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 teknologi kecerdasan buatan semakin memengaruhi cara programmer profesional mengembangkan perangkat lunak. Salah satu perkembangan yang menarik perhatian muncul ketika Linus Torvalds melibatkan Claude Code untuk mengembangkan serangkaian patch. Pada Oktober 2026, Torvalds menyiapkan perubahan yang ditujukan untuk mengurangi perebutan sumber daya ketika membaca berkas. Pendekatan ini menjadi pembahasan di kalangan pengembang kernel karena memberikan contoh kolaborasi manusia dan AI dalam pengembangan sistem operasi.

Torvalds tidak menyerahkan seluruh pengambilan keputusan kepada AI. Berdasarkan uraian mengenai proses pengerjaan, ia menyatakan bahwa Claude Code membantu menghasilkan kode, mendukung penyusunan kode pengujian, serta berperan dalam pemeriksaan awal. Adapun, keputusan teknis utama serta evaluasi hasil tetap dilakukan dengan keterlibatan langsung Torvalds. Pembagian pekerjaan ini menjadi aspek yang perlu diperhatikan karena Linux kernel menangani berbagai fungsi penting komputer yang menuntut keandalan tinggi.

Masalah Page Cache yang Menjadi Sasaran Patch Linux Kernel

Sebelum membahas peningkatan performanya, penting mengenal mekanisme page cache. Page cache merupakan bagian sistem yang mempertahankan salinan data file dalam RAM. Ketika aplikasi membuka berkas, Linux dapat memanfaatkan data yang sudah tersedia di RAM apabila data tersebut tersedia di memori. Cara kerja tersebut mengurangi kebutuhan akses penyimpanan. Namun, pengelolaan akses secara bersamaan dapat mengurangi kemampuan sistem untuk meningkatkan performa.

Persoalan teknis dalam pengembangan ini berkaitan dengan reference counting. Pada mekanisme pengelolaan memori, folio digunakan untuk mengelola unit memori yang berkaitan. Apabila sejumlah inti CPU mengakses folio bersama, operasi yang mengubah reference count secara berulang dapat menyebabkan contention antarkomponen pemrosesan. Sebagai dampaknya, penambahan jumlah inti tidak selalu meningkatkan throughput. Kondisi semacam itu berpotensi memengaruhi aplikasi yang sering mengakses data bersama, termasuk aplikasi dengan banyak thread.

Cara Patch AI Mengurangi Beban Reference Count pada Page Cache

Pendekatan yang diajukan dirancang untuk membatasi kebutuhan mengubah penghitung referensi berulang kali. Perubahan kode yang diusulkan memanfaatkan mekanisme Read-Copy-Update atau 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, jalur pembacaan yang memenuhi syarat mampu menekan persaingan pada penghitung bersama.

Kendati tujuan optimasinya jelas, penerapan mekanisme tersebut sangat kompleks. Peninjau kernel perlu memeriksa bahwa folio tetap aman selama proses pembacaan. Selain itu, kesalahan halaman atau page fault dapat memengaruhi keamanan jalur baca. Dengan mempertimbangkan kompleksitasnya, hasil benchmark tidak dapat menjadi satu-satunya dasar penerimaan. Kemungkinan interaksi antarproses harus melewati pengujian menyeluruh sebelum implementasi dinyatakan layak untuk produksi.

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 memperlihatkan lonjakan throughput mendekati 23 kali dalam skenario pembacaan dengan banyak thread. Hasil eksperimen pada perangkat berbasis Threadripper menggambarkan lonjakan kemampuan memproses permintaan dari sekitar 13,3 juta menjadi 304 juta operasi pembacaan per detik pada skenario paralel menggunakan 64 thread. Hasil pengujian itu menunjukkan manfaat pada kondisi tertentu.

Di samping benchmark menggunakan prosesor dengan banyak thread, hasil eksperimen dengan komputer portabel Torvalds juga memperlihatkan peningkatan throughput sekitar tiga kali lipat pada skenario pembacaan bersama menggunakan delapan thread. Ketidaksamaan angka benchmark memperlihatkan pentingnya karakteristik beban kerja. Meski pengujian menghasilkan peningkatan signifikan, hasil tersebut belum tentu mewakili seluruh aplikasi nyata. Program yang tidak mengalami persaingan cache dapat mengalami peningkatan yang terbatas. Oleh karena itu, pengujian pada beragam server dan aplikasi nyata menjadi tahapan penting untuk menentukan dampak sebenarnya.

Mengapa Kode Berbantuan AI Tetap Membutuhkan Pemeriksaan Manusia

Meskipun benchmark menunjukkan hasil positif, pemeriksaan pengembang mengungkap persoalan konkurensi. Race condition merupakan situasi ketika hasil operasi bergantung pada urutan eksekusi yang tidak terkendali. Pada pengelolaan memori sistem operasi, persoalan tersebut membutuhkan perhatian khusus karena berpotensi menyebabkan akses memori tidak aman. Penemuan masalah konkurensi memperlihatkan manfaat peninjauan kolektif sebelum kode digunakan secara luas. Pada saat hasil peninjauan dipublikasikan, patch belum dinyatakan selesai.

Peristiwa tersebut menghadirkan contoh relevan mengenai penggunaan asisten pemrograman cerdas. Model bahasa dapat dimanfaatkan untuk mempercepat pembuatan rancangan kode, tetapi tidak menghilangkan kemungkinan cacat logika. Terlebih pada Linux kernel, kesalahan sinkronisasi bisa menimbulkan dampak serius. Dengan mempertimbangkan risikonya, peninjauan oleh pengembang berpengalaman tetap menjadi kebutuhan utama. Pencatatan proses pengembangan berbantuan AI juga memberikan konteks bagi proses review tanpa menggantikan standar keamanan perangkat lunak.

Masa Depan Kolaborasi Pengembang dan Kecerdasan Buatan

Pengajuan patch Linux kernel oleh Linus Torvalds memberikan gambaran penting mengenai kolaborasi manusia dan model bahasa dalam rekayasa perangkat lunak. Optimasi pengelolaan referensi folio menghasilkan benchmark dengan lonjakan throughput besar. Namun, kekurangan implementasi yang teridentifikasi memperlihatkan pentingnya pemeriksaan lanjutan. Bagi masa depan rekayasa perangkat lunak, model bahasa paling tepat dimanfaatkan dengan pengawasan ketat, bukan alasan untuk mengabaikan pengujian. Apa pendapat Anda, apakah penggunaan AI dalam pengembangan kernel berpotensi meningkatkan produktivitas pengembang? Sampaikan pandangan Anda mengenai manfaat serta tantangannya.