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.

Langkah Baru Pencipta Linux dalam Memanfaatkan Kecerdasan Buatan

Kemajuan sistem AI generatif semakin memengaruhi cara pengembang perangkat lunak membangun aplikasi. Peristiwa penting dalam perubahan tersebut muncul ketika Linus Torvalds menggunakan Claude Code untuk menyusun perubahan kode kernel. Melalui pekerjaan yang dipublikasikan pada Oktober 2026, Torvalds mengajukan perubahan yang berfokus pada hambatan pembacaan data dari cache. Langkah tersebut menarik perhatian komunitas open source karena menunjukkan keterlibatan AI dalam pekerjaan kernel yang kompleks.

Penggunaan Claude Code tidak berarti AI bekerja tanpa pengawasan. Melalui keterangan yang disampaikan, ia menjelaskan bahwa Claude Code membantu menghasilkan kode, mendukung penyusunan kode pengujian, serta membantu peninjauan awal. Di sisi lain, arah pengembangan dan pengukuran performa tetap menjadi bagian dari tanggung jawab pengembang. Pendekatan kolaboratif demikian penting untuk dipahami karena Linux kernel bertanggung jawab atas pengelolaan sumber daya perangkat yang menuntut keandalan tinggi.

Penyebab Penurunan Performa Cache saat Banyak CPU Membaca Berkas

Sebelum membahas peningkatan performanya, 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 meningkatkan efisiensi operasi berkas. Meski demikian, pemrosesan permintaan dari sejumlah inti CPU dapat menimbulkan hambatan tersendiri.

Masalah yang ditangani Torvalds berkaitan dengan reference counting. Di dalam sistem page cache, folio digunakan untuk mengelola unit memori yang berkaitan. Ketika banyak thread membaca data yang sama, operasi yang menambah dan mengurangi penghitung referensi dapat memicu persaingan akses cache line. Akibatnya, kinerja pembacaan dapat terhambat meskipun CPU tersedia banyak. Kondisi semacam itu menjadi relevan pada beban kerja tertentu, termasuk aplikasi dengan banyak thread.

Pendekatan RCU untuk Mempercepat Pembacaan Data Linux

Rancangan optimasi kernel tersebut berupaya mengurangi kebutuhan mengubah penghitung referensi berulang kali. Perubahan kode yang diusulkan menggunakan perlindungan RCU untuk melindungi pembacaan folio yang memenuhi persyaratan. Pada implementasi yang diajukan, penghapusan struktur terkait dapat ditangguhkan hingga masa tenggang RCU berakhir. Dengan cara tersebut, jalur pembacaan yang memenuhi syarat dapat mengurangi operasi atomik yang diperlukan.

Meski konsep dasarnya cukup mudah dijelaskan, perubahan ini menyentuh persoalan konkurensi yang rumit. Peninjau kernel perlu memeriksa bahwa folio tetap aman selama proses pembacaan. Di samping itu, interaksi dengan mekanisme pengelolaan memori lainnya dapat mengubah asumsi yang digunakan optimasi. 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

Bagian penting dari pengujian patch adalah peningkatan throughput pada benchmark sintetis. Pada pengujian yang dilaporkan, serangkaian patch mencapai peningkatan hingga sekitar 23 kali lipat dalam skenario pembacaan dengan banyak thread. Benchmark yang dijalankan menggunakan sistem Threadripper memperlihatkan peningkatan jumlah operasi baca dari sekitar 13,3 juta menjadi 304 juta operasi pembacaan per detik pada skenario paralel menggunakan 64 thread. Hasil pengujian itu memperlihatkan besarnya hambatan yang dapat dikurangi.

Pada evaluasi menggunakan perangkat lain, hasil eksperimen dengan komputer portabel Torvalds juga menunjukkan perbaikan kemampuan pembacaan 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, evaluasi terhadap berbagai konfigurasi perangkat keras harus dilakukan untuk menentukan dampak sebenarnya.

Peninjauan Patch AI Menemukan Masalah Race Condition

Meskipun benchmark menunjukkan hasil positif, pemeriksaan pengembang mengungkap persoalan konkurensi. Race condition merupakan kondisi saat beberapa aktivitas paralel dapat saling mengganggu. Dalam konteks kernel, gangguan konkurensi harus ditangani secara hati-hati karena dapat memicu perilaku sistem yang tidak diharapkan. Penemuan masalah konkurensi menjadi alasan perlunya evaluasi ketat sebelum perubahan dimasukkan ke jalur pengembangan resmi. Dalam perkembangan yang diberitakan, 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, kesalahan sinkronisasi bisa menimbulkan dampak serius. Dengan mempertimbangkan risikonya, peninjauan oleh pengembang berpengalaman tetap menjadi kebutuhan utama. Pencatatan proses pengembangan berbantuan AI juga mempermudah diskusi mengenai tanggung jawab tanpa menggantikan standar keamanan perangkat lunak.

Masa Depan Kolaborasi Pengembang dan Kecerdasan Buatan

Pengembangan optimasi page cache berbantuan Claude Code memberikan gambaran penting mengenai kolaborasi manusia dan model bahasa dalam rekayasa perangkat lunak. Optimasi pengelolaan referensi folio menunjukkan potensi efisiensi pada beban kerja tertentu. Akan tetapi, masalah konkurensi yang ditemukan saat review menunjukkan bahwa hasil cepat belum tentu aman. Dalam pengembangan teknologi modern, model bahasa paling tepat dimanfaatkan dengan pengawasan ketat, bukan alasan untuk mengabaikan pengujian. Apa pendapat Anda, apakah pemanfaatan kecerdasan buatan untuk optimasi sistem operasi berpotensi meningkatkan produktivitas pengembang? Sampaikan pandangan Anda mengenai masa depan pengembangan perangkat lunak berbantuan AI.