舊應用與遊戲的 AI 加速

從實作串行化到必要串行化

English Title: AI Acceleration of Legacy Applications and Games: From Implementation Serialization to Necessary Serialization
系列：《計算域支配智能：AI 語義控制面與自適應多 X 計算》第 5 篇
系列代號： CDI / AIVS
文件編號： EML-CDI-05-LGAA-2026-v0.1
作者： Neo.K
協作整理： Aletheia
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-08-10
文件類型： 計算架構論文／Legacy Application Performance Methodology／Game Runtime Benchmark Specification
證據成熟度： E0–E1。Windows tracing、game profiling、threading analysis、binary API instrumentation 等 primitive 已成熟；本文提出的 CDI/AIVS 自動辨識「實作串行化」並將其安全改造成多 X 執行仍需 MVP 與 benchmark 驗證。

摘要

現代 CPU 普遍具有多核心，GPU、NPU 與其他 accelerator 亦提供大量平行資源；然而，大量既有應用與遊戲的主要進度仍可能受到單一 main thread、歷史架構、同步設計、共享可變狀態或固定 pipeline 限制。這不表示所有串行工作都能被平行化，也不表示作業系統不知道如何調度多核心。真正的工程問題是：

現有序列中，有多少順序是由計算本身的必要因果依賴造成，又有多少只是程式當初的實作方式所造成？

本文將兩者分離為：

\boxed{ ImplementationSerialization }

與：

\boxed{ NecessarySerialization. }

並定義 串行化缺口（Serialization Gap）：

\boxed{ G_S = I_S-N_S, }

其中 $I_S$ 為觀察到的實作串行量， $N_S$ 為經依賴、狀態、副作用與正確性分析後仍必須維持的必要串行量。 $G_S$ 不是一個天然可直接量測的物理量，而是本文提出的工程估計目標。

本文提出：AI 對 legacy application 的價值，不應首先被理解成「把 binary 即時改成 16 核」，而應分成三個可見度層級：

\boxed{ L_1: SourceVisible }

\boxed{ L_2: TraceVisible }

\boxed{ L_3: OpaqueBinary. }

在 $L_1$ ，AI 可結合 source、AST/IR、profiler、tests 與 compiler dependence information 產生 parallelization/refactor candidate；在 $L_2$ ，AI 只能從 ETW、call stacks、thread timing、locks、I/O、GPU timing、application markers 等 runtime evidence 建立近似因果圖；在 $L_3$ ，則應進一步收縮權限，將 binary instrumentation 主要用於觀察與 API boundary interception，不得把「能 hook」誤寫成「能安全重排任意內部指令」。

對遊戲，本文進一步指出「FPS 增加」不是充分成功條件。AI 改變 main-loop、task graph 或 offload route 後，還必須驗證：

simulation state；
frame/tick epoch；
RNG stream；
event ordering；
physics invariants；
save/load state；
networking semantics；
render submission；
player-visible behavior；
rollback / correction。

因此本文提出 Game Equivalence Contract（GEC） 與 Acceleration Promotion Gate（APG）：

\boxed{ NewRoute \rightarrow Shadow \rightarrow Equivalence \rightarrow Performance \rightarrow Promotion. }

本文並將前四篇整合：

CDI 提供 AI 語義—因果控制面；
AIVS 讓高頻計算只在高價值同步點升級認知；
Candidate/Commit 讓新執行方式先成為 shadow candidate；
24／72 PRL 提供計算形態與 routing prior；
本文則建立 legacy/game 取得 evidence、估計 serialization gap、驗證加速與安全 promotion 的方法。

本文最後提出 Legacy Acceleration Pipeline（LAP）、五類 acceleration channel、三類 visibility、Game Equivalence Contract、benchmark protocol、失敗分類與十二組可反駁假說。下一篇將把五篇理論收斂成可直接實作的 CDI Runtime + AIVS Windows MVP。

關鍵詞

Legacy Application、Game Acceleration、AI-assisted Parallelization、Serialization Gap、Main Thread、ETW、WPR、WPA、PIX、VTune、Concurrency Visualizer、Detours、CDI、AIVS、Game Equivalence Contract、Shadow Execution、Multi-X

0. 系列位置

前四篇回答：

\boxed{ AI怎麼治理計算？ }

本文開始回答：

\boxed{ 它能不能真的對既有程式產生可量測的加速？ }

所以第五篇是：

\boxed{ Theory \rightarrow BenchmarkableEngineeringHypothesis. }

1. 首先取消一個錯誤問題

錯誤問法：

「這個遊戲支不支援多核心？」

更好的問法：

這個遊戲的主要 frame / simulation critical path 中，有哪些 region 真正受到序列依賴限制？

因為一個程式可以：

已有多個 thread；
仍由 main thread 決定 frame；
GPU 很忙但 CPU bottleneck；
background task 已平行；
simulation 還是串行。

所以：

\boxed{ ThreadCount \neq EffectiveParallelism. }

2. OS Scheduler 不是主要研究對象

Windows 本身已經能：

schedule threads；
migrate threads across cores；
manage waits；
expose kernel/app tracing；
support thread pools。

因此本文不主張：

WindowsCannotUseMulticore.

真正研究對象是：

\boxed{ ApplicationLevelDependencyStructure. }

3. 串行化的四個來源

本文先分：

\boxed{ Serialization = Causal + State + Effect + Implementation. }

4. Causal Serialization

真正前後依賴：

x_{t+1}=F(x_t).

沒有：

x_t

就無法合法得到：

x_{t+1}.

這類通常屬於：

NecessarySerialization.

5. State Serialization

兩個 region 同時讀寫共享 state：

R/W

產生：

RAW；
WAR；
WAW；
alias；
lock；
version conflict。

有些是必要，

有些可以經：

snapshot；
partition；
double buffering；
local state；

被解除。

6. Effect Serialization

例如：

graphics API order；
file mutation；
network send；
audio device；
OS window state；
save game；
external hardware。

即使 calculation 可平行，

effect commit 仍可能需要序列化。

7. Implementation Serialization

這是本文最有興趣的部分。

例如：

MainLoop:
  update_ui()
  calculate_npc_paths()
  decode_assets()
  update_audio()

只是因為歷史上寫成：

A\rightarrow B\rightarrow C\rightarrow D

不等於：

A\prec B\prec C\prec D

都是必要因果。

8. Serialization Gap

定義概念性估計：

\boxed{ G_S=I_S-N_S. }

但：

I_S

與：

N_S

不能只靠 AI 主觀打分。

必須由 evidence 支持。

9. Evidence for $I_S$

可以包括：

CPU thread timeline；
call stack；
idle cores；
waiting；
main-thread occupancy；
synchronization；
GPU queue delay；
I/O；
task boundaries。

10. Evidence for $N_S$

需要更強資料：

source / IR；
read/write set；
shared state；
locks；
invariants；
side effect；
deterministic replay；
tests；
shadow execution。

所以：

\boxed{ ObservedSerialization }

容易看到，

\boxed{ NecessarySerialization }

比較難證明。

11. 三個可見度層級

\boxed{ L_1: SourceVisible }

\boxed{ L_2: TraceVisible }

\boxed{ L_3: OpaqueBinary. }

這三層不能使用同樣的自動化權限。

12. Level 1 — Source Visible

AI 可以取得：

source；
symbols；
build；
tests；
AST / IR；
compiler diagnostics；
profiler。

這是第一個應做的 MVP。

13. Source Visible 的主要工作

\boxed{ Source \rightarrow RegionSegmentation \rightarrow DependencyAnalysis \rightarrow RouteCandidates. }

AI 補充：

subsystem semantics；
task intent；
high-level role；
possible partition strategy。

14. AI 不應直接提交 code rewrite

仍然遵守：

\boxed{ Patch = Candidate. }

流程：

AIRefactor \rightarrow Build \rightarrow Tests \rightarrow ShadowBenchmark \rightarrow Review \rightarrow Commit.

15. 最有價值的 Source-visible 轉換

例如：

loop → parallel loop；
serial task chain → task DAG；
synchronous I/O → async I/O；
repeated search → precomputed index；
shared global → partitioned/local state；
CPU scalar → SIMD；
CPU bulk work → GPU candidate；
frame-blocking load → background asset pipeline。

16. 這些轉換不都需要 LLM

例如：

LoopDependence

compiler 可以做。

AI 的價值是：

把 compiler finding、profiler hotspot、subsystem meaning 與測試目標連起來。

17. Level 2 — Trace Visible

沒有完整 source，

但有：

symbols 或部分 symbols；
ETW；
call stack sampling；
thread timing；
waits；
I/O；
DirectX activity；
markers。

這時只能建立：

\boxed{ \hat G_C }

近似 Causal Compute Graph。

18. ETW 的角色

ETW 可以：

記 kernel / app events；
動態啟停；
即時或離線 consumption；
支援 WPR/WPA。

因此 Windows 本身已提供一個很適合作為 CDI Observer 的：

\boxed{ EventPlane. }

19. WPR / WPA

WPR：

Capture.

WPA：

Analyze.

對 CDI MVP 最重要：

不必一開始自己寫 kernel tracer。

可以先把 ETL：

\rightarrow StructuredTrace \rightarrow AI.

20. Concurrency Visualizer

可觀察：

CPU utilization；
thread contention；
cross-core migration；
synchronization delay；
DirectX activity；
overlapped I/O。

這些資料適合用來：

\boxed{ FindCandidateRegions. }

但不能直接證明：

ParallelSafe.

21. VTune 的角色

VTune 可以分析：

hotspots；
threaded performance；
synchronization objects；
CPU/GPU bound；
offload effectiveness。

所以它可以當：

\boxed{ ExternalProfilerOracle }

而不是讓 CDI 自己重造完整 profiler。

22. PIX 對遊戲特別重要

PIX Timing Capture 可以把：

CPU；
GPU；
file I/O；
memory allocation；
game markers；

放進同一 timing capture。

對遊戲：

\boxed{ CrossCPU/GPUTimeline }

是判斷：

main thread bottleneck？

GPU starvation？

queue delay？

的重要 evidence。

23. Trace 的真正用途不是直接叫 AI 看全部

原始：

Trace_{raw}

可能非常大。

應：

\boxed{ RawTrace \rightarrow Reducer \rightarrow RegionEvents \rightarrow AIVS. }

24. Region Event

region_event:
  region_id:
  thread_id:
  frame_epoch:
  start_ns:
  end_ns:

  cpu:
    running_ns:
    waiting_ns:
    core_migrations:

  gpu:
    queue_delay_ns:
    execution_ns:

  io:
    read_bytes:
    wait_ns:

  dependency_refs:
  markers:
  anomaly_score:

25. AIVS 在 Legacy Profiling 中的角色

正常 frame：

R_0.

只記：

summary；
digest；
hotspot counter。

異常：

R_1.

才取：

stack；
extended trace。

多 subsystem conflict：

R_2/Governor.

26. Level 3 — Opaque Binary

最危險的情況。

只有：

executable；
DLL；
API calls；
OS trace；
timing；
memory / module info。

此時：

\boxed{ Confidence\downarrow. }

27. Detours 能證明什麼？

Microsoft Detours 可以：

runtime intercept binary function；
hook Win32 API；
建 trampoline；
插入 DLL；
對沒有 source 的 app 做 instrumentation。

這證明：

\boxed{ BinaryBoundaryObservation }

是可行的。

28. Detours 不能證明什麼？

它不能自動保證：

任意 instruction 可安全 reorder；
任意 function 可 parallelize；
hidden state 不衝突；
game anti-cheat / integrity policy 允許修改；
timing semantics 不變。

所以：

\boxed{ CanIntercept \neq CanParallelizeSafely. }

29. Opaque Binary 的合理第一階段

允許：

observe；
timestamp；
count；
API boundary trace；
read-only instrumentation。

不允許：

arbitrary instruction reordering；
uncontrolled memory patch；
speculative irreversible effect。

30. Sidecar Acceleration

Opaque app 最安全的加速方向之一可能是：

\boxed{ SidecarCompute. }

不改核心 simulation，

只把外圍工作移出：

asset decode；
file preprocess；
compression；
shader preprocess；
indexing；
remote query；
cache building。

31. Sidecar 的基本形式

Legacy App
   │
   ├─ Original Critical Path
   │
   └─ Boundary / Request
           │
           ▼
       Sidecar Worker
           │
           ▼
       Verified Result

32. Sidecar Result 仍然是 Candidate

如果 legacy app 會 consume：

SidecarResult,

仍需：

version；
request id；
TTL；
input digest。

否則：

StaleSidecarResult.

33. Safe Acceleration Channels

本文分五類。

A — Offline Refactor

改 source。

34. B — Runtime Reschedule

已有 task boundary，

調整：

worker count；
affinity；
ordering；
queue。

35. C — Offload

移到：

GPU；
NPU；
other process；
remote worker。

36. D — Sidecar

不改主核心，

外部處理可獨立工作。

37. E — Speculative Shadow

先算未來可能需要的結果，

但不直接 commit。

38. 五類風險不同

Risk(A) < Risk(B/C) < Risk(E)

不是固定定理，

但作為一般工程 prior：

Opaque runtime speculation 應比 source-visible refactor 更保守。

39. Legacy Acceleration Pipeline（LAP）

本文提出：

\boxed{ LAP = Observe \rightarrow Segment \rightarrow Infer \rightarrow Classify \rightarrow Propose \rightarrow Shadow \rightarrow Verify \rightarrow Promote. }

40. Observe

收集 baseline。

不能：

先改，再量。

需要：

\boxed{ BaselineFirst. }

41. Baseline Run Set

至少多次：

R_1,\ldots,R_n.

因遊戲：

-場景；

save；
camera；
NPC；
shader cache；
asset cache；

都影響 performance。

42. Scenario Contract

每個 benchmark scene：

scenario:
  game_version:
  save_id:
  map:
  camera_path:
  duration_s:
  warmup_s:
  rng_seed:
  resolution:
  graphics_settings:
  network_mode:

43. Segment

將 main loop / trace 分：

E_1,\ldots,E_n.

來源：

markers；
call stack clusters；
modules；
source functions；
timing phases。

44. Infer

建立：

\hat G_C.

Edge 可能：

data；
control；
state；
effect；
time。

45. Classify

可使用：

24/72\ ParadigmProfile.

但採：

ProgressiveResolution.

先問：

S/J/P/R？

46. Propose

AI 產生：

RouteCandidate.

不是直接改正式程式。

47. Shadow

使用：

shadow process；
replay；
duplicated region；
offline capture。

新 route：

NoExternalAuthority.

48. Verify

兩類：

Correctness

與：

Performance.

必須先 correctness。

49. Promote

只有：

CorrectnessPass \land PerformanceGain>Threshold \land StabilityPass.

才 active。

50. 為什麼遊戲比一般 batch app 更難？

遊戲有：

\boxed{ RealTimeStatefulInteraction. }

不是一次 input → output。

玩家每一個動作都會改變：

FutureState.

51. Game State

定義：

\boxed{ S_f = ( World, Physics, Actors, Script, RNG, Network, Resources )_f. }

$f$ 可是 frame 或 simulation tick。

52. Frame 不一定等於 Simulation Tick

有些 engine：

RenderFrame \neq SimulationTick.

所以 Runtime 不能只用 frame number 做全部 causal epoch。

53. Epoch Vector

本文提出：

\boxed{ \mathbf e = ( e_{sim}, e_{render}, e_{asset}, e_{network} ). }

不同 subsystem 可不同步前進。

54. Game Equivalence Contract（GEC）

AI acceleration 的結果要回答：

新執行方案和原版「一樣」到底指什麼？

定義：

\boxed{ GEC=(I_s,I_p,I_r,I_e,\epsilon). }

55. State Invariant $I_s$

例如：

actor count；
health；
transform；
inventory；
quest state。

56. Physics Invariant $I_p$

例如：

no penetration；
conserved / bounded quantities；
collision result within tolerance。

57. RNG Invariant $I_r$

視需求：

Strict

保持同 RNG stream。

Statistical

只要求分布一致。

遊戲 replay 測試通常優先 strict。

58. Event Invariant $I_e$

例如：

A\prec B

必須保持。

不一定要求：

timestamp_A

完全相同。

59. Tolerance $\epsilon$

浮點 simulation：

ExactBitEquality

可能不是合理要求。

可定義：

d(S,S')\le\epsilon.

60. GEC 不等於「畫面看起來差不多」

視覺相似：

\neq

simulation equivalence。

所以：

\boxed{ ScreenshotOnly }

不能做主要 correctness oracle。

61. MSSP Runtime 的啟示

現有遊戲 Computer Runtime 已採：

Frame \rightarrow Diff \rightarrow StructuredEvent

而非：

EveryFrame \rightarrow DeepAI.

對本篇：

\boxed{ PerformanceTrace }

也應採相同原則：

RawTimeline \rightarrow Diff/Region \rightarrow AI.

62. RNG 是 parallelization 的大坑

原來：

NPC A calls RNG
NPC B calls RNG

序列：

r_1,r_2.

平行後：

呼叫順序可能交換。

結果：

GameplayDivergence.

63. 解法 A：Per-Entity RNG Stream

RNG_A

RNG_B

分離。

64. 解法 B：Counter-Based RNG

以：

(entity,tick,event)

定址。

是否適用依遊戲架構。

65. 解法 C：保留原 RNG Commit Order

compute 平行，

RNG consumption：

Serialized.

可能限制 speedup，

但先保 correctness。

66. Physics 也不能粗暴平行

物件分區：

A,B

若完全沒有 interaction：

可以。

若跨區碰撞：

需要：

BoundarySync.

67. AI 能做的是找 Partition Candidate

例如：

GraphPartition( InteractionGraph ).

但真正 correctness：

由 physics invariant / engine test 決定。

68. NPC / Pathfinding

通常是很有吸引力的 candidate，

因很多 agent query：

Q_1,\ldots,Q_n

可以部分獨立。

但 navmesh version：

v

必須跟 world state 對齊。

69. Asset Streaming

往往：

I/O-bound；
decode；
decompression；
upload。

非常適合：

Async/Sidecar/Pipeline.

但 GPU upload / resource lifetime 仍有 effect ordering。

70. Audio

mixing / decode 可能 parallel，

但 device deadline：

HardLatency.

所以：

TransferOverhead

可能讓 GPU offload 反而更糟。

71. UI

很多 UI 工作對 simulation：

ReadOnly.

可以較晚更新。

因此：

StaleTolerance

可能高於 physics。

72. Network

不能只因 CPU parallel safe 就改 packet order。

因：

ProtocolSemantics.

73. Render Submission

render preparation 可大量 parallel，

但 API / resource dependency / queue submission 有自己的規則。

所以：

\boxed{ RenderWorkParallel \neq ArbitraryRenderSubmitOrder. }

74. Acceleration Promotion Gate（APG）

正式 promotion 要經：

\boxed{ APG = Correctness \land Performance \land Stability \land Fallback. }

75. Correctness Gate

GEC pass。

76. Performance Gate

不只 average FPS。

至少：

frame-time p50；
p95；
p99；
main-thread time；
total CPU utilization；
wait time；
GPU utilization / queue delay；
memory。

77. 為什麼 p99 很重要？

如果：

平均：

16ms

但每幾秒：

100ms,

玩家感覺仍可能很差。

所以：

\boxed{ AverageOnly }

不足。

78. Stability Gate

至少：

multi-run variance；
no crash；
no deadlock；
no growing memory；
no error accumulation。

79. Fallback Gate

AI / optimizer 關掉：

\boxed{ OriginalRouteStillWorks. }

80. A/B Replay

相同：

Scenario.

跑：

Original

與：

Candidate.

比較：

\Delta Performance

與：

\Delta State.

81. Performance Gain

\boxed{ G_T = \frac{ T_{base}-T_{new} }{ T_{base} }. }

82. Parallel Efficiency

若使用：

p

個 compute units：

\boxed{ E_p = \frac{S_p}{p}. }

低：

E_p

表示：

overhead；
dependency；
imbalance；
contention。

83. Amdahl Bound

若不可平行比例：

s,

其餘可用：

p

單元：

S(p) \le \frac{1}{ s+\frac{1-s}{p} }.

這提醒：

\boxed{ NecessarySerialization }

永遠會限制 speedup。

84. AI 的任務是降低估計的 $s$

不是違反 Amdahl。

也就是找出：

原本被當成 serial，其實不是 necessary serial 的區域。

85. Synchronization Tax

新增 parallel region：

Gain

但同時：

SyncTax.

因此：

\boxed{ NetGain = ParallelGain - SyncTax - TransferTax - AICost. }

86. AI Tax

包括：

profiling；
inference；
trace reduction；
validation；
route switching。

如果：

AITax>Gain,

撤回。

87. Offline AI Tax 與 Runtime AI Tax

Offline：

C_{offline}

可以高，

因一次分析可長期重用。

Runtime：

C_{runtime}

必須低。

這就是為什麼：

RouteCache

很重要。

88. Learn Once, Retrieve Later

第一次：

Analyze.

穩定後：

ProfileHash \rightarrow KnownRoute.

再度呼應：

\mathsf R.

89. Source-visible 優先序

第一個真實 MVP：

\boxed{ OpenSourceLegacyStyleGame. }

比：

AAAClosedBinary

合理很多。

90. 第一 MVP 選擇標準

Windows 可跑；
source 可 build；
main loop 明確；
baseline 單／少 thread bottleneck；
deterministic test scene；
有 profiler markers 或容易加入；
不含 anti-cheat；
license 允許修改。

91. 不應第一個選 MMO / competitive game

原因：

network；
anti-cheat；
integrity；
server authority；
nondeterminism。

難度太高。

92. Source-visible MVP 模式

Mode A：

\boxed{ Advisor. }

AI 只提出候選。

93. Mode B

\boxed{ PatchGenerator. }

產生 code patch，

仍需 build/tests。

94. Mode C

\boxed{ ShadowParallel. }

新 task path 不正式 commit。

95. Mode D

\boxed{ VerifiedPromotion. }

通過 APG 才 active。

96. Trace-visible MVP

先不改程式。

只輸出：

finding:
  region:
  hotspot:
  observed_serialization:
  inferred_dependencies:
  confidence:
  candidate_strategy:
  required_evidence:

97. Binary-only MVP

只做：

\boxed{ ObservationOnly. }

Detours / ETW：

用於建立：

API timeline；
I/O；
waits；
module boundaries。

98. Binary-only 第二階段

只允許 sidecar：

preload；
decode；
cache；
indexing。

99. Binary-only Runtime Rewrite

列為：

\boxed{ ResearchOnly/HighRisk. }

不作 v0.1 的主產品路線。

100. AI 不應誤把 CPU Idle 當可平行證據

CPU idle 可能因：

GPU bound；
I/O bound；
frame cap；
sleep；
vsync；
lock；
network wait。

所以：

\boxed{ IdleCore \not\Rightarrow ParallelizableWork. }

101. AI 不應誤把 Main Thread Hotspot 當可 offload

hot function 可能：

NecessarySerial.

所以：

Hotspot \rightarrow CandidateForInvestigation,

不是：

Hotspot \rightarrow Parallelize.

102. Profiling First Principle

\boxed{ Measure \rightarrow Explain \rightarrow Transform. }

不是：

Guess \rightarrow Patch.

103. Evidence Ladder

E_0: TimingOnly

E_1: CallStack/Thread

E_2: Markers/API/Locks

E_3: Source/IR/ReadWrite

E_4: ShadowEquivalence

E_5: RepeatedBenchmark.

104. Automation Authority 依 Evidence Level

低 evidence：

AdviceOnly.

高 evidence：

AllowPromotion.

所以：

\boxed{ Authority = f(Evidence). }

105. AI Confidence 不能取代 Evidence

Confidence_{AI}=0.99

不等於：

Evidence=E_5.

106. Serialization Finding

serialization_finding:
  finding_id:
  region_id:
  evidence_level:
  observed:
    serialized_ms:
    idle_core_ms:
    waits:
  inferred:
    necessary_serial_ms:
    candidate_gap_ms:
  confidence:
  blockers:
  next_measurement:

107. $G_S$ 的估計

\hat G_S = T_{serialized} - \hat T_{necessary}.

注意：

\hat T_{necessary}

可能隨 evidence 更新。

108. Bayesian / iterative update

可以：

P(G_S\mid E_0) \rightarrow P(G_S\mid E_1) \rightarrow\cdots.

v0.1 不需真正 Bayesian model，

只需明確：

\boxed{ FindingIsRevisable. }

109. Failed Optimization 也是資料

如果：

CandidateRoute

變慢：

保留：

reason；
trace；
conflict；
overhead。

避免 AI 未來重試同錯誤。

110. Negative Optimization Memory

negative_route:
  region_hash:
  route:
  reason:
  benchmark:
  invalid_until:

111. 這可以降低 AI Token

因下次：

RetrieveFailure

而不是：

ReasonAgain.

112. AIVS Relay 如何分 subsystem

遊戲：

\Omega_{physics}

\Omega_{npc}

\Omega_{asset}

\Omega_{render}.

每個 Relay 管自己的 performance / causal profile。

113. Governor 何時介入？

只有：

cross-subsystem conflict；
route mutation；
repeated failure；
global frame budget；
energy / thermal policy。

114. Frame Budget Governance

目標：

T_{frame} \le B_f.

Governor 可以分：

B_f = B_{input} + B_{sim} + B_{render} +\cdots.

115. 這不是硬 real-time scheduler

除非：

deadline；
priority；
fallback；
bounded latency；

都有正式保證。

v0.1：

\boxed{ Advisory/SoftRealTime. }

116. Thermal / Power

如果：

GPU 已：

100\%.

把 CPU task offload GPU：

可能：

Worse.

所以：

\boxed{ ResourceState }

必須進 PRL。

117. Laptop / handheld

Policy 可能不是最高 FPS，

而是：

\boxed{ FPSPerWatt. }

所以 AI routing objective 需可改權重。

118. Performance Policy

performance_policy:
  target_frame_ms:
  max_power_w:
  max_ai_overhead_ms:
  min_state_equivalence:
  optimization_goal:
    - latency
    - smoothness
    - energy

119. Smoothness

可用：

p95/p99\ frame\ time

作 proxy。

但不宣稱單一 metric 就完整代表玩家體感。

120. AI 遊戲加速的四種產品形態

1. Developer Tool

最現實。

分析 source / profiler，

提出 patch。

121. 2. Build-time Optimizer

CI：

Build \rightarrow Profile \rightarrow AIOptimize \rightarrow Test.

122. 3. Runtime Sidecar

不改核心，

做：

prefetch；
cache；
asset work；
monitoring。

123. 4. Runtime Governor

最高難度。

動態：

route；
worker；
sync；
fallback。

這就是第六篇的長期方向。

124. 不應從第 4 類起步

工程順序：

\boxed{ DeveloperTool \rightarrow BuildTime \rightarrow Sidecar \rightarrow Governor. }

125. 與 MSSP Game Runtime 的關係

現有 MSSP Runtime 已處理：

遊戲視窗； -持續 vision；
diff/event；
bounded AI inference；
action verification；
human interrupt；
audit。

它可以作 CDI Game MVP 的：

\boxed{ ObservationAndControlReference. }

但本文不把它當 performance profiler。

ETW / PIX / VTune 才是性能 evidence plane。

126. 雙觀察面

\boxed{ VisualSemanticPlane }

來自 MSSP 類 runtime。

\boxed{ PerformanceTracePlane }

來自 ETW / PIX / profiler。

兩者結合：

「玩家看到卡頓」

與：

「哪個 subsystem 在卡」

可被對齊。

127. 這可能是 AI 特別有價值的地方

傳統 profiler 顯示：

FunctionX=8ms.

AI 還可以知道：

這 8ms 正好發生在玩家進入場景、UI 已切換、NPC 大量 spawn 的語義事件後。

這是：

\boxed{ PerformanceCausality + WorldSemantics. }

128. 但仍是相關線索，不自動等於因果證明

需要：

controlled replay；
intervention；
repeated measurement。

129. Benchmark Matrix

至少：

3

維：

visibility；
workload；
intervention level。

130. Visibility

Source / Trace / Binary.

131. Workload

CPU / GPU / IO / Mixed.

132. Intervention

Observe / Advise / Shadow / Commit.

133. 核心 Metrics

Performance

frame p50/p95/p99；
main-thread ms；
CPU utilization；
waits；
GPU delay；
memory；
I/O。

Correctness

GEC pass；
state divergence；
RNG divergence；
crash；
deadlock。

AI

Token；
calls；
latency；
escalation；
false finding。

134. False Finding

AI 說：

可 parallelize。

結果：

NoGain

或：

Incorrect.

需要分：

false safe；
false beneficial。

135. Missed Opportunity

AI 沒找到，

人工 expert 找到。

這是：

FalseNegative.

136. Baselines

至少比較：

original；
human profiler optimization；
compiler/static tools；
AI advisory；
AI + verification。

137. H1 — AI + profiler 能找到額外的 serialization candidate

要求：

Candidates_{AI+Profiler} > Candidates_{ProfilerOnly}

但這還不是成功。

138. H2 — 額外 candidate 中存在真正 beneficial region

要求至少一部分：

CorrectnessPass \land NetGain>0.

139. H3 — Source Visible 顯著優於 Trace Visible

預期：

SafePromotionRate_{L1} > SafePromotionRate_{L2}.

若沒有，source semantic access 的價值需重新評估。

140. H4 — Trace Visible 仍能提供有效 advisory

即使不改 code，

能否：

RankHotRegions

與 expert 判斷有顯著一致？

141. H5 — Opaque Binary 不適合高權限自動 parallelization

這可作 negative hypothesis：

若 binary-only 自動 rewrite 的：

correctness；
stability；
benefit；

明顯差於 source-visible，

支持本文保守邊界。

142. H6 — AIVS 可降低 profiler → AI 資訊成本

比較：

RawTraceToAI

與：

ReducedEventsToAI.

要求：

Token\downarrow

而 hotspot / anomaly recall 不顯著下降。

143. H7 — GEC 能抓到 FPS-only benchmark 漏掉的錯誤

故意產生：

FPS\uparrow

但：

RNG；
simulation；
event order；

錯誤。

GEC 必須 fail。

144. H8 — Shadow Promotion 降低錯誤 route 進入正式遊戲

比較：

direct apply vs shadow.

要求：

InvalidActiveOptimization\downarrow.

145. H9 — Sidecar 對 Opaque Binary 有實際價值

選 asset / I/O workload。

要求：

FrameTailLatency\downarrow

且 core binary 不改。

146. H10 — Serialization Gap 與 speedup 相關

估：

\hat G_S.

測實際：

G_T.

若完全無相關：

G_S

作為 routing prior 需要修正。

147. H11 — Negative Optimization Memory 降低重複探索

多輪 AI optimization：

要求：

RepeatedFailedRoutes\downarrow.

148. H12 — Route Cache 降低 Runtime AI Calls

穩定 workload：

AIcalls_{cached} < AIcalls_{reanalyze}

且 performance 不下降。

149. 主要失敗模式

把 idle core 誤認可平行；
把 hotspot 誤認可 offload；
hidden shared state；
RNG divergence；
floating-point nondeterminism；
GPU transfer tax；
synchronization tax；
profiler perturbation；
trace 太大；
binary hook 改變 timing；
anti-cheat / integrity conflict；
frame cap / VSync 誤判；
thermal throttling；
shader cache / warmup bias；
save / scene 不一致；
network nondeterminism；
AI optimization overfit benchmark scene；
average FPS 提升但 tail latency 惡化；
state equivalence 未測；
AI overhead 抵消 gain。

150. Profiler Perturbation

任何 instrumentation：

Observer

都可能改變：

ObservedSystem.

所以：

baseline；
low-overhead mode；
repeated run；
no-instrument control；

都需要。

151. Warmup

第一次：

shader compile；
asset cache；
JIT；

會造成假 hotspot。

所以：

\boxed{ WarmupSeparate. }

152. Thermal Repeatability

長跑：

Clock\downarrow

可能造成後半 slowdown。

需要記：

power；
temperature；
frequency；

若工具可用。

153. AI 語義分析也要固定版本

如果 model：

M_1\rightarrow M_2,

finding 可能變。

benchmark 需記：

model id；
prompt/schema version；
policy version。

154. 開發者工具的最小輸出

不要先產生 500 行 patch。

先：

acceleration_report:
  bottleneck:
  serialization_findings:
  candidate_regions:
  blockers:
  evidence_needed:
  expected_gain_range:
  confidence:
  safest_next_experiment:

155. 最安全的第一步是「下一個實驗」

AI 的高價值輸出可以只是：

把 NPC pathfinding 移出 main loop 做 shadow，先跑 1000 tick，檢查 navmesh version 與 RNG。

這比：

我已經幫你多核化完成。

可靠得多。

156. 從 Advisor 到 Autonomy

\boxed{ Observe \rightarrow Recommend \rightarrow Generate \rightarrow Shadow \rightarrow Promote. }

每升一階：

EvidenceRequirement\uparrow.

157. Legacy Application 不一定要是遊戲

同一方法可用：

media editor；
scientific desktop app；
CAD；
accounting app；
compression tool；
simulation；
legacy server。

但遊戲是很好的 stress test，

因為：

\boxed{ Latency + State + Interaction + CPU/GPU }

同時存在。

158. 第六篇需要的 Windows MVP 元件

本篇正式要求工程版至少有：

TraceCollector
TraceReducer
RegionSegmenter
SerializationAnalyzer
DependencyStore
GameEpochTracker
RNGPolicy
GameEquivalenceContract
BenchmarkRunner
RouteAdvisor
ShadowRunner
PromotionGate
NegativeRouteMemory

159. Windows Evidence Adapter

第一版優先：

\boxed{ ETW/WPR }

而不是自行 kernel driver。

可再接：

WPA export；
PIX capture；
VTune report。

160. Source Adapter

支援：

source map；
symbols；
function / module；
test command；
build command。

161. Binary Adapter

只：

modules；
exported APIs；
ETW；
optional Detours observer。

v0.1 不做 arbitrary binary optimizer。

162. Game Adapter

最低：

game_adapter:
  process:
  window:
  frame_marker:
  sim_tick_marker:
  state_probe:
  rng_probe:
  benchmark_scenario:

163. 如果遊戲無 state probe？

第一階段：

PerformanceOnlyAdvisory.

不能 promotion 到 high-risk runtime modification。

164. 如果沒有 deterministic replay？

可用：

scripted input；
repeated scenario；
statistical equivalence。

但 evidence level 下降。

165. 如果連 scripted input 都沒有？

只能：

Observation.

不能宣稱 correctness。

166. 這是整條研究線的重要方法論

\boxed{ Capability \le Evidence. }

AI 能做多少，

不能超過我們能驗證多少。

167. 與 CDI 的總整合

Legacy / Game：

\boxed{ Trace/Source \rightarrow CausalComputeGraph \rightarrow ParadigmProfile \rightarrow RouteCandidate \rightarrow AIVS \rightarrow Shadow \rightarrow GEC \rightarrow Commit. }

168. 統籌 AI 的角色

Governor 不負責：

每個 CPU instruction；
每個 frame 全畫面；
每個 trace event。

而負責：

bottleneck hypothesis；
cross-flow routing；
conflict；
promotion；
fallback。

169. Relay AI 的角色

Relay 負責：

subsystem trace；
local anomaly；
stale result；
performance regression；
evidence reduction。

170. Non-AI 的角色

仍然最大：

scheduler；
compiler；
profiler；
ETW；
test；
hash；
state comparison；
GPU driver。

所以：

\boxed{ AI }

是控制層，

不是取代整個 software stack。

171. 「AI 加速」的更準確定義

本文最後定義：

\boxed{ AIAcceleration }

不是：

AI 自己算得比較快。

而是：

AI 的介入使同一目標在可接受正確性與資源約束下，以更低時間／成本／功耗完成。

172. Speedup 可以來自很多地方

parallelization；
offload；
prefetch；
caching；
reduced waiting；
better scheduling；
avoided recomputation；
recognition/retrieval；
speculative preparation。

因此：

\boxed{ Acceleration \neq ParallelizationOnly. }

173. 最後回到原始問題

「一個原本沒有很好利用多核的遊戲，AI 能不能介入後加速？」

本文的受限答案是：

\boxed{ Possibly, }

但前提不是：

AI 有智能，所以能破解單核限制。

而是：

能觀察真實瓶頸；
找到非必要的實作串行；
取得足夠 dependency evidence；
建立候選新 route；
shadow 驗證；
GEC 確認沒有破壞遊戲語義；
performance 確認 Net Gain > 0；
可安全 fallback。

174. 何時答案是 No？

如果：

G_S\approx0,

也就是：

ImplementationSerialization \approx NecessarySerialization,

那 AI 不能創造不存在的 parallelism。

最多：

更快硬體；
algorithm improvement；
cache；
approximation；
redesign。

175. 何時最有機會？

如果：

G_S\gg0

且：

region large；
dependency sparse；
state partitionable；
effect delayable；
transfer cost low；

則：

\boxed{ CDIAccelerationPotential\uparrow. }

176. 結論

AI 對 legacy application 與遊戲最有價值的問題，不是：

「能不能把單核變多核？」

而是：

\boxed{ \text{現有的串行，到底有多少是真的必須串行？} }

這將問題從硬體神話拉回：

\boxed{ Dependency + State + Effect + Evidence. }

本文因此提出：

\boxed{ SerializationGap = ImplementationSerialization - NecessarySerialization. }

AI 的第一任務是估計這個 gap；

第二任務才是：

GenerateCandidate.

第三任務不是直接部署，

而是：

\boxed{ Shadow \rightarrow Equivalence \rightarrow Benchmark \rightarrow Promotion. }

對有 source 的程式，AI 可以逐步升級到 refactor / task graph / offload；對只有 trace 的程式，應以 advisory 與 sidecar 為主；對 opaque binary，則必須更保守：

\boxed{ CanObserve \neq CanRewriteSafely. }

對遊戲，FPS 也不是唯一真相。任何加速都必須在：

\boxed{ GameEquivalenceContract }

下證明 simulation、RNG、physics、event ordering 與可恢復性仍在接受範圍。

因此本系列到第五篇形成完整閉環：

\boxed{ SemanticControl \rightarrow AdaptiveObservation \rightarrow VerifiedCommit \rightarrow ParadigmRouting \rightarrow Legacy/GameBenchmark. }

下一篇將不再擴張概念，而是把上述五篇收斂成：

《CDI Runtime + AIVS》

AI 治理多 X 計算的工程架構、協議與 MVP

並給出 Windows-first、source-visible-first、observer-first 的可直接實作版本。

參考資料

內部研究線

Neo.K / Aletheia. 《AI 不必替代計算：從傳統執行平面到語義—因果控制平面》，v0.1，2026。
Neo.K / Aletheia. 《AI 垂直同步：分層中繼、認知比例性與低成本因果一致》，v0.1，2026。
Neo.K / Aletheia. 《候選不是提交：多 X 計算中的因果校正、錯位檢測與可恢復執行》，v0.1，2026。
Neo.K / Aletheia. 《從 24／72 計算範式到 Runtime 路由：AI 如何選擇、組合與切換計算形態》，v0.1，2026。
Neo.K / Aletheia. 《Adaptive Cognitive Runtime（ACR）工程白皮書》，v0.1，2026。
EveMissLab. MSSP Game Computer Runtime, v0.8.0，2026。

2026-08-10 重新查閱之公開 Primary Sources

Microsoft. Event Tracing for Windows (ETW) / Event Tracing Tools, Microsoft Learn。
Microsoft. Windows Performance Recorder (WPR) / Windows Performance Analyzer (WPA), Microsoft Learn。
Microsoft. PIX Timing Captures — Analyze CPU and GPU, Microsoft Learn。
Microsoft. Concurrency Visualizer, Visual Studio documentation。
Intel. VTune Profiler 2026 — Hotspots Analysis / Threading Analysis / User Guide。
Microsoft Research. Detours, official GitHub repository and technical wiki。

版本紀錄

v0.1 / 2026-08-10：建立 Serialization Gap、L1/L2/L3 visibility、Legacy Acceleration Pipeline、五類 acceleration channel、Game Equivalence Contract、Acceleration Promotion Gate、Epoch Vector、Windows evidence plane、Source/Trace/Binary adapters、12 組可反駁假說與第 6 篇工程元件需求。

05_舊應用與遊戲的AI加速_從實作串行化到必要串行化_v0.1