--- title: "我們到底想看什麼？觀察者、目的與顯現場" english_title: "What Do We Actually Want to See? Observers, Objectives, and Manifestation Fields" series: "Observer-Sovereign Rendering（OSR）" paper_id: "OSR-01" 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／AI-native rendering／active perception／computational graphics" status: "初版完成" --- # 我們到底想看什麼？ ## 觀察者、目的與顯現場 # What Do We Actually Want to See? ## Observers, Objectives, and Manifestation Fields **論文編號：** OSR-01 **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 傳統即時渲染通常將問題寫成：給定世界、相機、材質、光源與計算預算，如何產生一幅足夠接近目標外觀的影像。這個問題非常重要，但它隱含了一個常被省略的前提：**我們已經知道「要看什麼」**。 本篇提出 Observer-Sovereign Rendering（OSR）的第一個正式理論層：渲染之前，應先形式化觀察者、觀察目的、世界真值、可顯現集合、未顯現集合，以及在有限資源下何者構成「充分顯現」。本文將觀察者定義為不只包含相機位置，而包含目標、感知偏好、歷史、不確定性、風險、權限與資源預算的條件化主體；將觀察問題定義為對世界提出的有限查詢；再將最終顯示畫面推廣為「顯現場」（Manifestation Field），亦即世界在特定觀察者、問題、時間與治理約束下的可操作投影。 本文核心命題為： $$ \boxed{ \text{Rendering should not begin from pixels or rays;} } $$ $$ \boxed{ \text{it should begin from the question of what must become manifest for this observer now.} } $$ 本文進一步區分 canonical world truth、derived state、inferred appearance 與 generated appearance，並提出 Representation Sovereignty：使用者或上位系統應能知道某個可見內容究竟來自世界、轉換、估測、重建或生成。觀察者主權不是世界修改權；個人化顯現不能隱藏強制安全資訊，也不能把低信心推論偽裝成世界事實。 在資源配置上，本文直接繼承 APR 的 Perceptual Budget Economy，把「充分顯現」定義為一個受品質、任務成功、critical-miss、延遲與成本共同約束的最小化問題。本文同時將 active perception、foveated rendering、level-of-detail、neural rendering 與 generative rendering 放入同一比較框架，指出它們分別解決感知控制、空間資源分配、表示複雜度與外觀生成，但尚不足以單獨回答 OSR 的上位問題：**誰在看、為什麼看、什麼必須顯現、什麼可以延後，以及顯現內容的真值身分是什麼。** 本文最後建立 OSR-02 所需的接口：Observation Probe 與 Perceptual Rendering Compiler。OSR-01 不直接決定如何追蹤 ray 或呼叫 neural renderer，而先規定 compiler 必須接收什麼語義條件、輸出什麼顯現義務，以及哪些安全與真值不變量不能被最佳化掉。 **關鍵詞：** Observer-Sovereign Rendering、Manifestation Field、Observer Operator、Active Perception、APR、Representation Sovereignty、Perceptual Budget、Neural Rendering、Foveated Rendering、World Truth --- # 0. 本篇的位置 OSR-00 完成的是理論譜系重構： $$ \text{Omnilux} \rightarrow \text{Perception Sovereignty} \rightarrow \text{Custom Ray Tracing} \rightarrow \text{OFP} \rightarrow \text{APR/NVCL/PNCW} \rightarrow \text{OSR}. $$ OSR-01 不再處理歷史。 本篇只回答一個問題： $$ \boxed{ Q_0: \text{What do we actually want to see?} } $$ 這個問題看似主觀，實際上是一個可以被形式化的 computational interface problem。 因為任何有限 renderer 都必須在： - 空間； - 時間； - 幾何； - 材質； - 光照； - 語義； - 不確定性； - 網路； - 算力； - 延遲； 之間做選擇。 若不顯式表示觀察目的，這些選擇仍然存在，只是被藏在： - engine defaults； - graphics presets； - camera； - LOD； - shader； - sampling policy； - model architecture； - product designer assumptions； 之中。 OSR 的第一步不是創造主觀性。 而是把本來隱藏的觀察條件顯式化。 --- # 1. 世界不等於畫面 定義 canonical world state： $$ W_t. $$ 它表示在時間 $t$，由遊戲引擎、模擬器、數位孿生、資料庫或其他 authoritative state source 所承認的世界狀態。 顯示畫面記為： $$ V_t. $$ OSR 的第一條分界： $$ \boxed{ W_t\neq V_t. } $$ 原因非常簡單。 世界可以包含： - 不在 camera frustum 中的物件； - 被遮蔽物件； - 未載入高解析資產； - invisible trigger； - AI agent internal state； - physics state； - semantic relation； - metadata； - 權限資訊。 反過來，畫面也可以包含： - UI； - color grading； - outline； - subtitles； - debug overlays； - predicted lighting； - generated details； - accessibility transformation。 所以不存在普遍的： $$ W_t=V_t. $$ 比較合理的是： $$ V_t = \Pi(W_t;c_t), $$ 其中 $c_t$ 表示 projection conditions。 OSR 的工作，就是把這個 $c_t$ 從隱式參數提升成第一級可治理狀態。 --- # 2. Camera 不是完整觀察者 傳統 renderer 中，觀察條件常被壓縮成 camera： $$ C_t = (x_t,R_t,\text{FOV}_t,P_t). $$ 其中包含位置、旋轉、視野與 projection。 這對幾何投影足夠。 但它不知道： - 玩家現在在找誰； - 玩家正在戰鬥還是欣賞風景； - 使用者是否視力不佳； - 這一幀是否具有安全風險； - 系統是否已有可信舊狀態； - 哪個區域不確定； - 雲端模型是否值得呼叫； - 當前網路延遲是否允許； - 使用者是否允許生成式 augmentation。 因此本文定義 OSR Observer： $$ \boxed{ O_t = ( C_t, G_t, P_t, H_t, U_t, R_t, A_t, B_t ). } $$ 其中： - $C_t$：camera / sensor configuration； - $G_t$：goal； - $P_t$：perceptual profile； - $H_t$：observation / manifestation history； - $U_t$：uncertainty state； - $R_t$：risk state； - $A_t$：authority / permission； - $B_t$：available resource budget。 所以： $$ \boxed{ \text{Camera} \subset \text{Observer}. } $$ 不是所有 observer 都需要是人。 Observer 可以是： - 人類玩家； - AI agent； - screenshot evaluator； - autonomous vehicle perception module； - game replay camera； - accessibility renderer； - development debugger； - cinematic capture system。 --- # 3. 觀察目的不是 Prompt，而是 Goal State 令觀察者目的為： $$ G_t. $$ 它不等於自然語言 prompt。 Prompt 只是其中一種輸入形式。 更一般地： $$ G_t = ( g_t^{task}, g_t^{quality}, g_t^{safety}, g_t^{style}, g_t^{latency} ). $$ 例如： ## 3.1 一般遊戲目標 $$ g_t^{task} = \text{play normally}. $$ ## 3.2 搜索目標 $$ g_t^{task} = \text{find interactable objects}. $$ ## 3.3 戰鬥目標 $$ g_t^{task} = \text{identify immediate threats}. $$ ## 3.4 電影目標 $$ g_t^{quality} = \text{maximize cinematic appearance}. $$ ## 3.5 開發目標 $$ g_t^{task} = \text{inspect lighting and material errors}. $$ 不同 $G_t$ 不需要改變： $$ W_t, $$ 卻可以合法改變： $$ V_t. $$ 因此： $$ \boxed{ W_t=\text{constant} \not\Rightarrow V_t=\text{constant}. } $$ --- # 4. 觀察問題 Goal 還是太廣。 在每一個短時間窗內，系統真正處理的是有限問題。 定義 observation question： $$ q_t\in\mathcal Q. $$ 例如： $$ q_1= \text{「前方有沒有立即威脅？」} $$ $$ q_2= \text{「角色臉部需要多高外觀精度？」} $$ $$ q_3= \text{「背景是否已經足夠穩定，可以 reuse？」} $$ $$ q_4= \text{「這個反射需要 ray tracing 還是 neural approximation？」} $$ 同一 observer 可以在一幀內存在多個問題： $$ Q_t = \{ q_t^1,\ldots,q_t^n \}. $$ 因此 OSR 不要求一幀只有一個統一 objective。 它允許： $$ \boxed{ \text{Multi-objective Manifestation}. } $$ --- # 5. 顯現場 本篇正式定義 Manifestation Field。 給定： $$ (W_t,O_t,Q_t,\Gamma_t), $$ 其中 $\Gamma_t$ 是不可被局部偏好覆寫的治理與安全約束，定義： $$ \boxed{ \mathcal M_t = \mathcal M ( W_t, O_t, Q_t, \Gamma_t ). } $$ $\mathcal M_t$ 不是單一 RGB image。 它是一個「哪些世界內容以何種表示成為當下可取用」的場。 可將每個候選內容 $x$ 的顯現狀態寫成： $$ m_t(x) = ( v_t, d_t, r_t, c_t, p_t ). $$ 其中： - $v_t$：visibility / manifestation state； - $d_t$：representation depth； - $r_t$：realization class； - $c_t$：confidence； - $p_t$：provenance。 所以某物件可以： - 存在但未顯現； - 低解析顯現； - 以語義 overlay 顯現； - 以神經生成外觀顯現； - 只保留 structural carrier； - 暫時 reuse 舊 representation。 Manifestation Field 因此比 framebuffer 更一般。 --- # 6. 已顯現域與未顯現域 令世界在當前 observer 可合法取得的候選資訊集合為： $$ \Phi_t. $$ 將其分成： $$ \Phi_t = \Phi_t^{M} \sqcup \Phi_t^{U}, $$ 其中： - $\Phi_t^{M}$：Manifested； - $\Phi_t^{U}$：Unmanifested。 注意： $$ x\in\Phi_t^{U} $$ 不等於： $$ x\notin W_t. $$ 未顯現可以因為： - camera 外； - occlusion； - budget 不足； - privacy； - authority； - irrelevance； - temporal reuse； - unresolved uncertainty； - 尚未生成高品質 representation。 這條分界直接繼承感知主權論最重要的操作骨架： $$ \boxed{ \text{unmanifested} \neq \text{nonexistent}. } $$ --- # 7. 顯現並不是越多越好 如果： $$ |\Phi_t| $$ 非常大，而資源有限： $$ B_t<\infty, $$ 則全量最高品質顯現通常不可行。 因此： $$ \boxed{ \text{Maximum Manifestation} \neq \text{Optimal Manifestation}. } $$ 一個 renderer 若把所有區域都： - 最高 geometry LOD； - 最高 texture； - 全 path tracing； - full cloud neural enhancement； - full semantic analysis； 不一定更好。 它可能造成： $$ \text{Latency}\uparrow, $$ $$ \text{Cost}\uparrow, $$ $$ \text{Energy}\uparrow, $$ $$ \text{TemporalInstability}\uparrow. $$ OSR 的問題因此不是： $$ \max Quality. $$ 而是： $$ \max Utility $$ subject to finite resources and invariants。 --- # 8. APR 的感知預算直接成為 OSR 的資源層 APR-05 已將感知預算寫成多維向量： $$ \mathbf B_t = ( B_t^{tok}, B_t^{flop}, B_t^{lat}, B_t^{mem}, B_t^{eng}, B_t^{io} ). $$ OSR 將 rendering-specific 預算擴展為： $$ \boxed{ \mathbf B_t^{OSR} = ( B_t^{gpu}, B_t^{vram}, B_t^{lat}, B_t^{net}, B_t^{cloud}, B_t^{energy}, B_t^{risk} ). } $$ 其中： - $B_t^{gpu}$：local GPU budget； - $B_t^{vram}$：local residency budget； - $B_t^{lat}$：latency budget； - $B_t^{net}$：network bandwidth / jitter budget； - $B_t^{cloud}$：remote inference budget； - $B_t^{energy}$：energy budget； - $B_t^{risk}$：可以容許的 perceptual miss / inference uncertainty。 所以「看多少」和「怎麼畫」不再是兩個完全分離的問題。 --- # 9. 充分顯現 APR 使用 Minimum Sufficient Perception。 OSR 對應提出： $$ \boxed{ \text{Minimum Sufficient Manifestation}. } $$ 令候選顯現計畫為： $$ M. $$ 其成本為： $$ C(M). $$ 任務成功機率為： $$ P(Success\mid M). $$ critical miss 為： $$ P(CriticalMiss\mid M). $$ 則： $$ \boxed{ M_t^{*} = \arg\min_M C(M) } $$ subject to： $$ P(\text{Success}\mid M)\ge\tau_S, $$ $$ P(CriticalMiss\mid M)\le\epsilon_C, $$ $$ Q(M)\ge\tau_Q. $$ 這個定義很重要。 OSR 不是追求「最低畫質」。 而是： $$ \boxed{ \text{最低成本的充分、可靠、可接受顯現。} } $$ --- # 10. 顯現效用 定義區域或內容 $x$ 的顯現效用： $$ U_M(x,t) = \alpha G(x,t) + \beta I(x,t) + \gamma R(x,t) + \delta Q(x,t) + \eta C_f(x,t) - \lambda K(x,t). $$ 其中： - $G$：goal relevance； - $I$：information gain； - $R$：risk coverage； - $Q$：visual / perceptual quality contribution； - $C_f$：continuity / consistency contribution； - $K$：resource cost。 因此一個背景牆面即使占畫面很多 pixel： $$ Area(x)\uparrow $$ 也可能： $$ U_M(x,t)\downarrow. $$ 而角色臉部占畫面較小： $$ Area(y) 使用者想看到什麼，就把世界畫成什麼。 本文明確否定。 觀察者主權只適用於合法 manifestation choice： $$ \boxed{ \mathcal S_O \subset \mathcal M_{\mathrm{allowed}}. } $$ 其中 allowed space 受： $$ \Gamma_t $$ 約束。 $\Gamma_t$ 至少可以包含： - world truth； - safety； - platform rules； - accessibility requirements； - multiplayer fairness； - creator constraints； - legal / privacy boundary。 因此： $$ \boxed{ \text{Observer Sovereignty} \neq \text{World Mutation Sovereignty}. } $$ --- # 13. 強制顯現義務 某些內容即使 goal relevance 很低，也不得被最佳化掉。 定義 mandatory manifestation set： $$ \mathcal H_t. $$ 若： $$ x\in\mathcal H_t, $$ 則： $$ m_t(x)\neq HIDDEN. $$ 例如： - 即時危險； - 明確系統故障； - 強制 UI； - multiplayer 中必須一致的 gameplay fact； - accessibility safety signal。 所以 OSR 的 optimization 必須 subject to： $$ \boxed{ \forall x\in\mathcal H_t: \text{Visibility}(x)\ge v_{\min}. } $$ 這防止「高度個人化」退化成 attention tunnel。 --- # 14. 探索顯現預算 即使目前沒有證據認為某區域重要，也不能永遠不看。 令： $$ B_t = B_t^{task} + B_t^{safety} + B_t^{explore}. $$ 其中： $$ B_t^{explore}>0 $$ 在一般開放世界中通常應成立。 這使系統可以： - 定期低成本刷新背景； - 探測新奇事件； - 驗證 reuse 是否仍成立； - 避免過度依賴舊 state。 因此： $$ \boxed{ \text{Selective Manifestation} \neq \text{Permanent Blindness}. } $$ --- # 15. 顯現的時間性 Rendering 不是每幀獨立問題。 定義 Manifestation History： $$ H_t^M = \{ \mathcal M_{t-k},\ldots,\mathcal M_t \}. $$ 若世界局部變化很小： $$ \Delta W_t(x)\approx0, $$ 且 projection mapping 保持有效，則： $$ Reuse(x) $$ 是合法 realization。 若： $$ \Delta W_t(x)\gg0, $$ 或： $$ Confidence(H_t^M(x))<\tau, $$ 則必須重新 materialize。 所以： $$ \boxed{ \text{Frame Generation} \rightarrow \text{Temporal Manifestation Management}. } $$ 這也是雲端 AI rendering 可行的關鍵：cloud update rate 不必等於 display refresh rate。 --- # 16. 顯現變化率 定義： $$ \dot{\mathcal M}_t(x) = D( m_t(x), m_{t-\Delta t}(x) ). $$ 高變化區： $$ \dot{\mathcal M}_t(x)\uparrow $$ 通常需要： $$ \nu_t(x)\uparrow, $$ 其中 $\nu_t$ 是更新頻率。 穩定區： $$ \dot{\mathcal M}_t(x)\downarrow $$ 則允許： $$ \nu_t(x)\downarrow. $$ 但這不是唯一因素。 若穩定區突然具有高風險： $$ R_t(x)\uparrow, $$ 仍可能強制重新觀察。 因此 temporal budget 必須同時考慮： $$ \Delta, R, U, G. $$ --- # 17. 世界真值、派生真值、推論外觀與生成外觀 本文正式定義四層： ## 17.1 Canonical World Fact $$ F_W. $$ 由 authoritative world state 明確持有。 例如： - 角色位置； - 角色 HP； - 物件 ID； - door state； - geometry； - game rule state。 ## 17.2 Derived Fact $$ F_D = f(F_W). $$ 可由確定性或有界誤差算法從 canonical state 推導。 例如： - depth； - motion vector； - visibility； - navigation distance。 ## 17.3 Inferred Appearance $$ A_I = \hat f(F_W,E). $$ 由 AI 或統計模型估測。 例如： - 更細的材質外觀； - 未明示的微表面； - perceptual enhancement。 ## 17.4 Generated Appearance $$ A_G. $$ 由生成模型加入，但不必具有 world-level truth claim。 因此： $$ \boxed{ F_W \succ F_D \succ A_I \succ A_G } $$ 不是價值高低排序，而是真值 authority 層級。 --- # 18. Representation Sovereignty 任何 OSR output 若包含 transform / inference / generation，都應保存 representation state。 定義： $$ \boxed{ \pi_i = ( source_i, transform_i, confidence_i, latency_i, mode_i ). } $$ 其中： $$ mode_i \in \{ \text{direct}, \text{derived}, \text{inferred}, \text{generated}, \text{reused} \}. $$ 使用者或上位 runtime 必須能回答： > 這個東西為什麼出現在畫面上？ 若不能回答，則 OSR 的可治理性失敗。 所以： $$ \boxed{ \text{Visible} \not\Rightarrow \text{World Fact}. } $$ --- # 19. Confidence-Gated Manifestation 若推論內容： $$ \hat y $$ 信心： $$ c(\hat y) 畫漂亮一點。 而是接一組： $$ \{\mu_1,\ldots,\mu_n\}. $$ --- # 31. 顯現義務的例子 假設玩家正在和 NPC 對話。 可以產生： ### 臉部 $$ \mu_{face} = ( \text{face}, D_3, D_4, \varnothing, 16ms, \text{generated\_marked} ). $$ ### 背景牆 $$ \mu_{wall} = ( \text{wall}, D_1, D_2, \varnothing, 100ms, \text{direct/derived} ). $$ ### 危險提示 $$ \mu_{hazard} = ( \text{hazard}, \text{visible}, \text{high contrast}, \text{hidden}, 0ms, \text{world fact} ). $$ 所以同一 frame 的不同區域，本來就不需要使用同一種 realization。 --- # 32. 一個最小 Observer Operator 本篇給出 OSR-01 的最小 operator： $$ \boxed{ \mathcal O_M: (W_t,O_t,Q_t,\Gamma_t) \rightarrow \mathcal U_t } $$ 其中： $$ \mathcal U_t = \{ \mu_1,\ldots,\mu_n \} $$ 是 Manifestation Obligations。 注意： $$ \mathcal O_M $$ 還不產生 pixel。 它只回答： > **哪些東西需要以什麼最低／理想條件顯現？** 下一篇才處理： $$ \mathcal C_R: \mathcal U_t \rightarrow P_t^{\text{render}}. $$ --- # 33. OSR-01 與 OSR-02 的邊界 OSR-01： $$ \boxed{ \text{Meaning} \rightarrow \text{Manifestation Obligation}. } $$ OSR-02： $$ \boxed{ \text{Manifestation Obligation} \rightarrow \text{Observation Probe / Render Plan}. } $$ 這個分界非常重要。 否則我們會再次把： - 觀察目標； - ray； - shader； - neural model； 全部混在一起。 --- # 34. 第一個演算法骨架 OSR-01 可以先寫成： ```text INPUT: canonical world W observer O questions Q governance constraints Γ 1. Resolve accessible world scope. 2. Extract mandatory manifestation set H. 3. Estimate task relevance, uncertainty, risk, and freshness. 4. Partition candidate contents into manifestation regions. 5. Assign minimum manifestation obligations. 6. Assign preferred manifestation depth. 7. Attach provenance and confidence requirements. 8. Reserve safety and exploration budget. 9. Emit Manifestation Obligations U. 10. Pass U to OSR-02 Perceptual Rendering Compiler. ``` 此處故意不指定： - Vulkan； - DirectX； - CUDA； - ray count； - diffusion model； - cloud provider。 因為那些是 realization。 不是 OSR-01 的上位語義。 --- # 35. 理論假說 ## H1：Goal-Conditioned Manifestation Efficiency 若 renderer 可以取得 observer goal： $$ G_t, $$ 則在相同最低任務品質下： $$ C_{goal} < C_{uniform} $$ 應存在至少部分工作域。 --- ## H2：World/Manifestation Separation Improves Generative Safety 若： $$ W_t $$ 與： $$ V_t $$ 明確分離， 則 generative rendering error 不必直接成為 world-state error。 --- ## H3：Representation Labels Improve Recoverability 若 inference / generation 具有： $$ \pi_i, $$ 則錯誤偵測、回退與 debug 的可恢復性應高於 provenance-free rendering。 --- ## H4：Multi-Depth Rendering Can Outperform Uniform Quality 對固定 budget： $$ B, $$ 存在場景使： $$ Q_{perceived}(M_{hetero}) > Q_{perceived}(M_{uniform}). $$ --- ## H5：Observer Equivalence Enables Shared Caching 若： $$ O_i \equiv_{\mathcal Q'} O_j, $$ 則共用 representation 可以降低： $$ C_{total}. $$ --- # 36. 可反證條件 本文不是只要「看起來合理」就成立。 至少有以下反證條件。 ## F1：Observer State 沒有提供額外效用 若加入： $$ G,P,H,U,R,A,B $$ 後，在大量實際場景中完全無法優於 camera-only policy，則 Observer 擴展缺乏工程價值。 ## F2：Manifestation Obligation 無法穩定編譯 若不同實作者無法從相同： $$ (W,O,Q,\Gamma) $$ 得到可比較的 obligation set，表示 OSR-01 規格不足。 ## F3：Safety Constraint 經常與個人化不可調和 若 observer personalization 大量造成 critical information loss，則主權空間需要收縮。 ## F4：Provenance Cost 過高 若 representation labels 的時間、儲存與 pipeline 複雜度遠高於可恢復收益，則 provenance granularity 必須重新設計。 ## F5：Uniform Rendering 已足夠便宜 若某硬體／場景中： $$ C_{uniform} \approx0 $$ 相對於總系統成本，OSR 動態 allocation 在該域可能沒有價值。 所以 OSR 並不主張所有 renderer 都必須永遠自適應。 --- # 37. 第一代實驗不需要等完整遊戲 OSR-01 的理論可以先用一個小型 3D 場景驗證。 場景具有： - 一個角色； - 一個動態光源； - 一個靜態背景； - 一個 hazard； - 一個 interactable object。 建立三個 observer： $$ O_{cinematic}, $$ $$ O_{combat}, $$ $$ O_{inspection}. $$ 世界完全相同： $$ W. $$ 只改： $$ O,Q. $$ 比較其 Manifestation Obligations 是否自然產生不同資源需求。 若不能，OSR-01 的 observer model 就需要修改。 --- # 38. 與 APR 的正式接口 APR 可以提供： $$ APRState_t = ( \text{belief}, \text{evidence}, \text{freshness}, \text{uncertainty}, \text{risk}, \text{budget} ). $$ OSR-01 將其讀入： $$ O_t, $$ 再生成： $$ \mathcal U_t. $$ 因此： $$ \boxed{ APR \rightarrow OSR\text{-}Observer \rightarrow \text{ManifestationObligations}. } $$ OSR 不複製 APR。 只 consumption。 --- # 39. 與 PNCW 的正式接口 PNCW 管： $$ \text{REQUESTED} \rightarrow \text{RESOLVED} \rightarrow \text{READY} \rightarrow \text{PROJECTED} \rightarrow \text{VERIFIED} \rightarrow \text{VISIBLE}. $$ OSR-01 的： $$ \mu_i $$ 可成為 projection request 的上游 requirement。 因此： $$ \boxed{ OSR\text{-}01 \rightarrow OSR\text{-}02 \rightarrow PNCW. } $$ PNCW 不需要知道 observer ontology 的全部細節。 它只需要收到足夠清楚的 projection contract。 --- # 40. 與 MRMIC/NVCL 的正式接口 MRMIC 提供： - geometry / projection surface； - provider resource portal； - visual workspace； - interaction surface。 NVCL 提供： $$ \text{render} \rightarrow \text{observe} \rightarrow \text{diagnose} \rightarrow \text{repair}. $$ 因此 OSR 的 manifestation 不是一次性 commit。 它可以進入： $$ \boxed{ \mathcal M_t \rightarrow \text{Observation} \rightarrow \Delta \rightarrow \text{Revision} \rightarrow \mathcal M_{t+1}. } $$ 這讓 observer goal 本身也可以被 runtime feedback 修正。 --- # 41. OSR-01 的最終定義 本文最後把 Observer-Sovereign Manifestation 定義為： $$ \boxed{ \mathcal M_t = \mathcal M ( W_t, O_t, Q_t, \Gamma_t ) } $$ 其中： $$ O_t = ( C_t, G_t, P_t, H_t, U_t, R_t, A_t, B_t ). $$ 系統不是直接求： $$ \text{Pixels}. $$ 而是先求： $$ \boxed{ \mathcal U_t = \mathcal O_M(W_t,O_t,Q_t,\Gamma_t) } $$ 其中 $\mathcal U_t$ 是一組 Manifestation Obligations。 然後才由下一層決定： $$ \mathcal U_t \xrightarrow{\mathcal C_R} P_t^{\text{render}}. $$ 所以完整關係為： $$ \boxed{ \text{World} \rightarrow \text{Observer-Conditioned Obligations} \rightarrow \text{Render Plan} \rightarrow \text{Realization} \rightarrow \text{Verified Manifestation}. } $$ --- # 42. 核心命題集 ## P1｜World–View Separation $$ \boxed{ W_t\neq V_t. } $$ --- ## P2｜Camera Insufficiency $$ \boxed{ \text{Camera} \subset \text{Observer}. } $$ --- ## P3｜Plural Manifestation $$ \boxed{ W_t=\text{constant} \not\Rightarrow \mathcal M_t=\text{constant}. } $$ --- ## P4｜Minimum Sufficient Manifestation $$ \boxed{ \min C(M) } $$ subject to： $$ P(\text{Success}\mid M)\ge\tau_S, $$ $$ P(\text{CriticalMiss}\mid M)\le\epsilon_C. $$ --- ## P5｜Mandatory Visibility $$ \boxed{ x\in\mathcal H_t \Rightarrow \text{Visibility}(x)\ge v_{\min}. } $$ --- ## P6｜Representation Sovereignty $$ \boxed{ \text{Visible} \not\Rightarrow \text{World Fact}. } $$ --- ## P7｜Observer Sovereignty Boundary $$ \boxed{ \text{Observer Sovereignty} \neq \text{World Mutation Sovereignty}. } $$ --- ## P8｜Ray Is Not Primitive $$ \boxed{ \text{Ray} \subset \text{Observation Realization}. } $$ --- ## P9｜Temporal Manifestation $$ \boxed{ \text{Rendering} \rightarrow \text{Temporal Manifestation Management}. } $$ --- ## P10｜Compiler Boundary $$ \boxed{ \text{OSR-01} = \text{Meaning} \rightarrow \text{Manifestation Obligations}. } $$ --- # 43. 結論 本篇從一個非常普通、甚至看起來不像 computer graphics 的問題開始： > **我們到底想看什麼？** 但一旦世界規模、視覺品質、AI 能力與 heterogeneous compute 同時上升，這個問題會變成 renderer 無法逃避的第一級問題。 如果 renderer 不知道 observer 的： - goal； - uncertainty； - risk； - history； - authority； - budget； 它只能假設一個平均使用者與平均觀看方式。 這個假設在固定螢幕、固定相機、固定遊戲模式的時代尚可接受。 但在： - AI-native games； - AR / VR； - cloud-assisted rendering； - multimodal agents； - accessibility； - persistent worlds； - generative appearance； 中，這個平均值會快速失效。 OSR 因此提出： $$ \boxed{ \text{Rendering begins before rendering.} } $$ 真正的第一步不是： $$ \text{trace rays}, $$ 也不是： $$ \text{run a neural model}, $$ 而是： $$ \boxed{ \text{determine what must become manifest for this observer under this objective and these constraints.} } $$ 只有完成這一層，下一步才有資格問： > 要用 ray、raster、reuse、local neural，還是 cloud AI？ 這正是 OSR-02 的問題。 --- # 44. 下一篇 # OSR-02 ## 《從射線到觀察探針：廣義觀察算子與感知渲染編譯器》 下一篇將正式定義： $$ \text{ObservationProbe} $$ 與： $$ \text{PerceptualRenderingCompiler}. $$ 核心轉換： $$ \boxed{ \mathcal U_t \rightarrow \{ \text{Probe}_i \} \rightarrow P_t^{\text{render}}. } $$ 並開始把： - raster； - ray； - path tracing； - local neural； - cloud neural； - semantic query； - reuse； 放入同一 executable decision space。 --- # 參考資料 ## EveMissLab / 內部與公開研究 1. 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, 2026-09-18. 2. Neo.K. *基底視覺論：弱形式、強形式與感知位格*. EveMissLab, 2026. 3. Neo.K. *視之一般算子論：差異的場化、位格化與回饋化*. EveMissLab, 2026. 4. Neo.K. *OFP (Omnilux Field Processor)：2D 繪圖的物理化革命*. EveMissLab historical research document. 5. EveMissLab. *APR Paper 03: Multi-Scale Visual Reading and Re-observation*. 2026. 6. EveMissLab. *APR Paper 05: Perceptual Budget Allocation*. 2026. 7. EveMissLab. *APR — Adaptive Perceptual Reading / Agentic Perception Runtime*. https://github.com/kakon77777-commits/APR 8. EveMissLab. *MRMIC / NVCL*. https://github.com/kakon77777-commits/MRMIC_NVCL 9. EveMissLab. *PNCW — Projection-Native Computational World*. https://github.com/kakon77777-commits/PNCW 10. Neo.K. *TPEF Paper 06: Exosensory Visor and Cross-Sensory Intelligence Layer*. 2026. ## 外部研究 11. Li, Y., Guo, X., Zhang, H., Li, S., & Dai, X. *Active Visual Perception: Opportunities and Challenges*. arXiv:2512.03687, 2025. https://arxiv.org/abs/2512.03687 12. Zhang, Z., Gai, M., & Li, S. *Visual Acuity Consistent Foveated Rendering towards Retinal Resolution*. arXiv:2503.23410, 2025. https://arxiv.org/abs/2503.23410 13. Kergaßner, S., Tariq, T., & Didyk, P. *Towards Understanding Depth Perception in Foveated Rendering*. arXiv:2501.18635, 2025. https://arxiv.org/abs/2501.18635 14. NVIDIA ADLR. *DLSS 5: Generative Neural Rendering*. 2026. https://research.nvidia.com/labs/adlr/DLSS5/ 15. Perel, O., et al. *TRON: Tracing Rays to Orchestrate a Neural Renderer for 3D Gaussian Reconstructions*. NVIDIA / arXiv, 2026. https://research.nvidia.com/labs/sil/projects/tron/ 16. Wang, Y.-C., Kettunen, M., Lin, D., Wyman, C., & Zhao, S. *Real-Time Level-of-Detail Rendering with ReSTIR*. SIGGRAPH 2026. https://research.nvidia.com/labs/rtr/publication/wang2026levelofdetail/ 17. Wang, Y.-C., et al. *Gradient-Domain ReSTIR Path Tracing*. Eurographics 2026. https://research.nvidia.com/labs/rtr/publication/wang2026gradient/ 18. Wu, L., Lu, H., Xu, B., Hašan, M., & Ramamoorthi, R. *8DNA: 8D Neural Asset Light Transport by Distribution Learning*. SIGGRAPH 2026. https://research.nvidia.com/labs/rtr/publication/wu20268dna/ --- # 附錄 A｜與既有方法的最短區分 | 方法 | 主要回答 | |---|---| | Rasterization | 幾何如何快速投影成像素 | | Ray / Path Tracing | 光路如何被物理近似 | | LOD | 哪些幾何細節可以減少 | | Foveated Rendering | 哪些視野區域可以降低空間品質 | | Active Perception | 下一步值得取得什麼感知 | | Neural Rendering | 如何用神經表示／模型生成外觀 | | DLSS-like Generative Rendering | 如何以引擎條件生成更高真實度 final appearance | | APR | 何時看、看哪裡、看多深、何時重看 | | OSR-01 | 這個觀察者此刻究竟需要什麼成為顯現 | --- # 附錄 B｜一句話版本 > **OSR-01 將渲染的起點從「相機看到什麼」改成「在世界真值、安全、權限與有限資源約束下，這個觀察者為了當下目的，最低限度必須讓什麼成為可用的顯現」。**