--- title: "從萬能光到觀察者主權渲染：理論譜系重構與研究綱領" english_title: "From Omnilux to Observer-Sovereign Rendering: A Reconstruction of the Theoretical Lineage and Research Program" series: "觀察者主權渲染（Observer-Sovereign Rendering, OSR）" paper_id: "OSR-00" 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: "理論譜系重構／研究綱領／AI 原生渲染" status: "初版完成" canonical_source: "UTF-8 Markdown" --- # 從萬能光到觀察者主權渲染 ## 理論譜系重構與研究綱領 ## From Omnilux to Observer-Sovereign Rendering ### A Reconstruction of the Theoretical Lineage and Research Program **論文編號：** OSR-00 **系列：** 觀察者主權渲染（Observer-Sovereign Rendering, OSR） **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 本篇作為「觀察者主權渲染」（Observer-Sovereign Rendering, OSR）系列第零篇，不直接提出單一新渲染演算法，而是重構一條跨越早期萬能光、感知主權、客製化光追、Omnilux Field Processor（OFP）、Adaptive Perceptual Reading / Agentic Perception Runtime（APR）、Native Visual Construction Loop（NVCL）、MCP-native Recursive Multimodal Infinite Canvas（MRMIC）與 Projection-Native Computational World（PNCW）的理論譜系。 這條譜系的共同問題並不是「如何把更多光線算得更快」，而是更根本的問題： > **一個有限的觀察者，在特定目的、風險、不確定性、時間與計算預算下，到底需要世界如何顯現？** 傳統即時渲染通常將問題寫成：給定場景、相機、材質、光源與計算預算，求得一幅近似物理或藝術目標的影像。早期客製化光追工作已開始破壞「所有射線具有相同計算價值」的假設；OFP 進一步把物理光影與主體風格調變分離；感知主權論則把已顯化、未顯化與顯化邊界本身形式化為不同投影算子；APR 又將感知重寫為「何時看、看哪裡、看多深、何時重看與何時停止」的預算治理問題。到了 NVCL、MRMIC 與 PNCW，世界狀態、投影、表面、驗證與可見性已能被分離為不同工程層。 本文據此提出 OSR 的核心轉向： $$ \boxed{ \text{Rendering} \neq \text{Compute Everything Visible} } $$ 而應重寫為： $$ \boxed{ \text{Rendering} = \text{Construct the Perceptual Field Required by an Observer} } $$ 在 OSR 中，Ray Tracing 不再是最上層本體，而只是多種 rendering realization backend 之一。系統先由觀察者狀態、任務問題、世界狀態與資源預算生成一個感知程式，再把不同空間區域、時間區段與表示深度編譯到 rasterization、ray/path tracing、local neural rendering、cloud multimodal rendering、semantic reconstruction、temporal reuse 等異質 backend。世界真值與顯現真值必須分離，AI 生成錯誤只能構成 projection error，不得自動污染 canonical world state。 2026 年公開的 DLSS 5 3D-Guided Neural Rendering 顯示，生成模型已可在引擎幾何、顏色、運動向量、時序狀態與藝術控制的約束下參與最終顯示外觀生成。本文不將其視為 OSR 的同義技術，而視為一項重要外部收斂證據：即時渲染正從「純物理取樣」走向「物理／結構約束下的神經顯現」。OSR 的研究位置則更高一層：它關注的不是單一神經 renderer 如何生成像素，而是**誰決定何時、何地、以何種表示深度、由哪一種 renderer 生成什麼樣的顯現**。 本文最後給出 OSR 的核心公理、感知編譯器形式、主權不變量、歷史理論的保留／修訂／退役表、可反證條件、OSR-01 至 OSR-07 的研究路線，以及後續技術白皮書與 APR-driven MVP 的工程接口。 **關鍵詞：** Observer-Sovereign Rendering、觀察者主權渲染、感知主權、Omnilux、APR、NVCL、PNCW、神經渲染、感知編譯器、異質渲染、表示深度、AI 原生渲染 --- # 0. 文件目的與證據邊界 本篇有三個目的： 1. 重建早期光學／感知理論到 2026 年 AI 原生渲染問題的連續譜系； 2. 明確指出哪些早期命題可以直接繼承，哪些需要降維重寫，哪些不再作為工程前提； 3. 定義 OSR 系列後續論文、技術白皮書與 MVP 的共同 canonical vocabulary。 本篇不主張： - 已完成一個可與商業 DLSS、FSR、XeSS 或 path tracer 競爭的 renderer； - 已證明雲端多模態模型可以在所有互動遊戲中滿足即時延遲； - 已證明「萬能光」的早期本體論命題具有物理實在性； - 已證明所有觀察都可以被同一套演算法最佳化； - 已證明觀察者偏好應凌駕安全、真實性或共同世界規則； - 已完成 OSR 的 production architecture。 此外，早期 OmniTrace／ExtremeTrace 的原始 canonical 母稿目前尚未在現有 Library 與 GitHub 中直接回收。本篇因此只保留已被後續工作延續、且本輪對話重新確認的**概念譜系**：即以語義相關性、觀察目的、注意力與預算改變光追資源分配；不把尚未找回母稿的具體公式當成歷史直接引文。 這一區分非常重要： $$ \boxed{ \text{Historical Reconstruction} \neq \text{Verbatim Recovery} } $$ --- # 1. 第一個源頭：萬能光不是今天的 renderer，但提出了「光不是單一固定通道」 早期「萬能光」工作具有強烈的本體論與物理猜想色彩。對今天的 OSR 而言，其價值不在於要求工程系統接受某個無限光譜背景實在，而在於它很早就把「光」從單一可見波段、單一傳輸形式、單一觀察層次中解耦。 因此 OSR 不繼承： $$ \text{Omnilux as necessary physical substrate} $$ 而只繼承更弱、也更工程化的命題： $$ \boxed{ \text{The observable image is only one realization of a richer field of possible manifestations.} } $$ 也就是：顯示器上某一幀 RGB 影像不是「世界本身」，而只是世界、載體、觀察條件與投影規則共同決定的一個 realization。 這個弱形式後來在多條研究線中反覆出現： - 光／陰之分； - 顯化／未顯化； - 可讀／不可讀； - 世界／投影； - canonical state／surface state； - physical result／subjective modulation。 因此，萬能光在 OSR 中被重新定位為**概念史源頭**，而非 renderer specification。 --- # 2. 感知主權：真正的轉折不是「看見更多」，而是「顯化邊界可以被算子化」 後續感知主權工作將觀察拆成三個投影位置： $$ P_{\text{light}}:O\rightarrow\Phi_{\text{manifest}}, $$ $$ P_{\text{shadow}}:O\rightarrow\Phi_{\text{unmanifest}}, $$ $$ P_{\Delta}: (P_{\text{light}},P_{\text{shadow}}) \rightarrow \delta_{\text{boundary}}. $$ 其核心不是字面上的「三隻眼睛」，而是三種不可互相消除的操作角色： 1. 目前被顯化、可用、可操作的資訊； 2. 尚未被顯化、被遮蔽、被忽略或仍不確定的資訊； 3. 顯化與未顯化邊界如何切換的差動。 對渲染而言，這意味著一件很關鍵的事： $$ \boxed{ \text{Visibility is not only a geometric fact; it is also an operational selection.} } $$ 這裡的 selection 並不是允許任意竄改世界，而是指出：即使世界狀態固定，有限系統也不可能在每個時刻把全部可導出資訊以最高解析度、最高物理精度與最高語義深度同時顯化。 因此必然存在： $$ \Phi = \Phi_{\text{manifest}} \sqcup \Phi_{\text{unmanifest}}. $$ 渲染的問題也因此第一次從「求完整畫面」轉成： > 哪些內容應該進入當下的顯現域？ --- # 3. 客製化光追：早期幾何公式修改其實已經在攻擊均勻計算假設 早期 OmniTrace／ExtremeTrace 工作可理解為感知主權進入 computer graphics 後的第一個工程化試探。 傳統 ray tracing 以幾何與物理條件定義射線： $$ r=(o,d), $$ 並在既定 sampling policy 下計算相交、遮蔽、BRDF、反射、折射與多次 bounce。 早期客製化光追的關鍵並不只是「換一條幾何公式」，而是開始加入： - 語義相關性； - 注意力； - 目標； - 觀察者需求； - 不同射線的不同計算價值。 其歷史性突破可以壓縮為： $$ \boxed{ \text{Not every physically possible ray deserves equal computational budget.} } $$ 這一命題在當時仍然被放在 ray 層，所以容易被理解為「客製化 ray tracing」。 OSR 對它的第一次大修正是： $$ \boxed{ \text{Ray} \subset \text{Observation Probe} } $$ 射線只是「觀察探針」的一種 realization。其他 probe 可能最後被實作為： - depth buffer query； - normal/material lookup； - object graph traversal； - semantic query； - local neural inference； - cloud multimodal inference； - cached temporal reuse； - partial re-render； - full ray/path tracing。 所以，OSR 不再問： > 這條 ray 要怎麼改？ 而先問： > **這個觀察者現在需要哪一種 probe？** --- # 4. OFP：從「物理正確」到「主體決定如何映現」 OFP（Omnilux Field Processor）把早期光學與感知主權命題向工程推進了一大步。 其基本三階段可以寫成： $$ I_{2D} \xrightarrow{\mathcal A_{\text{cog}}} \Psi_{2.5D} \xrightarrow{\mathcal R_{\text{phys}}} L_{\text{phys}} \xrightarrow{\Lambda_{\text{Omni}}} L_{\text{final}}. $$ 其中： - $\mathcal A_{\text{cog}}$：從 2D 現象重構足以支持光影運算的 2.5D 結構； - $\mathcal R_{\text{phys}}$：依深度、法線、材質與光源執行物理／近似物理渲染； - $\Lambda_{\text{Omni}}$：依風格意圖、VNF 等主權條件調變最終顯示。 OFP 最重要的理論遺產不是某個 SSAO 或 BRDF 實作，而是： $$ \boxed{ \text{Physical correctness} \neq \text{Final perceptual objective} } $$ 世界的物理約束提供素材，但最終呈現仍有一層由創作者／觀察者指定的 manifestation rule。 OFP 的 Visual Neglect Field（VNF）更進一步承認：人類與有限 AI 不會平等處理所有區域。這已經接近 OSR 的 spatial perceptual budgeting，只是當時主要被用於風格與 2.5D 繪圖，而不是一般遊戲 renderer。 OFP 因此是 OSR 的直接工程祖先之一。 --- # 5. APR：把「不是所有東西都值得看」變成 runtime APR 的核心問題不是渲染，而是： > **讓智能決定何時看、看哪裡、看多深、何時重看，以及何時停止看。** APR 將感知寫成受目標、風險、不確定性、證據品質與預算共同治理的閉環： $$ \text{Perceive} \rightarrow \text{Maintain Belief} \rightarrow \text{Determine Need} \rightarrow \text{Gate Action} \rightarrow \text{Execute} \rightarrow \text{Observe Outcome} \rightarrow \text{Verify} \rightarrow \text{Recover}. $$ APR 對 OSR 的直接貢獻有四點。 第一，存在合法的： $$ \text{NO\_OBSERVATION}. $$ 也就是如果 current state 夠新、夠可靠，就不必重算。 第二，感知深度與感知成本必須成比例： $$ \text{Need}\uparrow \Rightarrow \text{Perceptual Investment}\uparrow, $$ 但反過來： $$ \text{Need}\downarrow \not\Rightarrow \text{Maximum Perception}. $$ 第三，重看必須由不確定、過期、衝突、風險或行動前置條件觸發，而不是固定全量刷新。 第四，感知結果不是自動真理，而是 evidence，仍需要驗證與 provenance。 因此 OSR 不需要重新發明「感知預算」。真正要補的是： $$ \boxed{ \text{APR decision} \rightarrow \text{rendering program} } $$ 這個缺失的 compiler layer。 --- # 6. NVCL：顯現不是一次性輸出，而是可觀察、可修正的閉環 NVCL 將視覺建構環境寫成： $$ \mathcal E_{\text{draw}} = (\mathcal S,\mathcal A,\mathcal O,\mathcal T,\mathcal R), $$ 並強調模型不是一次生成完整畫面後停止，而應： $$ \text{construct} \rightarrow \text{observe} \rightarrow \text{diagnose} \rightarrow \text{modify}. $$ 其觀察也不是只有 PNG，而可以包含： $$ o_t = (I_t,G_t,L_t,p_t,E_t), $$ 其中包括影像、物件／關係圖、圖層、動作狀態與誤差。 這對 OSR 非常關鍵，因為 neural rendering 最大的錯誤之一，就是讓生成模型每一幀從像素重新猜世界。 OSR 的原則相反： $$ \boxed{ \text{Do not ask the model to infer what the engine already knows.} } $$ 如果遊戲引擎已知道： - object identity； - depth； - normal； - motion vector； - material； - light source； - skeleton／pose； - semantic label； 這些都應作為 observation carrier 或 render condition，而不是要求雲端 AI 從最終 RGB 重新猜測。 --- # 7. MRMIC 與 PNCW：世界、投影、provider 與可見性已經可以分層 MRMIC/NVCL 的現行工程架構已明確將 Canvas 的 geometry / projection 與 provider-owned resource 分離。這意味著 surface 可以呈現外部資源，但不冒充資源本身的 authority。 PNCW 又把 projection lifecycle 明確化為： $$ \text{REQUESTED} \rightarrow \text{RESOLVED} \rightarrow \text{READY} \rightarrow \text{PROJECTED} \rightarrow \text{VERIFIED} \rightarrow \text{VISIBLE}. $$ 並加入： - source / surface authority 分離； - freshness / integrity verification； - mixed-version fail-closed； - atomic visibility commit； - partial physical residency； - HDSRC 與 MRMIC/NVCL adapter boundaries。 這些都表示 OSR 不需要再重新定義「投影後如何顯示」。 OSR 真正缺的層是： $$ \boxed{ (W_t,O_t,q_t,B_t) \rightarrow P_t^{\text{render}} } $$ 也就是從世界、觀察者、問題與預算，編譯出 rendering program。 --- # 8. 2026 年外部收斂：DLSS 5 證明生成式模型已進入最終顯示階段 2026 年 NVIDIA 公開 DLSS 5 3D-Guided Neural Rendering。其官方研究描述指出，DLSS 5 使用 one-step pixel-space diffusion model，並以 current rendered frame、engine motion vectors、carried temporal state 與 artistic-direction values 為條件；系統要求 causal、deterministic、temporally stable，並以 renderer-derived scene attributes 約束生成結果。 其最關鍵的範式變化是：早期 DLSS 主要重建 conventional renderer 的高成本參考輸出，而 DLSS 5 開始直接生成 final displayed appearance 的部分內容。 可抽象為： $$ K_t^{\text{engine}} + H_t^{\text{temporal}} + A_t^{\text{art}} \xrightarrow{\mathcal N} I_t^{\text{final}}. $$ 這項外部進展支持三個 OSR 前提： 1. neural rendering 可以在 engine-grounded 條件下參與最終畫面生成； 2. temporal stability、determinism 與 authored-content preservation 是必要約束； 3. 最終外觀不必全部由傳統 PBR／path tracing 顯式模擬。 但 OSR 與 DLSS 5 不同。 DLSS 5 主要回答： > 一個專用 neural renderer 如何在既有 pipeline 中即時生成更真實的最終 appearance？ OSR 則回答： > **什麼時候應該用 neural renderer？哪個區域需要？需要多深？是否應改用 ray tracing、semantic reconstruction、reuse 或 cloud model？這個決策由誰的目標與哪些約束控制？** 因此： $$ \boxed{ \text{DLSS-like Neural Renderer} \subset \text{OSR Rendering Backend Space} } $$ 而不是： $$ \text{OSR}=\text{DLSS}. $$ --- # 9. OSR 的第一級對象：觀察者不是 Camera 傳統 graphics pipeline 中的 camera 通常包含： $$ C_t = (\text{position},\text{orientation},\text{projection}). $$ OSR 中的 Observer 必須更廣。 定義： $$ O_t = (g_t,p_t,h_t,u_t,r_t,\beta_t), $$ 其中： - $g_t$：goal，當下目的； - $p_t$：perceptual profile，偏好的感知／呈現條件； - $h_t$：history，觀察與顯現歷史； - $u_t$：uncertainty，目前不確定性； - $r_t$：risk，安全／任務風險； - $\beta_t$：budget，可用計算、延遲、網路與成本預算。 再定義當下問題： $$ q_t\in\mathcal Q. $$ 同一個世界 $W_t$，在不同問題下可以產生不同合法顯現： $$ \mathcal O_{O,q_1}(W_t) \neq \mathcal O_{O,q_2}(W_t). $$ 例如： - 正常遊玩； - 搜索互動物件； - 戰術威脅識別； - 電影式觀看； - 材質檢查； - 無障礙高對比； - 光照驗證； - 開發者 debug。 世界不必改變： $$ W_t'=W_t, $$ 但 manifestation 可以不同： $$ V_t'\neq V_t. $$ 這就是 OSR 所謂的 observer sovereignty： > **觀察者可以決定合法的顯現策略，但不能因此任意改寫 canonical world truth。** --- # 10. 從 Ray 到 Observation Probe 定義一個一般觀察探針： $$ \pi_k^{O,q} = ( \tau_k, \omega_k, \eta_k, \rho_k, \chi_k, \kappa_k ), $$ 其中： - $\tau_k$：target； - $\omega_k$：goal relevance； - $\eta_k$：uncertainty； - $\rho_k$：required resolution / fidelity； - $\chi_k$：representation mode； - $\kappa_k$：estimated cost。 Ray tracing probe 只是： $$ \pi_k^{\text{ray}} \mapsto (o_k,d_k,\text{sampling policy}). $$ 其他 probe 可以編譯為完全不同的 backend call。 所以： $$ \boxed{ \mathcal P_{\text{obs}} \supset \mathcal P_{\text{ray}} } $$ 這是 OSR 對早期客製化光追最重要的升級。 --- # 11. 感知編譯器：OSR 的核心新層 定義 Perceptual Rendering Compiler： $$ \mathcal C_{\text{OSR}}: (W_t,O_t,q_t,B_t,E_t) \rightarrow P_t^{\text{render}}, $$ 其中： - $W_t$：canonical world state； - $O_t$：observer state； - $q_t$：observation question / objective； - $B_t$：resource budget； - $E_t$：evidence / freshness / runtime environment； - $P_t^{\text{render}}$：有限、可執行、可驗證的 rendering program。 Rendering program 不是單一 shader，而可以包含區域化 backend mapping： $$ P_t^{\text{render}} = \left\{ (\Omega_i,R_i,d_i,\nu_i,h_i,c_i) \right\}_{i=1}^{n}, $$ 其中： - $\Omega_i$：spatial / semantic region； - $R_i$：renderer backend； - $d_i$：representation depth； - $\nu_i$：update / sampling frequency； - $h_i$：temporal history depth； - $c_i$：confidence / verification policy。 Backend space 可先定義為： $$ \mathcal R = \{ R_{\text{reuse}}, R_{\text{raster}}, R_{\text{ray}}, R_{\text{path}}, R_{\text{local-neural}}, R_{\text{cloud-neural}}, R_{\text{semantic}} \}. $$ 因此，OSR 的核心不是產生像素，而是產生： $$ \boxed{ \text{A rendering plan about how pixels should be produced.} } $$ --- # 12. APR 在 OSR 中的位置：不是 renderer，而是治理器 OSR 不把 APR 改造成 graphics library。 APR 的角色是： $$ \text{Perceptual Governance}. $$ 令區域 $x$ 在時間 $t$ 的感知優先度為： $$ \Psi_{O,q}(x,t) = \alpha S(x,t) + \beta U(x,t) + \gamma G_q(x,t) + \delta D(x,t) + \epsilon H(x,t), $$ 其中： - $S$：semantic salience； - $U$：uncertainty； - $G_q$：goal relevance； - $D$：temporal difference； - $H$：hazard / mandatory visibility。 APR 不必直接決定 final pixel，而可決定： $$ a_t(x) \in \{ NO\_OBSERVATION, REUSE, RASTER, RAY, LOCAL\_AI, CLOUD\_AI, SEMANTIC\_RENDER \}. $$ 以及： $$ d_t(x)=\text{representation depth}, $$ $$ \nu_t(x)=\text{revisit frequency}. $$ 這使早期「不是所有 ray 都值得同樣算」升級為： $$ \boxed{ \text{不是所有區域、時間、表示、backend 都值得同樣算。} } $$ --- # 13. Observer-Sovereign Rendering 的八條核心公理 ## 公理一：Canonical World Separation $$ \boxed{ W_t\neq V_t } $$ 世界狀態不等於顯示狀態。 ## 公理二：Observer Explicitness 任何非純物理唯一映射的顯現，都必須能回答： $$ \boxed{ \text{for whom, for what, under which constraints?} } $$ ## 公理三：Backend Pluralism $$ \boxed{ \text{No single renderer is ontologically privileged.} } $$ Raster、ray、neural、semantic、reuse 都只是 realization class。 ## 公理四：Budget Proportionality $$ \boxed{ \text{Compute depth should be proportional to perceptual need.} } $$ ## 公理五：Inference Marking 推論生成的內容不得無標記地冒充 world fact： $$ \boxed{ \text{Inference}\neq\text{World Truth} } $$ ## 公理六：Temporal Continuity 若顯現跨時間存在，必須顯式管理： $$ \text{motion}, \text{history}, \text{identity}, \text{drift}, \text{reprojection}. $$ ## 公理七：Verification Before Visibility 高風險或高影響 projection 應遵循： $$ PROJECTED \rightarrow VERIFIED \rightarrow VISIBLE. $$ ## 公理八：Reversible Mediation 任何額外 AI augmentation 若非世界本體的一部分，都應能快速退回較低中介層： $$ V^{AI} \rightarrow V^{base}. $$ --- # 14. 世界真值與顯現真值 OSR 將狀態至少分成三類： $$ \mathcal W = \text{canonical world facts}, $$ $$ \mathcal P = \text{projection / rendering state}, $$ $$ \mathcal I = \text{inferred / generated appearance}. $$ 因此： $$ \mathcal I \not\subseteq \mathcal W $$ 不應被默認成立。 AI 可以在外觀上補出： - 次表面散射； - 毛髮透光； - 微材質； - 接觸陰影； - 遠景紋理； - 風格化細節。 但若引擎沒有宣稱某物件存在，AI 不能只因為生成出來就把它寫入 canonical world state。 所以 neural hallucination 在 OSR 中首先被定義為： $$ \boxed{ \Delta_{proj} = V_t^{AI}-V_t^{allowed} } $$ 即 projection error，而不是 world mutation。 這個分離讓 AI 生成可以被大幅使用，而不必把「生成模型偶爾會畫錯」直接等同「整個遊戲世界不可信」。 --- # 15. 從 local GPU 到 cloud multimodal rendering OSR 不要求所有 neural rendering 都在本地 GPU 執行。 第一代 cloud-assisted OSR 可採： $$ W_t \xrightarrow{R_{local}} K_t^{base}, $$ $$ (K_t^{base},O_t,q_t,H_t) \xrightarrow{R_{cloud}} A_t, $$ $$ (A_t,K_{t+1}^{base},V_{t+1}^{motion}) \xrightarrow{R_{temporal}} F_{t+1}. $$ 重點不是每秒呼叫 cloud model 60 次，而是讓： $$ f_{cloud} \ll f_{display}. $$ Cloud model 可只生成： - appearance anchor； - local residual； - material latent； - lighting latent； - semantic detail； - object-local enhancement。 本地則負責： - world simulation； - geometry； - motion； - reprojection； - temporal interpolation； - fallback； - final composition。 這使低階 GPU 不必被要求直接承擔完整大型生成模型。 --- # 16. 舊理論的保留、修訂與退役 | 舊命題／工作線 | OSR 處理 | 理由 | |---|---|---| | 萬能光作為更廣顯現可能性的思想來源 | 保留弱形式 | 有助於解除 RGB frame = world 的直覺 | | 萬能光作為必要物理背景本體 | 不作工程前提 | OSR 不需要其物理實在性才能成立 | | 感知主權的顯化／未顯化／邊界差動 | 保留 | 直接形成 observer-conditioned manifestation | | 客製化光追 | 升級 | Ray 降為 Observation Probe 的一種 backend | | 所有 ray 按目的／重要性分配成本 | 推廣 | 擴展為所有區域／時間／representation／backend 的預算治理 | | OFP 物理層與主權層分離 | 保留 | 對應 world constraint 與 manifestation rule 分離 | | OFP 的 VNF | 保留並一般化 | 對應 APR perceptual budgeting | | APR | 直接繼承 | 作 OSR perception governor，不重寫 core | | NVCL | 直接繼承 | 作 render-observe-diagnose-repair loop | | MRMIC | 直接繼承 | 作 visual surface / projection environment | | PNCW | 直接繼承 | 作 projection lifecycle / verification control plane | | 單一 renderer 產生整幀 | 退為特例 | OSR 允許 heterogeneous per-region realization | | 像素為唯一 carrier | 退為特例 | 可使用 latent / semantic / field / residual carrier | --- # 17. OSR 與 foveated rendering、LOD、neural rendering 的差異 OSR 與既有技術有交集，但不等同。 ## 17.1 與 Foveated Rendering Foveated Rendering 主要根據 gaze / eccentricity 分配解析度。 OSR 可以包含 gaze，但其 priority function 更廣： $$ \Psi = f( \text{gaze}, \text{goal}, \text{uncertainty}, \text{risk}, \text{semantics}, \text{history}, \text{cost} ). $$ ## 17.2 與 LOD LOD 主要在 representation complexity 上做尺度調整。 OSR 將 LOD 推廣成： $$ \text{Representation Depth} + \text{Renderer Choice} + \text{Revisit Frequency} + \text{Inference Depth}. $$ ## 17.3 與 Neural Rendering Neural Rendering 關注 neural representation / network 如何產生 appearance。 OSR 關注： $$ \boxed{ \text{when and why neural rendering should be selected at all.} } $$ ## 17.4 與 Cloud Gaming Cloud Gaming 通常是： $$ \text{cloud runs game} \rightarrow \text{video stream}. $$ OSR cloud-assisted rendering 可以是： $$ \text{local world simulation} + \text{remote perceptual operator} + \text{local composition}. $$ 二者並不相同。 --- # 18. OSR 的最小可反證條件 OSR 必須允許自己失敗。 至少有以下反證路徑。 ## F1：Compiler Overhead Failure 若： $$ C_{compiler} + C_{orchestration} \ge C_{uniform-renderer} $$ 且品質沒有提升，OSR 的動態編譯層在該場景沒有價值。 ## F2：Observer Conditioning Instability 若 observer-conditioned policy 導致： $$ T_{consistency}\downarrow $$ 或身份／結構漂移大幅增加，則該 conditioning rule 失敗。 ## F3：Semantic Bias Failure 若提高 goal relevance 造成必要世界資訊被錯誤隱藏： $$ H_{hazard}>0, $$ 則 perceptual sovereignty 必須被 safety invariant 覆蓋。 ## F4：Cloud Latency Failure 若： $$ L_{cloud} > L_{acceptable} $$ 且 local temporal reconstruction 無法掩蔽，cloud backend 在該互動層不可用。 ## F5：No Savings 若 APR-driven selective rendering 的總成本： $$ C_{APR} \not< C_{naive} $$ 且品質相同，預算治理沒有產生工程收益。 ## F6：World/Projection Collapse 若 implementation 無法阻止 inferred appearance 寫回 canonical world truth，則它不符合 OSR。 --- # 19. OSR 的核心研究問題 本系列後續至少回答七個問題。 ### RQ1 $$ \text{What does the observer actually need to see?} $$ ### RQ2 如何把 goal / uncertainty / risk / budget 編譯成 rendering program？ ### RQ3 不同區域應如何選擇 raster、ray、local neural、cloud neural、semantic 或 reuse？ ### RQ4 表示深度應如何隨空間、時間與任務動態改變？ ### RQ5 如何保持 canonical world truth、artist intent 與生成 appearance 的分離？ ### RQ6 如何在 cloud inference latency 下維持 interactive temporal continuity？ ### RQ7 如何以可比較 benchmark 測量品質、結構、延遲、成本與一致性？ --- # 20. OSR 系列正式路線 本系列規劃為八篇：OSR-00 至 OSR-07。 ## OSR-00 ### 《從萬能光到觀察者主權渲染：理論譜系重構與研究綱領》 本篇。 ## OSR-01 ### 《我們到底想看什麼？觀察者、目的與顯現場》 正式定義 Observer、Question、Manifestation Field。 ## OSR-02 ### 《從射線到觀察探針：廣義觀察算子與感知編譯器》 建立 Observation Probe 與 Perceptual Rendering Compiler。 ## OSR-03 ### 《異質渲染場：Raster、Ray、Neural、Semantic 與 Reuse 的統一選擇》 建立 heterogeneous backend space。 ## OSR-04 ### 《APR 治理的自適應渲染：感知預算、表示深度與動態重算》 將 APR 接入 rendering policy。 ## OSR-05 ### 《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》 建立 truth separation、provenance 與 verification rules。 ## OSR-06 ### 《分散式 AI 原生渲染：Local World、Cloud Intelligence 與 Temporal Reconstruction》 建立 cloud-assisted architecture。 ## 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》 建立 benchmark、ablation 與 MVP acceptance criteria。 --- # 21. 後續技術白皮書的預定結構 理論系列完成後，技術白皮書不再重複哲學背景，而直接回答： 1. OSR runtime component graph； 2. APR adapter； 3. World-state input contract； 4. Observer / Goal schema； 5. Perceptual compiler； 6. Render Plan IR； 7. Renderer plugin ABI； 8. Local 3070 baseline renderer； 9. Cloud multimodal provider adapter； 10. temporal cache / reprojection； 11. PNCW verification bridge； 12. MRMIC display surface； 13. metrics / trace / evidence； 14. fallback / fail-closed； 15. benchmark harness。 白皮書的核心中間表示預定為： $$ \boxed{ OSR\text{-}IR = \text{Observer-Conditioned Render Plan} } $$ 而不是直接把 prompt 當 render API。 --- # 22. 第一代 MVP 的研究目標 MVP 不以「打敗 DLSS 5」為目標。 第一代只驗證： $$ \boxed{ \text{Observer-conditioned heterogeneous rendering is technically executable.} } $$ 基準環境可以故意使用較舊的 RTX 3070 作 local baseline，以測試： $$ \text{weak local renderer} + \text{selective cloud intelligence} \rightarrow \text{higher perceived quality} $$ 是否成立。 至少比較四組： $$ B_0=\text{Local Raster / PBR Baseline}, $$ $$ B_1=\text{Naive Full Cloud Generation}, $$ $$ B_2=\text{APR Keyframe Cloud}, $$ $$ B_3=\text{APR Spatial + Temporal OSR}. $$ 核心指標： $$ Q=\text{visual quality}, $$ $$ T=\text{temporal consistency}, $$ $$ L=\text{perceived latency}, $$ $$ C=\text{cloud / compute cost}, $$ $$ S=\text{structural fidelity}. $$ 第一代成功條件不是所有指標同時超越，而是至少證明存在一個工作域： $$ Q_{OSR}>Q_{local} $$ 且： $$ C_{OSR}B, $$ 則必須存在 selection policy。 ## 命題四：AI 原生渲染的核心不是「AI 畫更多」，而是「AI 決定何時由誰畫什麼」 $$ \boxed{ \text{AI-native Rendering} = \text{Perceptual Governance} + \text{Render Planning} + \text{Heterogeneous Realization} + \text{Verification} } $$ ## 命題五：觀察者主權必須被世界真值與安全邊界約束 $$ \boxed{ \text{Observer Sovereignty} \neq \text{World Mutation Sovereignty} } $$ 觀察者可以選擇合法的顯現，但不能僅因希望看見某物，就把推論或生成內容改寫成世界事實。 --- # 24. 結語：我們到底想看什麼？ 早期萬能光工作把問題從可見光推向更廣的顯現可能；感知主權把顯化與未顯化的邊界交給算子；客製化光追開始拒絕所有 ray 等價；OFP 把物理計算與主體呈現分離；APR 把「看」變成預算治理；NVCL 把顯現變成可觀察與可修正的閉環；MRMIC 與 PNCW 則把 projection、surface、provider authority、verification 與 visibility 拆成工程層。 現在，這些線可以收斂成一個更簡單但更高階的問題： $$ \boxed{ \text{What do we actually want to see?} } $$ 這個問題不等於任性地要求世界變成想看的樣子。 它真正要求的是： $$ \boxed{ \text{Given a real world state, an observer, a goal, uncertainty, risk, and a finite budget,} } $$ $$ \boxed{ \text{what should be manifested, at what depth, by which renderer, with what evidence and reversibility?} } $$ 當這個問題成為第一級計算對象，渲染就不再只是 graphics pipeline 的末端。 它成為： $$ \boxed{ \text{a governed compiler from world state to observer-relative manifestation.} } $$ 這就是 Observer-Sovereign Rendering 的起點。 --- # 參考來源 ## 內部／EveMissLab 譜系來源 1. Neo.K，《虛空拓撲與萬能光：穿越泡沫海的終極實在》，歷史內部文件。 2. Neo.K，《基底視覺論：弱形式、強形式與感知位格》，2026。 3. Neo.K，《OFP (Omnilux Field Processor) 論文：2D 繪圖的物理化革命》，歷史內部／工程理論文件。 4. EveMissLab, APR — Adaptive Perceptual Reading / Agentic Perception Runtime. https://github.com/kakon77777-commits/APR 5. EveMissLab, MRMIC/NVCL. https://github.com/kakon77777-commits/MRMIC_NVCL 6. EveMissLab, PNCW — Projection-Native Computational World. https://github.com/kakon77777-commits/PNCW 7. Neo.K，《視之一般算子論：差異的場化、位格化與回饋化》，2026。 ## 外部技術來源 8. NVIDIA ADLR. "DLSS 5: Generative Neural Rendering." 2026-09-01. https://research.nvidia.com/labs/adlr/DLSS5/ 9. NVIDIA. "DLSS 5 3D-Guided Neural Rendering Debuts in NBA 2K27." 2026-09-01. https://www.nvidia.com/en-gb/geforce/news/dlss-5-3d-guided-neural-rendering/ 10. NVIDIA Real-Time Graphics Research. "Neural Appearance Models for Real-Time Rendering." https://research.nvidia.com/labs/rtr/neural_appearance_models/ 11. Takikawa et al. "Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D Shapes." https://research.nvidia.com/nglod 12. Wang et al. "Real-Time Level-of-Detail Rendering with ReSTIR." SIGGRAPH 2026. https://research.nvidia.com/labs/rtr/publication/wang2026levelofdetail/ --- # 附錄 A：來源成熟度註記 | 來源 | 本篇使用方式 | 成熟度 | |---|---|---| | 萬能光 | 概念史背景 | 歷史理論，不作工程前提 | | 感知主權 | 顯化／未顯化／邊界算子 | 可直接引用既有文本 | | OmniTrace／ExtremeTrace | 歷史概念譜系 | 原始 canonical 母稿待回收 | | OFP | 工程祖先 | 已有長篇理論／實作設計文件 | | APR | 感知治理 runtime | 已有公開 GitHub、理論系列與測試 | | NVCL／MRMIC | 視覺閉環／表面 | 已有公開 GitHub 與 canonical theory | | PNCW | projection control plane | 已有公開 GitHub 與 Core MVP | | DLSS 5 | 外部收斂證據 | 2026 NVIDIA 官方研究／產品資料 | | OSR | 新研究綱領 | 本篇 v0.1，尚待 OSR-01–07 與 MVP 驗證 | --- # 附錄 B：一句話版本 > **OSR 不先問「怎樣把整個世界算得更真」，而先問「這個觀察者此刻到底需要世界怎樣顯現」，再由 APR 與感知編譯器把需求分配給 Raster、Ray、Neural、Cloud、Semantic 與 Reuse 等異質 renderer，並以世界真值分離、驗證與可逆性約束最終顯示。**