementasi dapat memengaruhi stabilitas komputer. Karena itu, peninjauan oleh pengembang berpengalaman harus dipertahankan. Transparansi mengenai keterlibatan AI juga membantu memperjelas asal kontribusi tanpa menggantikan standar keamanan perangkat lunak.

Masa Depan Kolaborasi Pengembang dan Kecerdasan Buatan

Pengajuan patch Linux kernel oleh Linus Torvalds menjadi contoh menarik mengenai pemanfaatan teknologi AI pada perangkat lunak tingkat rendah. Optimasi pengelolaan referensi folio menghasilkan benchmark dengan lonjakan throughput besar. Namun, masalah konkurensi yang ditemukan saat review memperlihatkan pentingnya pemeriksaan lanjutan. Dalam pengembangan teknologi modern, model bahasa paling tepat dimanfaatkan dengan pengawasan ketat, bukan jaminan otomatis atas keamanan kode. Bagaimana menurut Anda, apakah pemanfaatan kecerdasan buatan untuk optimasi sistem operasi akan mempercepat inovasi secara aman? Silakan bagikan pendapat Anda mengenai masa depan pengembangan perangkat lunak berbantuan AI.