Como Linus Torvalds e a IA encontraram uma correção de uma linha para um bug de GPU da Intel

Como o arredondamento errado corrompia a GPU

Quando o alocador passou a tratar parte do armazenamento CCS como VRAM disponível, as alocações comuns podiam ocupar e sobrescrever metadados usados pela GPU. Entre os efeitos estavam corrupção de dados relacionados às tabelas de páginas, falhas na imagem exibida e um ciclo infinito de reinicialização do GDM, o gerenciador de tela usado no ambiente gráfico do Linux, em hardware Battlemage G21.

O problema, portanto, não era apenas uma conta incorreta. Havia um erro de interpretação: o código alinhava o valor como se ele fosse um endereço inicial, quando na verdade o valor funcionava como um limite, indicando onde terminava a memória utilizável.

Essa diferença semântica explica por que o patch final foi tão curto e, ao mesmo tempo, tão difícil de encontrar.

24 patches e 18 inicializações estreitaram a busca

Torvalds e a assistente de IA adicionaram e revisaram instrumentação direcionada, acompanharam os cálculos de memória do driver e compararam a posição do CCS informada pelo hardware com o limite apresentado ao alocador de VRAM.

Foram necessárias 24 versões de patches de depuração e 18 ciclos de reinicialização e testes até que o erro na direção do arredondamento ficasse claro.

As reinicializações foram importantes porque a falha aparecia no comportamento do hardware e do sistema gráfico, não apenas como uma linha suspeita no código-fonte. Cada experimento ajudou a separar um problema de alocação de memória de outras possíveis causas para as falhas gráficas.

A IA acelerou o processo — mas não comandou a investigação

Torvalds usou a assistente como uma parceira interativa de depuração. Ela ajudou a propor instrumentação, rastrear caminhos no código e analisar os resultados dos testes sucessivos. Isso reduziu o trabalho mecânico necessário para testar diferentes hipóteses.

Mas a ferramenta não era uma autoridade confiável. Segundo Torvalds, ela concluiu várias vezes que a situação era impossível ou insolúvel e sugeriu que o caso fosse simplesmente transformado em um relatório. Ele continuou a investigação escolhendo o próximo experimento, descartando interpretações equivocadas e entendendo o significado do deslocamento no modelo de memória do alocador.

Essa divisão de responsabilidades é o ponto central do episódio: a IA gerou possibilidades e cuidou da parte operacional; o especialista forneceu contexto, persistência, testes que podiam confirmar ou refutar hipóteses e o julgamento final.

Onde a correção foi incorporada

Torvalds foi o autor e responsável pelo commit da correção no driver Intel Xe do kernel principal do Linux. As informações disponíveis indicam que séries estáveis mantidas e afetadas deveriam receber a mudança pelo processo normal de retroportabilidade — o chamado backport —, mas as fontes fornecidas não confirmam com segurança quais versões estáveis específicas nem as respectivas datas de lançamento.

Por isso, ainda não é seguro apontar números exatos de versões. Usuários com hardware afetado devem acompanhar os anúncios de suas distribuições Linux ou dos mantenedores do kernel para confirmar quando uma determinada compilação incluirá o conserto.

A lição para o uso de IA no desenvolvimento do kernel

O caso não representa uma aprovação geral de código de kernel gerado por IA. Ele mostra um uso mais específico e defensável: um especialista pode empregar a ferramenta para acelerar um ciclo difícil de depuração, mantendo sob sua responsabilidade a hipótese, o desenho dos testes, a revisão e o patch final.

Isso é bem diferente de enviar aos mantenedores, sem solicitação e sem testes, patches ou relatórios de vulnerabilidade produzidos em massa por modelos de linguagem. Desenvolvedores do kernel já descreveram uma “avalanche” de contribuições geradas por IA, enquanto mantenedores das áreas de staging e redes relataram frustração crescente com patches de baixo valor ou pouco compreendidos.

Também é preciso cautela com a afirmação frequentemente repetida de que houve um aumento de 2.700% no número de envios. As informações fornecidas não esclarecem o método de medição, o período analisado ou a categoria exata a que esse número se refere. A conclusão mais bem sustentada é mais ampla: a IA reduziu o custo de produzir código e relatórios, mas o tempo necessário para revisá-los e classificá-los continua recaindo sobre os mantenedores humanos.

Torvalds também já afirmou que o Linux não é categoricamente contrário ao uso de IA, especialmente em atividades como revisão de código. A investigação do Intel Xe ajuda a definir o limite prático: a IA pode ser útil dentro de um processo de engenharia disciplinado, mas não substitui conhecimento do subsistema, testes reproduzíveis nem a responsabilidade humana pelo resultado.

O patch final tinha uma linha. A verdadeira conquista foi saber qual linha alterar — e continuar procurando quando a assistente afirmou que a resposta não poderia ser encontrada.