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

Perkembangan teknologi kecerdasan buatan semakin memengaruhi cara insinyur sistem menulis kode. Peristiwa penting dalam perubahan tersebut muncul ketika Linus Torvalds menggunakan Claude Code untuk membantu memperbaiki komponen Linux. Melalui pekerjaan yang dipublikasikan pada Oktober 2026, Torvalds menyiapkan perubahan yang ditujukan untuk mengurangi perebutan sumber daya ketika membaca berkas. Langkah tersebut menjadi pembahasan di kalangan pengembang kernel karena menunjukkan keterlibatan AI dalam pekerjaan kernel yang kompleks.

Keterlibatan kecerdasan buatan tetap berada di bawah arahan Torvalds. Dalam penjelasan pengembangannya, ia menjelaskan bahwa Claude Code membantu menghasilkan kode, menyiapkan program pengujian, serta berperan dalam pemeriksaan awal. Sementara itu, keputusan teknis utama serta evaluasi hasil tetap berada di tangan manusia. Pendekatan kolaboratif demikian memiliki arti besar karena Linux kernel menangani berbagai fungsi penting komputer yang memerlukan ketelitian teknis.

Penyebab Penurunan Performa Cache saat Banyak CPU Membaca Berkas

Agar perubahan kernel lebih mudah dimengerti, pengguna perlu memahami fungsi cache halaman. Page cache merupakan fasilitas kernel untuk mempercepat akses terhadap data yang pernah dibaca. Saat program meminta data dari penyimpanan, Linux bisa menghindari pembacaan ulang dari perangkat penyimpanan apabila data tersebut tersedia di memori. Pendekatan pengelolaan memori tersebut membantu mempercepat proses pembacaan. Namun, koordinasi banyak thread dapat mengurangi kemampuan sistem untuk meningkatkan performa.

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 menghasilkan aktivitas sinkronisasi yang mahal. Akibatnya, permintaan baca dapat saling memperlambat. Kondisi semacam itu menjadi relevan pada beban kerja tertentu, termasuk layanan server.

Pendekatan RCU untuk Mempercepat Pembacaan Data Linux

Rancangan optimasi kernel tersebut ditujukan agar menekan kebutuhan memperbarui reference count pada jalur pembacaan tertentu. Implementasi berbantuan AI tersebut mengandalkan pendekatan sinkronisasi RCU untuk memungkinkan akses data pada kondisi tertentu. Pada implementasi yang diajukan, masa hidup objek memori dapat diperpanjang sementara hingga periode perlindungan RCU selesai. Berkat mekanisme ini, akses data yang aman dalam wilayah RCU dapat mengurangi operasi atomik yang diperlukan.

Meski konsep dasarnya cukup mudah dijelaskan, implementasinya membutuhkan perhatian terhadap banyak kondisi. Tim pengembangan wajib memvalidasi bahwa folio tidak dibebaskan ketika masih digunakan. Selain itu, perubahan kondisi pemetaan memori dapat mengubah asumsi yang digunakan optimasi. Oleh sebab itu, peningkatan kecepatan harus disertai pembuktian keamanan. Berbagai kondisi penggunaan perlu diperiksa dengan teliti sebelum implementasi dinyatakan layak untuk produksi.

Benchmark Page Cache Linux Mengalami Lonjakan Throughput

Bagian penting dari pengujian patch adalah peningkatan throughput pada benchmark sintetis. Pada pengujian yang dilaporkan, serangkaian patch memperlihatkan lonjakan throughput mendekati 23 kali dalam pengujian akses berkas paralel. Benchmark yang dijalankan menggunakan sistem Threadripper menunjukkan perubahan throughput dari sekitar 13,3 juta menjadi 304 juta operasi pembacaan per detik pada pengujian dengan puluhan thread aktif. Hasil pengujian itu menggambarkan potensi optimasi yang signifikan.

Pada evaluasi menggunakan perangkat lain, hasil eksperimen dengan komputer portabel Torvalds juga menghasilkan kenaikan jumlah operasi baca sekitar tiga kali lipat pada skenario pembacaan bersama menggunakan delapan thread. Perbedaan hasil tersebut memperlihatkan pentingnya karakteristik beban kerja. Meski pengujian menghasilkan peningkatan signifikan, hasil tersebut belum tentu mewakili seluruh aplikasi nyata. Beban kerja yang tidak terhambat reference counting dapat mengalami peningkatan yang terbatas. Karena alasan tersebut, benchmark tambahan menggunakan beban kerja produksi menjadi tahapan penting 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. Dalam konteks kernel, kesalahan semacam ini dapat berisiko serius karena dapat memicu perilaku sistem yang tidak diharapkan. Hasil review ini menegaskan pentingnya proses pemeriksaan sebelum perubahan dimasukkan ke jalur pengembangan resmi. Hingga tahap pelaporan tersebut, implementasi belum siap dianggap final.

Peristiwa tersebut menunjukkan tantangan nyata mengenai pemanfaatan AI dalam rekayasa perangkat lunak. Asisten kode berbasis AI mampu mendukung membantu memahami struktur program, tetapi belum tentu menghasilkan implementasi bebas kesalahan. Pada sistem yang mengelola memori dan perangkat keras, kesalahan sinkronisasi bisa menimbulkan dampak serius. Dengan mempertimbangkan risikonya, peninjauan oleh pengembang berpengalaman tidak dapat ditinggalkan. Transparansi mengenai keterlibatan AI juga membantu memperjelas asal kontribusi tanpa mengurangi kewajiban memastikan kualitas kode.

Masa Depan Kolaborasi Pengembang dan Kecerdasan Buatan

Pengembangan optimasi page cache berbantuan Claude Code menunjukkan perkembangan baru mengenai kolaborasi manusia dan model bahasa dalam rekayasa perangkat lunak. Perbaikan mekanisme akses data bersama menghasilkan benchmark dengan lonjakan throughput besar. Meski demikian, masalah konkurensi yang ditemukan saat review memperlihatkan pentingnya pemeriksaan lanjutan. Bagi masa depan rekayasa perangkat lunak, asisten pemrograman sebaiknya dipandang sebagai alat pendukung, bukan pengganti seluruh proses peninjauan. Bagaimana menurut Anda, apakah kolaborasi Claude Code dan pengembang Linux akan mempercepat inovasi secara aman? Sampaikan pandangan Anda mengenai peluang dan risikonya.