title: 分散式 AI 原生渲染：Local World、Cloud Intelligence 與 Temporal Reconstruction
english_title: Distributed AI-Native Rendering: Local World, Cloud Intelligence, and Temporal Reconstruction
series: Observer-Sovereign Rendering（OSR）
paper_id: OSR-06
author: Neo.K
ai_collaboration: GPT-5.6 Sol
institution: EveMissLab／一言諾科技有限公司
version: v0.1
date: 2026-09-18
language: zh-TW
document_type: 理論論文／distributed neural rendering／cloud-assisted graphics／temporal reconstruction
status: 初版完成

分散式 AI 原生渲染

Local World、Cloud Intelligence 與 Temporal Reconstruction

Distributed AI-Native Rendering

Local World, Cloud Intelligence, and Temporal Reconstruction

論文編號： OSR-06
系列： Observer-Sovereign Rendering（OSR）／觀察者主權渲染
作者： Neo.K
AI 協作： GPT-5.6 Sol
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026 年 9 月 18 日

摘要

OSR-01 至 OSR-05 已建立觀察者條件化顯現、Observation Probe、Perceptual Rendering Compiler（PRC）、Heterogeneous Rendering Field（HRF）、APR-governed adaptive rendering，以及 world truth / manifestation truth 的真值防火牆。本篇處理今日最直接的工程命題：

如果本地 GPU 的生成／神經渲染能力不足，可否把高容量 AI 放到雲端，卻仍讓遊戲世界、互動、低延遲顯示與真值權威留在本地？

本文提出 Distributed AI-Native Rendering（DAINR）架構。與傳統 cloud gaming 將整個遊戲與 renderer 搬到遠端、再串流最終影片不同，DAINR 將系統拆成三個主要平面：

\boxed{ \text{Local Canonical World} + \text{Cloud Intelligence Plane} + \text{Local Temporal Reconstruction} }

本地端持有 canonical world state、simulation、input loop、base renderer、authoritative geometry / motion / identity、APR controller、truth firewall、temporal cache 與 final compositor；雲端只接收經 export policy 篩選後的最小必要 carrier，執行 selected neural / multimodal appearance computation，再回傳 pixel anchor、residual、latent、material / lighting field 或其他非 canonical manifestation carrier。本地端驗證其 world revision、camera state、identity、structure、freshness 與 provenance 後，才允許 projection commit。

本文核心關係不是：

\text{60 FPS display} = \text{60 cloud generations/s},

而是：

\boxed{ f_{\mathrm{cloud}} \ll f_{\mathrm{display}}. }

雲端只在高價值區域、關鍵事件、場景切換或 APR 判斷有足夠 Rendering Value of Information（RVOI）時產生高階 appearance anchor。本地端則以 motion vectors、depth、world transforms、temporal history、local neural reconstruction 與 conventional rendering，把低頻 cloud intelligence 展開成高頻顯示。

本文正式區分兩種 cloud realization。第一種是現行 general-purpose multimodal / image-generation service，可用於低頻 anchor、研究驗證與 ROI enhancement，但通常不應被放入毫秒級 blocking critical path。第二種是未來或專用的 cloud neural-render service，其 transport、模型、carrier、streaming 與 inference path 專門為 interactive graphics 最佳化。此分界避免將「現有雲端 AI 可以產生高品質圖像」錯誤等同於「現有一般 API 已適合每幀即時遊戲渲染」。

2026 年的技術進展支持本架構的多個子命題。NVIDIA DLSS 5 已將 3D-guided generative neural rendering 放在 final rendering stage，使用 engine frame、motion vectors、temporal state 與 scene attributes 保持結構、確定性與時序穩定；TRON 則使用 ray-traced PBR / irradiance condition 驅動 single-step neural renderer，在互動速度下維持 geometry、material、lighting control。雲端側，GeForce NOW 已證明高品質遊戲畫面可透過全球資料中心以低延遲串流，官方曾公布支援 1080p 360 FPS 且 click-to-pixel 可低至約 30 ms、許多支援區域 network latency 可低於 30 ms；CloudXR 文件則明確將 end-to-end latency、jitter 與 reprojection 視為關鍵診斷量。QuadStream 等研究也說明：完全影片串流與完全 client rendering 之間存在「傳送可重投影 scene representation、本地即時生成鄰近視點」的中間架構空間。

本文進一步提出 Anchor Packet、Carrier Contract、Revision Binding、Late-Result Rejection、Temporal Reconstruction Window、Disocclusion Escalation、Cloud Value Gate、Speculative Anchor、ROI Export、Latent Return、Provider Fallback、Privacy Boundary、Bandwidth / Cost Model、Local Base Invariant 與 3070 Constrained Baseline Experiment。

本篇的核心命題是：

\boxed{ \text{Cloud intelligence should extend local rendering authority, not replace local world authority.} }

以及：

\boxed{ \text{Interactive neural rendering does not require remote intelligence to run at display frequency if local temporal reconstruction can preserve structure between sparse cloud anchors.} }

下一篇 OSR-07 將以品質、結構、時間一致性、延遲、雲端成本、重算率、truth violation 與 user-visible quality 建立完整可反證 benchmark。

關鍵詞： Distributed Rendering、Cloud Neural Rendering、Temporal Reconstruction、APR、DLSS 5、TRON、Cloud Gaming、Reprojection、Latent Rendering、RTX 3070、Observer-Sovereign Rendering

0. 本篇的位置

OSR-01：

\text{what must become manifest?}

OSR-02：

\text{how is it compiled?}

OSR-03：

\text{which renderer should realize it?}

OSR-04：

\text{when should it be recomputed?}

OSR-05：

\text{what may the result claim to be?}

OSR-06：

\boxed{ \text{where should the expensive intelligence run?} }

這裡的：

\text{where}

不只是：

CPU/GPU.

而是：

\boxed{ \text{Local} \leftrightarrow \text{Cloud}. }

1. 傳統 Cloud Gaming 與本篇不同

傳統 cloud gaming 的簡化形式：

Input_{client} \rightarrow \text{CloudGame} \rightarrow \text{CloudRenderer} \rightarrow \text{EncodedVideo} \rightarrow \text{ClientDisplay}.

世界模擬與 rendering 主要都在 cloud。

client 主要負責：

input；
decoding；
display；
latency compensation。

本篇研究：

\boxed{ \text{LocalGame} + \text{RemoteIntelligence}. }

亦即：

\text{LocalWorld} \rightarrow \text{CloudSelectedComputation} \rightarrow \text{LocalComposition}.

2. 為什麼不直接 Cloud Gaming

如果目的只是：

讓弱 GPU 玩高畫質遊戲。

Cloud gaming 已經是成熟方向。

但 OSR 的研究問題不同：

world state 是否可留本地；
simulation 是否可留本地；
mod / local assets 是否不需全部上傳；
是否只租用 AI appearance intelligence；
是否讓 cloud inference frequency 遠低於 display frequency；
是否讓不同 regions 各自決定 local / cloud；
是否保留本地 fallback；
是否讓 cloud output 永遠不取得 world authority。

所以：

\boxed{ DAINR \neq \text{CloudGaming}. }

3. 三平面架構

本文提出：

\boxed{ \mathcal D = ( L, C, T ). }

其中：

$L$ ：Local Canonical Plane；
$C$ ：Cloud Intelligence Plane；
$T$ ：Local Temporal Reconstruction Plane。

4. Local Canonical Plane

本地端至少持有：

L_t = ( W_t, Sim_t, Input_t, B_t^{base}, M_t, APR_t, PRC_t, Truth_t, Cache_t ).

其中：

$W_t$ ：canonical world；
$Sim_t$ ：simulation；
$Input_t$ ：input loop；
$B_t^{base}$ ：base rendering buffers；
$M_t$ ：motion / transform state；
$APR_t$ ：APR controller；
$PRC_t$ ：Perceptual Rendering Compiler；
$Truth_t$ ：truth firewall；
$Cache_t$ ：temporal / neural cache。

5. 本地世界權威

本篇第一條 invariant：

\boxed{ Authority(W_t) = \text{LocalCanonical}. }

第一代 MVP 不讓 cloud 持有：

\text{WorldWriteAuthority}.

Cloud 只輸出：

\text{ProjectionCandidate}.

6. 本地 Base Renderer

定義：

R_{base}.

要求：

\boxed{ \text{CloudUnavailable} \Rightarrow R_{base}\text{ still produces a valid minimum manifestation.} }

這是 OSR-06 最重要的 reliability invariant。

7. Base Renderer 不必漂亮

它只需滿足：

\text{MinimumManifestation}.

可以是：

raster；
PBR；
low ray budget；
lower resolution；
lower material complexity。

Cloud enhancement 負責：

\text{PreferredAppearance}.

8. Cloud Intelligence Plane

雲端：

C_t = ( Model_t, Context_t, Inference_t, Provider_t, Return_t ).

它可以提供：

neural appearance；
material enhancement；
relighting；
semantic detail；
high-capacity reconstruction；
latent anchor；
object-local enhancement。

9. Cloud 不需要知道完整世界

本篇原則：

\boxed{ \text{Minimum Necessary Export}. }

不是：

Upload(W_t).

而是：

X_t^{cloud} = Extract( W_t, \Omega, \text{Contract}, \text{ExportPolicy} ).

10. Export Package

定義：

\boxed{ X_t = ( R_t, G_t, D_t, N_t, V_t, M_t, S_t, H_t, C_t, P_t ). }

可能包含：

$R_t$ ：rough / base RGB；
$G_t$ ：geometry proxy；
$D_t$ ：depth；
$N_t$ ：normal；
$V_t$ ：motion vector；
$M_t$ ：material carrier；
$S_t$ ：semantic mask / class；
$H_t$ ：temporal history subset；
$C_t$ ：artistic / observer controls；
$P_t$ ：provenance / preservation contract。

實際 backend 不必需要全部。

11. Minimum Carrier Selection

Compiler 求：

\boxed{ X_t^* = \arg\min_X Size(X) }

subject to：

Quality(X)\ge\tau_Q,

Structure(X)\ge\tau_S,

Privacy(X)=\text{PASS}.

12. ROI Export

若只需要角色臉：

\Omega=\Omega_{face}.

不應傳整幀：

Frame_{4K}.

而是：

\text{Crop} + \text{Depth} + \text{Motion} + \text{Mask} + \text{Context}.

所以：

\boxed{ \text{CloudScope} \subseteq \text{DisplayScope}. }

通常成立。

13. Context Halo

純 crop 可能不足。

因此定義：

\Omega_{export} = \Omega_{target} \oplus Halo(r).

Halo 提供：

lighting context；
local geometry；
nearby color；
motion boundary。

但：

r

應受 privacy / bandwidth budget 約束。

14. Semantic-Minimal Export

某些 cloud task 不需要 raw pixel。

例如：

\text{MaterialEnhancement}

可以只傳：

material class；
normal；
lighting；
latent。

如果可行：

PixelExport=0.

這可能更省頻寬，也更保護內容。

15. Cloud Return Classes

Cloud 不必永遠回 RGB。

定義：

Y_t \in \{ I_t^{anchor}, \Delta I_t, Z_t, L_t, M_t', S_t' \}.

其中：

$I_t^{anchor}$ ：完整／局部 pixel anchor；
$\Delta I_t$ ：appearance residual；
$Z_t$ ：latent carrier；
$L_t$ ：lighting field；
$M_t'$ ：material representation；
$S_t'$ ：semantic enhancement。

16. Pixel Anchor

最直觀：

Y_t = I_t^{anchor}.

優點：

容易 prototype；
不需 shared decoder。

缺點：

bandwidth 高；
temporal reuse 困難；
local editability 低。

17. Residual Return

Cloud 回：

\Delta I_t = I_t^{cloud} - I_t^{base}.

本地：

I_t = I_t^{base} + \Delta I_t.

優點：

強調 enhancement；
base fallback 自然存在。

18. Latent Return

Cloud 回：

Z_t.

本地：

I_t = D_{local}( Z_t, G_t, D_t, V_t ).

可能降低：

\text{Bandwidth}.

但需要：

shared decoder；
version binding；
latent compatibility；
local compute。

19. Material / Lighting Return

更進一步：

Y_t = ( \text{MaterialLatent}, \text{LightingLatent} ).

本地仍負責 final shading / decode。

這最接近：

cloud 理解世界應該「長什麼樣」， local GPU 負責高速展開。

20. 第一代 Prototype 不應先做 Latent

雖然 latent architecture 很漂亮，

MVP 第一版應優先：

\boxed{ PixelAnchor/Residual. }

因為最容易驗證：

quality；
latency；
cost；
temporal consistency。

等 proof-of-concept 成立，再做 latent。

21. General Cloud Model 與 Dedicated Neural Renderer

本文正式分成：

C_{general}

與：

C_{render}.

22. General Cloud Model

例如 general multimodal / image generation service。

其優點：

可立即實驗；
visual prior 強；
不需訓練專用 model。

缺點通常包括：

latency 高；
nondeterministic；
API rate limit；
non-streaming；
cost；
weak temporal contract。

所以：

\boxed{ C_{general} }

適合：

anchor；
scene transition；
ROI enhancement；
offline benchmark；
appearance experiment。

23. Dedicated Cloud Neural Renderer

C_{render}.

其理想特性：

persistent session；
engine carrier input；
low-step / single-step inference；
low jitter；
region API；
latent API；
temporal state；
deterministic mode；
bounded latency；
streaming transport。

這才可能進入：

\text{interactive critical path}.

24. 不把當代 API 能力當理論前提

OSR-06 的成立條件不是：

2026 一般 API 已經能每 16 ms 回一張 4K 圖。

不需要。

本篇只要求：

\boxed{ \exists\ \text{remote high-capacity appearance computation} }

而其更新頻率可以低於 display frequency。

25. Display Frequency 與 Intelligence Frequency 分離

核心：

\boxed{ f_C \ll f_D. }

其中：

$f_C$ ：cloud intelligence update frequency；
$f_D$ ：display frequency。

例如：

f_D=60\text{--}144Hz,

而：

f_C=0.2\text{--}10Hz

在不同 backend / task 下皆可能成立。

這些數字是 architecture examples，不是普遍保證。

26. Anchor

定義 cloud anchor：

A_k = ( Y_{t_k}, WorldRevision_{t_k}, Camera_{t_k}, Contract_{t_k} ).

anchor 只對特定：

world revision；
camera neighborhood；
object state；
truth contract；

有效。

27. Anchor Interval

\Delta t_A = t_{k+1}-t_k.

APR 動態決定：

\Delta t_A.

穩定場景：

\Delta t_A\uparrow.

高動態：

\Delta t_A\downarrow.

28. Anchor 不是 Frame

Cloud anchor 可以服務：

n>1

個 display frames。

因此：

\boxed{ 1\ CloudAnchor \rightarrow \text{ManyLocalFrames}. }

29. Local Temporal Reconstruction Plane

本地：

T_t = ( \text{Depth}, \text{Motion}, \text{Transforms}, \text{History}, \text{Anchor}, \text{LocalModel} ).

輸出：

F_t.

30. 最小 Temporal Reconstruction

最簡：

F_{t+1} = Warp( A_k, D_t, V_t, Camera_t ).

再與：

R_{base}(W_{t+1})

融合。

31. Base-Guided Reconstruction

比較安全：

\boxed{ F_t = Blend( B_t^{base}, Warp(A_k), Confidence_t ). }

如果 warp confidence 低：

B_t^{base}

權重提高。

32. Local Neural Reconstruction

可加入：

R_{localN}.

輸入：

base；
warped anchor；
motion；
depth；
history。

輸出：

F_t^{refined}.

這是 3070 可以負責的較小工作。

33. 3070 的角色

RTX 3070 不需要跑大型 cloud model。

它可以負責：

base raster；
limited ray；
motion vector；
depth；
temporal warp；
lightweight neural；
final composition；
verification。

所以：

\boxed{ 3070 = Thin-but-Authoritative Renderer. }

34. 為什麼舊 GPU 反而適合作研究條件

如果本地 GPU 太強，

cloud augmentation 的必要性下降。

3070 可以刻意形成：

B_{local}<B_{desired}.

測試：

\boxed{ \text{LocalConstrained} + \text{CloudSparseIntelligence} }

是否產生更高 utility-per-cost。

35. Camera Motion

Anchor 只在有限 view neighborhood 有效。

定義：

d_C( Camera_t, Camera_{anchor} ).

若：

d_C<\tau_C,

可 warp / reconstruct。

若：

d_C\ge\tau_C,

trigger new anchor。

36. Object Motion

對 object $o$ ：

T_o(t)

為 transform。

如果：

\Delta T_o

過大，

object-local anchor 失效。

37. World Revision Binding

每個 cloud request 綁：

\boxed{ \text{WorldRevision}. }

response 回來時：

revision_{response} \stackrel{?}{=} revision_{compatible}.

若已過期：

Reject/LateCache.

38. Late Result Rejection

雲端最大問題之一：

回來時世界已經變了。

所以：

\boxed{ \text{Late} \neq \text{Useful}. }

如果：

WorldRevision_t - WorldRevision_{request} > \tau_R,

response 不進 visible commit。

39. Late Result 不一定完全丟棄

如果 output 是：

material latent；
static background；
asset-local knowledge；

仍可進：

\text{FutureCache}.

所以：

LateVisible=0

不一定：

ReuseValue=0.

40. Camera Cut

如果：

CameraCut=1,

temporal history 通常：

\text{Invalidate}.

此時：

\text{BaseRenderer}

先接管。

Cloud anchor 可 asynchronous rebuild。

41. Teleport / Scene Transition

同理：

FullRefreshGate=1.

不要試圖 warp 舊 anchor。

42. Disocclusion

temporal reconstruction 最難問題之一：

\text{PreviouslyHidden} \rightarrow \text{Visible}.

舊 anchor 沒有該 pixel。

因此：

\text{DisocclusionMask}.

43. Disocclusion Policy

對 disoccluded region：

local base fill；
local neural refine；
APR 評估是否值得 cloud refresh；
不可用舊 anchor hallucinate canonical structure。

44. Multi-Layer History

可保留多層 history：

H_t^{(1)}, H_t^{(2)}, \ldots.

先前被遮蔽 content 可能在後續重新可用。

這與 multi-layer temporal reuse 的研究方向一致。

45. Temporal Confidence Field

定義：

C_T(x,t) \in [0,1].

由：

motion confidence；
depth confidence；
disocclusion；
age；
world delta；
identity；

決定。

46. Composition Weight

F_t(x) = C_T(x,t)A_t^{warp}(x) + ( 1-C_T(x,t) ) B_t^{base}(x).

只是第一代形式。

實際可由 learned compositor 取代。

47. Temporal Drift

即使每一幀看起來合理，

長時間 warp 可能：

Drift\uparrow.

所以 anchor 必須定期刷新。

48. Drift Trigger

定義：

D_t = D( F_t, Reference_t ).

若：

D_t>\tau_D,

APR trigger：

\text{NewAnchor}.

Reference 可以是：

base structural；
local verifier；
occasional fresh cloud；
ray reference。

49. Cloud Value Gate

不是所有 scope 都上雲。

定義：

\boxed{ CVG(x) = RVOI_{cloud}(x) - C_{cloud}(x) - TR_{cloud}(x). }

若：

CVG(x)>0,

才成為候選。

50. Cloud Cost

C_{cloud} = C_{api} + C_{network} + C_{latency} + C_{serialization} + C_{verification} + C_{failure}.

不能只看 API 美元。

51. Cloud Risk

TR_{cloud}

包含：

truth risk；
privacy；
nondeterminism；
provider drift；
unavailable revision；
outage；
jitter。

52. Cloud Benefit

B_{cloud} = \Delta Quality + \Delta TaskUtility + \Delta Appearance.

Cloud selection：

B_{cloud} > C_{cloud}+TR_{cloud}.

53. Speculative Anchor

如果 APR 預測：

P(Need(x,t+\Delta))>p_s,

可提前 request。

例如：

玩家朝新房間移動；
cutscene 即將開始；
NPC 對話將進 close-up。

54. Speculative Waste

若預測錯：

C_{waste}.

所以：

B^{spec}

必須有限。

55. Prefetch Window

定義：

T_{prefetch}.

如果預測事件距離：

\Delta t

大於 cloud latency p95，

可以提前送出。

56. Cloud Latency Distribution

不是只看平均：

L_{mean}.

應看：

P50, P95, P99.

因為 jitter 直接影響 temporal system。

57. GeForce NOW 的外部意義

GeForce NOW 已展示 cloud rendering 在良好網路條件下可以進入低延遲互動域；NVIDIA 曾公布 Blackwell GeForce NOW 支援 1080p 360 FPS、click-to-pixel 最低約 30 ms，且許多支援區域 network latency 可低於 30 ms。

這不能直接證明 general AI image API 也有相同 latency。

它只證明：

\boxed{ \text{low-latency remote graphics transport is physically and operationally achievable under controlled infrastructure}. }

58. CloudXR 的外部意義

CloudXR 文件將：

end-to-end latency；
upload；
receive；
dejitter buffer；
display submission；
p90/p95/p99 jitter；

列為主要診斷量。

因此 OSR-06 把：

\text{Jitter}

視為一等資源狀態，而不是只看 bandwidth。

59. QuadStream 的外部意義

QuadStream 指出 cloud rendering 架構並非只有：

\text{VideoStreaming}

與：

\text{FullClientRendering}

兩極。

它透過傳送近似 scene representation，讓 client 可在本地生成 nearby novel views，以降低 motion-to-photon latency 並處理 disocclusion。

其 OSR 意義：

\boxed{ \text{remote rendering can transmit reusable representation rather than final video only}. }

這正支持 latent / anchor / carrier architecture。

60. Bandwidth Model

若 pixel anchor：

B_{pix} = \text{Resolution} \times \text{Channels} \times \text{Bytes} \times f_C.

壓縮後：

B_{codec}.

Latent：

B_{latent} = |Z| \times f_C.

ROI：

B_{ROI} \ll B_{full}

在適當場景成立。

61. 不追求固定格式

Carrier format 應由 backend capability negotiation 決定。

例如：

\text{pixel}

\text{latent}

\text{material}

\text{residual}.

OSR core 不固定。

62. Carrier Version

每個 carrier：

\text{CarrierVersion}.

Local decoder / compositor 必須確認相容。

63. Model–Decoder Binding

若 cloud model：

M_v

回 latent，

本地 decoder：

D_v

必須相容。

所以：

\boxed{ \text{LatentContract} = (ModelRevision,DecoderRevision,CarrierSchema). }

64. Model Update

Provider 更新 model：

M_v\rightarrow M_{v+1}.

若 latent schema 變：

Compile/Rebind.

不能 silent reuse 舊 decoder。

65. Pixel Return 相對穩健

因為：

PNG/RGB

contract 較穩。

所以第一代 external cloud prototype 應以 pixel / residual 為主。

66. Privacy Boundary

OSR-05 已有 export authority。

本篇增加：

\boxed{ ExportMask_t(x). }

只有：

ExportMask=ALLOW

的 region 才可上雲。

67. Sensitive Region

例如：

unreleased asset；
chat message；
personal info；
secret UI；
local file；
face；
account identifier。

可以：

ExportMask=DENY.

68. Redaction

若 cloud 只需要 lighting context，

可以對 sensitive content：

\text{Redact}.

傳：

depth；
mask；
anonymous material；
low-detail proxy。

69. Semantic Leakage

即使不傳 RGB，

semantic labels 也可能敏感。

所以 privacy 不只是：

\text{PixelPrivacy}.

還包括：

\text{SemanticPrivacy}.

70. Export Receipt

每次 cloud call 記：

scope；
carrier classes；
byte count；
provider；
model；
source revision；
privacy policy revision；
request hash。

不保存 secret token。

71. Provider Failure

若：

\text{Timeout}, 5xx, \text{Quota}, \text{NetworkDown}, \text{InvalidOutput}, \text{VerificationFail},

則：

\text{Fallback}.

72. No Automatic World Retry

Cloud retry 可能造成：

duplicate cost；
late output；
state mismatch。

所以 first MVP 可以：

Retry=0

預設。

再由 APR 決定是否重新發 request。

73. Request Identity

每個 cloud request：

RID = Hash( \text{WorldRevision}, \text{Scope}, \text{Camera}, \text{Contract}, \text{BackendRevision} ).

避免同一 request 重複 commit。

74. Idempotent Commit

同一：

RID

只能 commit 一次。

Late duplicate：

\text{Ignore}.

75. Provider A/B

OSR-06 可支援：

Provider_A, Provider_B.

但不要在 critical frame 同時雙 call，除非 benchmark。

APR 根據：

latency；
quality；
price；
availability；

選擇。

76. Provider Neutrality

PRC 只看到：

\text{CapabilityDescriptor}.

不是 provider brand。

所以：

\boxed{ \text{CloudPlane} \perp \text{VendorIdentity}. }

77. Cloud Result Verification

至少：

V_{struct}, V_{identity}, V_{temporal}, V_{truth}.

高價值 region 才需要全部。

78. Local Structural Verifier

因為 canonical geometry 在本地，

最適合由本地驗證：

silhouette；
object count；
pose；
ID；
depth relation。

不需要再問 cloud：

你有沒有畫對？

79. Cloud Self-Verification 不足

同一 model 說：

我畫對了。

不構成獨立 verification。

所以：

\boxed{ \text{Generator} \neq \text{IndependentVerifier} }

是 preferred architecture。

80. Final Compositor

所有 output 最後：

Compositor( \text{Base}, \text{Cloud}, \text{LocalNeural}, \text{Semantic}, UI ).

Compositor 仍由 local control。

81. Commit Priority

順序可以：

mandatory safety；
base world；
verified local enhancement；
verified cloud enhancement；
optional decorative late result。

82. Late Upgrade

Cloud output 回來晚，

但仍在相容 window：

\text{LateUpgrade}.

可以：

blend in；
next frame；
next shot；
cache only。

83. 不允許整幀突變

若 cloud output 與 base 差異：

D>\tau_{pop},

使用：

blend；
masked transition；
next scene cut；
reject。

84. Local Temporal Window

定義：

H_t = \{ F_{t-k},\ldots,F_t \}.

history 長度：

k

由：

VRAM；
motion；
backend；
drift；

決定。

85. Short History vs Long History

short：

latency 低；
memory 低。

long：

temporal context 多；
VRAM 高；
stale risk 高。

APR 選：

h_t.

86. Cloud Statefulness

Cloud backend 也可以有 session state：

S_C.

例如保存：

scene appearance；
object latent；
material identity。

但：

S_C

不是 canonical world。

87. Cloud Session Loss

若 session 掛掉，

local world 完整。

只失去：

\text{appearance acceleration}.

所以：

\boxed{ \text{CloudStateLoss} \not\Rightarrow \text{WorldStateLoss}. }

88. Cloud Cache

可以 cache：

AssetAppearance(asset,condition).

例如角色皮膚、特定材質。

如果 camera / lighting 接近：

\text{ReuseCloudAsset}.

89. Cross-Scene Reuse

某些 material latent 可跨 scene。

但必須綁：

asset version；
material version；
model revision。

90. Cost Amortization

一次 cloud inference：

C_A.

若可供：

N

幀／多視角 reuse，

平均成本：

\bar C = \frac{C_A}{N}.

這是 DAINR 成本優勢關鍵之一。

91. Anchor Value

定義：

AV(A_k) = \frac{ UtilityOverLifetime(A_k) }{ Cost(A_k) }.

APR 應追求高：

AV.

而非多 cloud call。

92. Cloud Call Efficiency

OSR-04 已有：

CCE.

本篇具體化：

\boxed{ CCE = \frac{ \text{CommittedUsefulCloudAnchors} }{ \text{AllCloudRequests} }. }

93. Anchor Lifetime

T_A = t_{invalid}-t_{commit}.

理想：

T_A\uparrow

而不是 cloud request frequency ↑。

94. Local Reconstruction Ratio

定義：

\boxed{ LRR = \frac{ \text{DisplayFramesProducedWithoutFreshCloudInference} }{ \text{DisplayFrames} }. }

DAINR 應有高：

LRR.

95. Cloud Dependency Ratio

CDR = \frac{ \text{FramesWhoseMinimumManifestationRequiresCloud} }{ \text{Frames} }.

第一代 OSR 目標：

\boxed{ CDR\approx0. }

cloud 用於 preferred enhancement。

96. First-Mile / Last-Mile Thinking

傳統 cloud gaming：

\text{Cloud} \rightarrow \text{FinalVideo}.

DAINR：

\text{Local} \rightarrow \text{MeaningfulCarrier} \rightarrow \text{CloudIntelligence} \rightarrow \text{ReusableCarrier} \rightarrow \text{LocalDisplay}.

這是雙向中間表示交換。

97. Cloud Intelligence as Remote Operator

可以抽象：

\boxed{ \mathcal N_C: K_{local} \rightarrow K_{appearance}. }

它不是遠端 framebuffer。

而是遠端 appearance operator。

98. Distributed Rendering Algebra

整體：

F_t = R_L( W_t ) \oplus T_L( \mathcal N_C( X_{t_k} ), H_t, W_t ).

其中：

$R_L$ ：local baseline；
$\mathcal N_C$ ：cloud intelligence；
$T_L$ ：local temporal reconstruction；
$\oplus$ ：governed composition。

99. APR 決定何時呼叫 Cloud

\text{CallCloud}(x) = 1

當：

RVOI_{cloud} > C_{cloud} + TR_{cloud}

且：

\text{ExportAllowed}=1.

100. APR 決定 Cloud Depth

Cloud 也不是只有：

ON/OFF.

可以：

d_C \in \{ \text{low}, \text{medium}, \text{high} \}.

例如：

512 ROI；
1K ROI；
full-frame anchor；
latent only。

101. APR 決定 Cloud Frequency

\nu_C(x) = f( \text{motion}, \text{risk}, \text{goal}, \text{drift}, \text{cost}, \text{latency} ).

這就是：

\boxed{ \text{Cloud Intelligence Budgeting.} }

102. 3070 Baseline Experiment

第一代硬體：

RTX3070.

目標不是：

證明 3070 變成 RTX 5090。

而是：

\boxed{ \text{Can sparse cloud intelligence increase visual utility beyond the local 3070 rendering budget?} }

103. Baseline A

A= \text{LocalRaster}.

量：

FPS；
quality；
GPU time。

104. Baseline B

B= \text{LocalRaster} + \text{LocalNeural}.

105. Baseline C

C= \text{NaiveCloud}.

例如每個 keyframe 都完整 cloud。

預期：

quality 高；
latency / cost 差。

這是正確失敗 baseline。

106. System D

D= APR + \text{ROICloudAnchor} + \text{LocalTemporal}.

107. System E

E= APR + \text{CloudResidual/Latent} + \text{LocalTemporal} + \text{TruthVerification}.

後期版本。

108. 第一個場景

靜態房間 + 角色。

測：

face cloud enhancement；
background reuse；
camera orbit；
lighting change。

109. 第二個場景

高速角色移動。

測：

motion；
anchor invalidation；
local fallback。

110. 第三個場景

camera cut / teleport。

測：

\text{FullRefresh}.

111. 第四個場景

network jitter / outage。

測：

\text{CloudFailure} \Rightarrow \text{BaseContinues}.

112. 第五個場景

敏感 UI / private texture。

測：

\text{ExportMask}.

113. 第六個場景

Cloud hallucination injection。

故意讓 cloud：

改 object；
改 face；
增加物件。

測：

\text{TruthFirewall}.

114. 指標

至少：

Q = \text{VisualQuality}.

S = \text{StructuralFidelity}.

T = \text{TemporalConsistency}.

L = \text{PerceivedLatency}.

C = \text{CloudCost}.

B = \text{Bandwidth}.

P = \text{ProvenanceCompleteness}.

W = \text{WorldViolationRate}.

115. Anchor Metrics

\text{AnchorRate},

\text{AnchorLifetime},

\text{AnchorReuseCount},

\text{AnchorWasteRate}.

116. Network Metrics

RTT, P95, P99, \text{Jitter}, \text{BytesUp}, \text{BytesDown}.

117. Local Metrics

\text{GPUTime}, VRAM, \text{LocalDecodeTime}, \text{WarpTime}, \text{VerifierTime}.

118. User-Visible Metrics

\text{PopRate}, \text{FlickerRate}, \text{DriftRate}, \text{FallbackVisibility}.

119. Cloud Cost per Useful Second

定義：

\boxed{ CUS = \frac{ \text{CloudCost} }{ \text{SecondsOfCommittedEnhancedDisplay} }. }

比單純：

\text{CostPerCall}

更有意義。

120. Bandwidth per Useful Enhancement

BUE = \frac{ \text{TransferredBytes} }{ \text{CommittedQualityGain} }.

121. Research Hypotheses

H1｜Sparse Cloud Beats Naive Cloud

C_{APR-cloud} < C_{naive-cloud}

且：

Q_{APR-cloud} \approx Q_{naive-cloud}

在部分場景成立。

H2｜Cloud Frequency Can Be Lower Than Display Frequency

存在場景：

f_C \ll f_D

而：

T\ge\tau_T, Q\ge\tau_Q.

H3｜Local World Authority Improves Robustness

network failure 時：

\text{TaskContinuity}_{local-world} > \text{TaskContinuity}_{cloud-world}.

H4｜Structured Carriers Improve Neural Fidelity

相較 RGB-only：

RGB+\text{Depth}+\text{Motion}+\text{Mask}

應降低 structural / temporal violations。

H5｜ROI Export Reduces Cost

\text{Bytes}_{ROI} < \text{Bytes}_{full}

且 target quality 不顯著下降。

H6｜Local Verification Contains Cloud Hallucination

\text{WorldViolationCommitRate}

應低於無 verification system。

H7｜Cloud Anchors Amortize

對穩定／中等動態場景：

AnchorReuseCount>1.

122. 可反證條件

F1｜Cloud Latency Too High

若所有 cloud result 都在 usefulness window 後才返回：

CloudValue\rightarrow0.

則 general cloud model 只能做 offline / precompute。

F2｜Temporal Reconstruction Quality Insufficient

若：

f_C\ll f_D

導致嚴重 drift / pop，

必須提高 cloud frequency 或改 dedicated model。

F3｜Carrier Bandwidth Too High

若傳：

Depth+Motion+Normal+RGB

成本接近 full video cloud gaming，

架構收益下降。

F4｜Verification Cost Erases Gain

若 local verifier 比 cloud gain 更昂貴，

需降低 verification granularity 或改模型。

F5｜General Model Cannot Respect Structure

若 general cloud model 持續破壞 identity / geometry，

它不適合作 interactive enhancement，只能作研究 baseline。

F6｜3070 Local Reconstruction Too Heavy

若 thin-client local tasks 本身把 3070 壓滿，

需更輕 compositor / decoder。

F7｜Provider Drift Breaks Reproducibility

若 opaque provider model update 造成不可控外觀改變，

production 路線需要 dedicated / pinned model。

123. 第一代 General Cloud MVP 的誠實定位

第一版可以接受：

L_{cloud} = \text{seconds}.

只要用途是：

scene anchor；
static ROI；
before/after benchmark；
appearance reference。

它仍然可以驗證：

\boxed{ \text{architecture semantics}. }

124. 第二代 Interactive Cloud MVP

需要：

L_{cloud} \ll 1s

且：

persistent connection；
region carrier；
temporal state；
low jitter。

這可能需要 self-host / specialized service。

125. 第三代 Dedicated Renderer

最終：

\text{single-step}

或少步數 neural renderer，

在 remote GPU 上專用執行。

此時才真正接近：

\text{real-time\ DAINR}.

126. 不把三代混成一個 Claim

本篇明確：

\boxed{ \text{PrototypeFeasibility} \neq \text{ProductionLatencyFeasibility}. }

第一代成功不能自動宣稱：

已可商業即時遊戲部署。

127. 與 DLSS 5 的核心差異

DLSS 5：

\text{LocalEngine} + \text{LocalRTX50NeuralRenderer}.

DAINR：

\text{LocalEngine} + \text{RemoteNeuralIntelligence} + \text{LocalTemporalReconstruction}.

兩者共享：

3D grounding；
motion；
temporal stability；
artist control。

但 execution location 不同。

128. 與 GeForce NOW 的核心差異

GeForce NOW：

\text{CloudGame} + \text{CloudRenderer} + \text{VideoStream}.

DAINR：

\text{LocalGame} + \text{LocalBaseRenderer} + \text{CloudSelectiveIntelligence}.

129. 與 QuadStream 的關係

QuadStream：

\text{CloudSceneRepresentation} \rightarrow \text{ClientNovelView}.

DAINR：

\text{LocalWorldCarrier} \rightarrow \text{CloudAppearanceOperator} \rightarrow \text{LocalTemporalView}.

方向不同，

但都證明：

\boxed{ \text{final video is not the only useful network boundary}. }

130. 與 Edge AI 的關係

如果 local NPU / GPU 未來更強：

CloudNeed\downarrow.

DAINR 不會失效。

Cloud plane 可以逐步被 local backend 取代。

因為 OSR 已有：

\text{Probe} \neq \text{Backend}.

131. Cloud 是可替換 Backend

今天：

\text{CloudNeural}.

未來：

\text{LocalNeural}.

只要兩者：

\equiv_{\mu}

對同一 obligation 可替代。

所以 DAINR 是 transition-friendly architecture。

132. 模型變強時

OSR compiler 自動把：

r_{cloud} \rightarrow r_{local}

如果：

Cost_{local}<Cost_{cloud}

且品質足夠。

133. 模型更大時

反過來：

r_{local} \rightarrow r_{cloud}

對 selected scope。

所以架構不假定硬體進化方向。

134. Local-First 原則

本篇第一代建議：

\boxed{ \text{LocalFirst}, \text{CloudOptional}. }

不是價值立場，

而是為了：

latency；
authority；
privacy；
failure isolation。

135. Cloud-First 也可存在

某些 offline cinematic mode：

\text{CloudFirst}

可能合理。

OSR 不禁止。

只是 profile 不同。

136. Domain Profiles

Competitive Game

CloudCriticalPath\downarrow.

Single-Player Cinematic

CloudEnhancement\uparrow.

Photo Mode

CloudLatencyTolerance\uparrow.

Editor

CloudHighQuality\uparrow.

XR

LocalReprojection\uparrow.

137. Photo Mode 是第一個很好的商業入口

Photo Mode 可以接受：

\text{seconds}.

所以 general cloud AI 可立即提供：

\text{HighQualityEnhancement}.

這可能比即時 gameplay 更早落地。

138. Cutscene 預計算也是入口

若 cutscene camera 可預知：

\text{SpeculativeAnchor}.

可提前生成。

139. Dialogue Close-Up

NPC 對話：

camera predictable；
face high value；
background low motion。

也是非常適合 sparse cloud anchor 的場景。

140. Static Strategy / RPG

相較 FPS，

畫面變化較慢。

因此：

AnchorLifetime\uparrow.

DAINR 更容易先成立。

141. FPS 是高難場景

高：

camera angular velocity；
input sensitivity；
latency requirement；
disocclusion。

所以不應拿 FPS 作第一個 MVP。

142. MVP Scene Selection

第一個應選：

\boxed{ \text{slow-to-medium camera, character-centric 3D scene}. }

這最能驗證 cloud intelligence + local temporal reconstruction。

143. OSR-06 最小 Software Components

LocalWorldAdapter
BaseRenderer
APRController
OSRCompiler
ExportPolicy
CarrierEncoder
CloudBackendAdapter
ResultValidator
TemporalReconstructor
Compositor
EvidenceRecorder

144. 不先寫完整 Engine

MVP 可以用：

Godot；
Unity；
Unreal；
custom small scene。

OSR 不要求自研 graphics engine。

145. Engine Adapter

只需要能導出：

RGB base；
depth；
motion；
normal；
object mask；
camera；
revision。

146. Cloud Backend Adapter

第一代只需要：

submit(carrier, contract)
poll(request_id)
validate(response)

147. Temporal Reconstructor

第一代：

depth-aware warp；
motion vector；
blend；
base fallback。

之後才加 local neural。

148. Evidence Recorder

每個 frame 記：

plan ID；
world revision；
anchor ID；
cloud age；
fallback；
cost；
latency；
truth verification。

149. Debug Overlay

顯示：

base；
cloud region；
reused region；
temporal confidence；
stale；
rejected cloud；
cost heatmap。

150. 這個 Debug Overlay 很重要

否則只看 final frame，

很難知道：

畫質變好到底是哪層造成？

151. 第一代 Acceptance Criteria

至少：

沒網路仍可運作；
cloud result 不能直接修改 world；
stale response 會被拒絕；
ROI cloud 能正常 compositing；
camera cut 會 invalid history；
cloud call frequency 低於 display frequency；
local temporal frame 可在 anchors 間生成；
verification fail 會 fallback；
export-denied region 不上雲；
每次 cloud commit 有 receipt。

152. 第二代 Acceptance Criteria

加入：

latent carrier；
persistent cloud session；
dedicated neural renderer；
p95 latency；
anchor prediction；
multi-provider。

153. 第三代 Acceptance Criteria

真正 interactive：

\text{UserPerceivedQuality}

在：

60+ FPS

顯示下維持，

而 cloud inference：

f_C<f_D.

154. 核心命題集

P1｜Local World Authority

\boxed{ Authority(W) = \text{LocalCanonical}. }

P2｜Cloud Is a Manifestation Operator

\boxed{ \text{CloudAI} = \text{ProjectionCapability}, \quad WorldWriteAuthority=0. }

P3｜Local Base Invariant

\boxed{ \text{CloudFailure} \Rightarrow \text{MinimumManifestationRemains}. }

P4｜Frequency Separation

\boxed{ f_{cloud} \ll f_{display} }

可以成立。

P5｜Anchor Amortization

\boxed{ 1\ CloudAnchor \rightarrow \text{N LocalFrames}. }

P6｜Late Is Not Automatically Useful

\boxed{ \text{LateResponse} \not\Rightarrow \text{VisibleCommit}. }

P7｜Minimum Necessary Export

\boxed{ \text{Export} = \text{minimum carrier required by the selected obligation}. }

P8｜Pixel Is Not the Only Network Boundary

\boxed{ \text{CloudReturn} \in \{ \text{pixel}, \text{residual}, \text{latent}, \text{material}, \text{lighting} \}. }

P9｜General Model Is Not Dedicated Renderer

\boxed{ \text{GeneralCloudAI} \neq \text{InteractiveNeuralRenderService}. }

P10｜Temporal Reconstruction Is a First-Class Renderer

\boxed{ \text{TemporalReconstruction} }

不是簡單 workaround，而是 DAINR 的核心計算層。

P11｜Cloud Intelligence Can Be Sparse

\boxed{ \text{Intelligence Frequency} \neq \text{Display Frequency}. }

P12｜Cloud Extends Local Authority

\boxed{ \text{Cloud intelligence should extend local rendering capability without replacing local world authority.} }

155. 結論

如果把雲端 AI 想成：

一台遠端顯示卡，每幀替你畫完整畫面，

OSR-06 很快就會退化成 cloud gaming。

如果把它想成：

每秒呼叫 60 次圖片生成 API，

則 latency、jitter、成本與 temporal consistency 幾乎一定成為第一代系統的主要障礙。

本篇提出第三條路：

\boxed{ \text{Local World} + \text{Sparse Cloud Intelligence} + \text{Local Temporal Reconstruction}. }

世界仍然在本地持續運作。

輸入仍然在本地低延遲閉環。

base renderer 永遠存在。

APR 只在：

RVOI_{cloud} > Cost+Risk

時，才把一小部分顯現問題送到遠端。

Cloud 不必每幀知道整個世界。

它只需要對某些高價值 scope 回傳：

anchor；
residual；
latent；
material；
lighting；

本地再使用：

canonical geometry；
motion；
depth；
history；
local neural；

把這些低頻 appearance intelligence 展開成高頻 display。

因此，一張 RTX 3070 在這個架構中不再只是：

「跑不動下一代 neural renderer 的舊 GPU」。

它可以被重新定位為：

\boxed{ \text{authoritative local world renderer and temporal reconstruction node}. }

而雲端模型則成為：

\boxed{ \text{remote high-capacity appearance operator}. }

兩者並不競爭同一個角色。

這也說明為什麼本篇不需要等到「雲端 AI 16 ms 生成 4K frame」才有研究價值。

第一代即使只做到：

1\ anchor / several\ seconds

只要它能證明：

Quality_{local+cloud} > Quality_{local}

同時：

\text{CloudFrequency} \ll \text{DisplayFrequency},

並且：

\text{WorldAuthority} = \text{Local},

就已經證明了一個不同於 cloud gaming 與 local-only neural rendering 的架構類。

因此本篇的最終命題是：

\boxed{ \text{The cloud does not need to render every frame to contribute intelligence to every frame.} }

156. 下一篇

OSR-07

《可反證的觀察者渲染：品質、延遲、成本、一致性與結構保真》

下一篇將完成 OSR 第一卷理論閉包。

它會建立：

benchmark；
baseline；
ablation；
quality metrics；
structural fidelity；
temporal consistency；
latency；
cloud cost；
bandwidth；
truth violations；
RVOI；
render avoidance；
anchor efficiency；
human evaluation；
falsification criteria。

最終回答：

\boxed{ \text{OSR 到底如何被證明有用，或被證明沒有用？} }

參考資料

EveMissLab / OSR

Neo.K. 從萬能光到觀察者主權渲染：理論譜系重構與研究綱領. OSR-00, v0.1, 2026.
Neo.K. 我們到底想看什麼？觀察者、目的與顯現場. OSR-01, v0.1, 2026.
Neo.K. 從射線到觀察探針：廣義觀察算子與感知渲染編譯器. OSR-02, v0.1, 2026.
Neo.K. 異質渲染場：Raster、Ray、Neural、Semantic 與 Reuse 的統一選擇. OSR-03, v0.1, 2026.
Neo.K. APR 治理的自適應渲染：感知預算、表示深度與動態重算. OSR-04, v0.1, 2026.
Neo.K. 世界真值與顯現真值：生成式渲染中的一致性、幻覺與表示主權. OSR-05, v0.1, 2026.
EveMissLab. APR — Adaptive Perceptual Reading / Agentic Perception Runtime. https://github.com/kakon77777-commits/APR
EveMissLab. MRMIC/NVCL. https://github.com/kakon77777-commits/MRMIC_NVCL
EveMissLab. PNCW — Projection-Native Computational World. https://github.com/kakon77777-commits/PNCW

外部研究與官方技術資料

NVIDIA ADLR. DLSS 5: Generative Neural Rendering. Published 2026-09-01. https://research.nvidia.com/labs/adlr/DLSS5/
NVIDIA GeForce. DLSS 5 3D-Guided Neural Rendering Debuts in NBA 2K27. 2026. https://www.nvidia.com/en-us/geforce/news/dlss-5-3d-guided-neural-rendering/
Perel, O., Abu Alhaija, H., Wang, Z., Munkberg, J., Atzmon, M., Fidler, S., & Shugrina, M. TRON: Tracing Rays to Orchestrate a Neural Renderer for 3D Gaussian Reconstructions. arXiv:2606.11314, 2026. https://research.nvidia.com/labs/sil/projects/tron/
NVIDIA. NVIDIA Blackwell Architecture Comes to GeForce NOW. https://nvidianews.nvidia.com/news/nvidia-blackwell-architecture-comes-to-geforce-now
NVIDIA. GeForce NOW at CES 2026. https://blogs.nvidia.com/blog/geforce-now-ces-2026/
NVIDIA CloudXR SDK. Network Setup. https://docs.nvidia.com/cloudxr-sdk/latest/requirement/network_setup.html
Zhang, K., et al. QuadStream: A Quad-Based Scene Streaming Architecture for Novel Viewpoint Reconstruction. NVIDIA Research, 2022. https://research.nvidia.com/publication/2022-12_quadstream-quad-based-scene-streaming-architecture-novel-viewpoint
Tokey, S. S., Boudaoud, B., Spjut, J., & Claypool, M. Adaptive Time Delay for Improving Player Experience and Fairness in First-Person Shooter Games with Network Latency. Foundations of Digital Games, 2026. https://research.nvidia.com/publication/2026-08_adaptive-time-delay-improving-player-experience-and-fairness-first-person

附錄 A｜第一代資料流

Local World
   ↓
Base Renderer
   ↓
Depth / Normal / Motion / Mask / RGB
   ↓
APR + PRC
   ↓
Export Gate
   ↓ selected ROI / carrier
Cloud AI
   ↓
Anchor / Residual
   ↓
Local Verification
   ↓
Temporal Reconstruction
   ↓
Local Compositor
   ↓
Visible Frame

附錄 B｜第一代 Cloud Request Contract

request:
  request_id
  world_revision
  camera_revision
  scope
  carrier_schema
  carrier_hash
  preservation_contract
  generation_contract
  deadline
  provider_capability
  export_policy_revision

附錄 C｜第一代 Cloud Response Contract

response:
  request_id
  source_world_revision
  backend_revision
  output_class
  output_hash
  carrier_schema
  latency
  provenance
  optional_confidence

附錄 D｜一句話版本

OSR-06 不把雲端 AI 當成每幀遠端畫圖器，而把它當成低頻、高容量、可選擇的 appearance operator：本地保留 canonical world、base renderer、APR、verification 與 temporal reconstruction；雲端只處理被 APR 判定值得上雲的最小 carrier／ROI，回傳 anchor、residual 或 latent，再由本地把稀疏 cloud intelligence 展開成高頻、可回退、世界真值仍由本地控制的顯示。

分散式 AI 原生渲染：Local World、Cloud Intelligence 與 Temporal Reconstruction

分散式 AI 原生渲染

Local World、Cloud Intelligence 與 Temporal Reconstruction

Distributed AI-Native Rendering

Local World, Cloud Intelligence, and Temporal Reconstruction

摘要

0. 本篇的位置

1. 傳統 Cloud Gaming 與本篇不同

2. 為什麼不直接 Cloud Gaming

3. 三平面架構

4. Local Canonical Plane

5. 本地世界權威

6. 本地 Base Renderer

7. Base Renderer 不必漂亮

8. Cloud Intelligence Plane

9. Cloud 不需要知道完整世界

10. Export Package

11. Minimum Carrier Selection

12. ROI Export

13. Context Halo

14. Semantic-Minimal Export

15. Cloud Return Classes

16. Pixel Anchor

17. Residual Return

18. Latent Return

19. Material / Lighting Return

20. 第一代 Prototype 不應先做 Latent

21. General Cloud Model 與 Dedicated Neural Renderer

22. General Cloud Model

23. Dedicated Cloud Neural Renderer

24. 不把當代 API 能力當理論前提

25. Display Frequency 與 Intelligence Frequency 分離

26. Anchor

27. Anchor Interval

28. Anchor 不是 Frame

29. Local Temporal Reconstruction Plane

30. 最小 Temporal Reconstruction

31. Base-Guided Reconstruction

32. Local Neural Reconstruction

33. 3070 的角色

34. 為什麼舊 GPU 反而適合作研究條件

35. Camera Motion

36. Object Motion

37. World Revision Binding

38. Late Result Rejection

39. Late Result 不一定完全丟棄

40. Camera Cut

41. Teleport / Scene Transition

42. Disocclusion

43. Disocclusion Policy

44. Multi-Layer History

45. Temporal Confidence Field

46. Composition Weight

47. Temporal Drift

48. Drift Trigger

49. Cloud Value Gate

50. Cloud Cost

51. Cloud Risk

52. Cloud Benefit

53. Speculative Anchor

54. Speculative Waste

55. Prefetch Window

56. Cloud Latency Distribution

57. GeForce NOW 的外部意義

58. CloudXR 的外部意義

59. QuadStream 的外部意義

60. Bandwidth Model

61. 不追求固定格式

62. Carrier Version

63. Model–Decoder Binding

64. Model Update

65. Pixel Return 相對穩健

66. Privacy Boundary

67. Sensitive Region

68. Redaction

69. Semantic Leakage

70. Export Receipt

71. Provider Failure

72. No Automatic World Retry

73. Request Identity