در اتفاقی که تا چندی پیش در دنیای نرم‌افزارهای متن‌باز غیرممکن به نظر می‌رسید، لینوس توروالدز، خالق لینوکس، رسماً اعلام کرد که از یک دستیار کدنویسی مبتنی بر مدل‌های زبانی بزرگ (LLM) برای نگارش بخشی از کدهای هسته لینوکس استفاده کرده است. این گام بلند در جهت پذیرش هوش مصنوعی، بحث‌های داغی را پیرامون آینده توسعه سیستم‌عامل‌های سطح پایین ایجاد کرده است.
چالش فنی: گلوگاه حافظه در Page Cache
تغییرات اعمال شده توسط توروالدز که با کمک ابزار Claude Code انجام شده، بر روی رفع یک گلوگاه (Bottleneck) عملکردی در کش صفحات (Page Cache) هسته لینوکس متمرکز است. مشکل اصلی زمانی رخ می‌دهد که چندین ریسه (Thread) به طور همزمان سعی در خواندن مقادیر اندکی داده از یک فایل مشترک دارند. در این شرایط، به‌روزرسانی شمارشگر ارجاع (Reference Count) که نیازمند نوشتن اتمیک در خط کش (Cache Line) مشترک است، باعث ایجاد رقابت بین هسته‌های پردازنده و کاهش شدید کارایی می‌شود.
جزئیات پیاده‌سازی و دستاوردهای عملکردی
پچ‌های ارائه‌شده در شاخه noref-filemap-read-with-llm، استراتژی بازپس‌گیری حافظه را تغییر داده‌اند. به جای بازگرداندن فوری حافظه به تخصیص‌دهنده، آزادسازی آن تا پس از سپری شدن دوره RCU (Read-Copy-Update) به تعویق می‌افتد. نتایج حاصل از تست‌ها روی لپ‌تاپی با پردازنده Intel Core i7-8565U خیره‌کننده است؛ به طوری که در شرایط خاص، نرخ خواندن هشت‌ریسه‌ای از حدود ۱۰ میلیون عملیات در ثانیه به بیش از ۳۰ میلیون افزایش یافته است.
مشخصات فنی و یافته‌های کلیدی:
- ابزار کمکی: Claude Code (LLM Coding Assistant)
- بخش هدف: رفع رقابت در Page Cache هسته لینوکس
- بهبود کارایی: افزایش ۳ برابری خروجی (Throughput) در سناریوهای خواندن کوچک
- کاهش چرخه پردازنده: کاهش مصرف چرخه هسته از ۲۹۵۰ به ۷۲۵ برای هر عملیات خواندن
- وضعیت پچ: در مرحله آزمایشی و خارج از خط اصلی هسته (Mainline)
رویکرد احتیاطی توروالدز به هوش مصنوعی
توروالدز که زمانی نسبت به هوش مصنوعی تردید داشت، اکنون آن را به عنوان یک «ابزار بسیار مفید» برای برنامه‌نویسان می‌بیند. با این حال، او همچنان بر رعایت دقت مهندسی تاکید دارد. در حال حاضر، چالش‌هایی همچون مدیریت بازپس‌گیری حافظه و افت عملکرد (Regression) در سناریوهای خاص، هنوز به عنوان موانع ورود این کد به نسخه اصلی لینوکس (Mainline) باقی مانده‌اند.
نتیجه‌گیری و چشم‌انداز
استفاده از هوش مصنوعی برای تولید کدهای حساس هسته، پارادایم جدیدی را در توسعه پروژه‌های پیچیده نرم‌افزاری ایجاد کرده است. اگرچه این پچ‌ها هنوز نهایی نشده‌اند و ابعاد مختلف آن (مانند مدیریت حافظه در بازه‌های RCU) نیاز به بررسی بیشتر دارند، اما تجربه توروالدز نشان می‌دهد که LLMها به عنوان ابزارهای کمکی در حل مسائل پیچیده الگوریتمی و بهینه‌سازی کدهای سطح پایین، دیگر یک فرضیه نیستند، بلکه بخشی از واقعیت امروز توسعه‌دهندگان هستند.
