Blog

Public
26 Oct, 2026

GHARP omogućuje animaciju 3D glava u stvarnom vremenu na mobilnim uređajima

Istraživači Applea predstavili su GHARP, novi metod za animaciju 3D ljudskih glava u stvarnom vremenu na temelju nekoliko ulaznih slika i signala upravljanja mimikom. Ključna inovacija leži u razdvajanju procesa u dvije faze: offline fazu obnavljanja identiteta koja izgrađuje detaljan prikaz geometrije i izgleda subjekta, te fazu animacije u stvarnom vremenu koja predviđa rezidualne vrijednosti ovisne o mimici. Ovo razdvajanje omogućuje da faza obnavljanja bude izračunski zahtjevna, dok faza animacije koristi lagani neuronski mrežu optimiziranu za mobilne uređaje. To stvara povoljan omjer između vizualne vjernoće, kvalitete i performansi u stvarnom vremenu.Faza animacije radi u semantički strukturiranom latentnom prostoru izvedenom iz prethodno treniranog modela rekonstrukcije. Ovaj pristup osigurava da promjene mimike ostaju prostorno ograničene, čineći predviđanje rezidualnih vrijednosti iznimno učinkovitim. Prior rekonstrukcije pruža dosljedan prostorni raspored, što olakšava spajanje više ulaznih pogleda u kompaktnu kanonsku Gaussovu reprezentaciju fiksne veličine. Iskoristivši ovaj strukturirani prostor, sustav može obrađivati složene pokrete lica bez potrebe za teškim izračunskim resursima tijekom faze renderiranja, čime održava visoku frekvenciju sličica potrebnu za interaktivne aplikacije.Značajan izazov metoda avatarima vođenim izrazima lica leži u tome što kodovi izraza obično opisuju samo lice, a zanemaruju položaj tijela i odjeće. To propuštanje ostavlja te regije nedovoljno definirane, što dovodi do loše postavljenog problema u kojem mreža za animaciju može pribjeći prosječnom prikazu sukobljenih izgleda tijela, što uzrokuje vizualno zamućenje i vremensko treperenje. Kako bi se to riješilo, GHARP uključuje mrežu za poravnanje tijela koja uči poravnavati tijelo osobe na ciljanom snimku s ulaznim referentnim snimcima. Ovo poravnanje uklanja dvosmislenost iz signala za učenje, osiguravajući da elementi koji nisu dio lica ostaju stabilni i dosljedni tijekom animacije.Metoda postiže vrhunsku kvalitetu na benchmarku Ava-256, istovremeno značajno poboljšavajući učinkovitost. Na GPU-ju A100, GHARP radi do 13 puta brže od usporedivih metoda, koristeći 8 puta manje Gaussovih čestica. Ovo smanjenje računalnog opterećenja i povećanje brzine čine tehnologiju izvedivom za aplikacije u stvarnom vremenu na potrošačkoj opremi. Kombinacija visokokvalitetne rekonstrukcije i učinkovite obrade u stvarnom vremenu pozicionira GHARP kao praktično rješenje za developere koji žele integrirati realistične animacije glave u mobilne i XR platforme bez kompromisa u performansama.

Public
26 Oct, 2026

Adobe Substance 3D Painter 12.2: nove funkcije Cage Painting i Polygon Fill

Adobe je objavila Substance 3D Painter 12.2, najnoviju verziju profesionalnog softvera za izradu 3D tekstura, namijenjenog igrama, animaciji, motion grafici i VFX. Ažuriranje je usmjereno na poboljšanje procesa pečenja tekstura (baking) putem novog radnog procesa s četkicom, posebno razvijenog za rješavanje problema s kavezom (cage). Glavni cilj je pojednostaviti rad umjetnika s visokopoligonalnim assetima koji izlaze iz granica automatski generiranog kaveza. Nova metoda korekcije je intuitivnija i preciznija u usporedbi s prethodnim postavkama globalnih parametara.Ključna novost u ovoj verziji je radni proces cage painting, koji omogućuje izravno crtanje po meshu za prilagodbu kaveza. Umjesto da se oslanjaju isključivo na promjenu globalnog pomaka udaljenosti, umjetnici sada mogu koristiti alate Paint, Eraser i Polygon Fill za lokalnu modifikaciju geometrije kaveza. To znatno pojednostavljuje ispravljanje specifičnih područja gdje dijelovi visokopoligonalnog modela izlaze izvan kaveza tijekom pečenja. Vrijedi napomenuti da je to već drugo veliko poboljšanje radnog procesa koje je Adobe predstavila ove godine, nakon verzije 12.1, koja je umjetnicima omogućila crtanje za upravljanje smjerom normala i ispravljanje artefakata u pečene mapama.Značajna ažuriranja primijenjena su i na alat Polygon Fill, koji sada nudi dva nova načina odabira za petlje poligona. Način "Polygon loop fill" omogućuje korisnicima da popune kompletnu petlju kvadova jednim klikom, dok način "Partial polygon loop fill" omogućuje povlačenje pravokutnog dijela kvadova na površini mreže. Osim toga, alat sada podržava sve načine miješanja dostupne u sloju slojeva, pružajući veću fleksibilnost pri primjeni tekstura. Sučelje je preuređeno kako bi se poboljšala učinkovitost radnog procesa, pri čemu je ključna promjena ta da se nevidljivi poligoni po zadanoj postavci odbacuju. Ovo sprječava slučajno popunjavanje stražnje strane mreže, smanjujući uobičajene greške tijekom faze teksturiranja.Dodatna poboljšanja radnog procesa uključuju značajku koja ističe odgovarajuću geometriju u 3D prikazu kada se pokazivač nalazi nad stavkom u popisu Texture Set, što olakšava navigaciju i odabir. Prikaz u stvarnom vremenu sada podržava prozirnost neovisnu o redoslijedu iscrtavanja, što učinkovito sprječava artefakte treperenja koji se često javljaju tamo gdje se prozirne ili poluprozirne površine preklapaju. Substance 3D Painter 12.2 dostupan je za Windows 11, RHEL 8.6/9.2+, Ubuntu 22.04+ Linux i macOS 15.0+. Trajne licence dostupne su putem Steam za 199,99 USD. Softver je također dostupan putem pretplata Adobe Creative Cloud, pri čemu plan Substance 3D Texturing košta 24,99 USD mjesečno ili 249,99 USD godišnje, a Substance 3D Collection 59,99 USD mjesečno ili 599,99 USD godišnje.

Public
26 Oct, 2026

Platforma NVIDIA Minerva AIOps povezuje telemetriju AI fabrika radi maksimizacije učinkovitosti GPU

AI fabrike predstavljaju neke od najkompleksnijih operativnih okruženja ikada izgrađenih, gdje stotine tisuća GPU, mreže NVIDIA Spectrum-X Ethernet, mreže NVLink za skaliranje i distribuirani planeri rade u neprekidnom sinkronom režimu. U sinkronom distribuiranom treniranju, cijeli zadatak napreduje u ritmu najsporijeg ranga, što znači da jedan degradirani GPU, sučelje ili put prekidača može uzrokovati gubitak korisnog vremena na mnogim zdravim resursima. Kvarovi koji smanjuju prinos često su suptilni, kao što su GPU koji radi malo toplije od susjeda, NVMe uređaj koji gubi performanse pod stalnim opterećenjem ili prekidač koji generira oluje okvira pauze. Ovi signali rijetko pojedinačno prelaze statičke pragove, ali zajedno stvaraju zaostatke, produžavaju vrijeme koraka i odgađaju kontrolne točke, što dovodi do značajnih produkcijskih gubitaka.Slika 1. Platforma promatranja NVIDIA Minerva AIOpsDijagnostika je dodatno komplicirana jer su dokazi raspršeni po različitim timovima: operateri mreže vide brojače sučelja, operateri izračunavanja vide zdravlje čvorova, a ML timovi vide promjene u vremenu koraka. Ova fragmentacija pretvara triage u lanac pretraga na nadzornim pločama i prijenosa zadataka između timova, što može pretvoriti lokaliziranu kvar u dane izgubljenog produkcijskog vremena. NVIDIA Minerva rješava te praznine prikupljanjem telemetrije kroz cijeli stek i mapiranjem infrastrukture na aktivne poslove u dinamičnom grafu znanja. Primjenjuje namjenski razvijano strojno učenje za korelaciju ovisnih simptoma u incidente visoke vjernosti. Asistent pokretan AI agentom i MCP poslužitelj povezan s vanjskim agentskim alatima pružaju konverzacijom vođen put kroz ove žive dokaze, s glavnim ciljem očuvanja učinkovitih GPU sati i osiguranja glatkog tijeka obuke modela.Slika 2. Graf topologije NVIDIA MinervaPraćenje na temelju pravila loše se nosi s "sivim kvarovima", kada komponente ostaju dostupne, ali pokazuju probleme samo pod opterećenjem ili u usporedbi s susjedima. Apsolutni pragovi često propuštaju te promjene, dok agresivni pragovi stvaraju šum tijekom uobičajenih promjena opterećenja. Ljestvica pojačava taj problem, jer jedan fizički kvar može izazvati pogreške sučelja, indikatore gužve i promjene iskorištenosti GPU-a, koji se na različitim nadzornim pločama pojavljuju kao nesvežani događaji. Minerva prima metrike, dnevnik i topologiju s GPU-ova, Spectrum-X i NVLink prekidača, SuperNIC-ova, DPU-ova, pohrane, NCCL-a i planera. Automatsko otkrivanje opskrbljuje odnosima koje sirova telemetrija nema, stvarajući graf znanja koji mapira elemente infrastrukture, planera i radnih opterećenja. Ovaj graf dinamički se ažurira kako se poslovi pokreću, zaustavljaju ili kako se čvorovi zamjenjuju, podržavajući navigaciju od pregleda cijele tvornice do pojedinog sučelja.Slika 3. Proaktivno održavanje SuperNIC-aGraf topologije transformira put istraživanja, omogućujući operatorima da prate anomalije od sučelja do njegovog čvora, puta u mreži i trenutnog smještaja posla. S druge strane, ML inženjeri mogu pratiti ID posla kroz dokaze na GPU-u, hostu, NIC-u i prekidaču. Minerva obrađuje milijarde točaka podataka metrika i dnevnika na sat, koristeći nadzirane i nenadzirane modele. Nadzirano otkrivanje identificira poznate kritične obrasce grešaka i povezuje ih s uputama za otklanjanje, dok nenadzirani modeli uče normalne obrasce za hardverske ili logičke komponente i uspoređuju ih s relevantnim susjedima. Usporedba s susjedima ključna je jer mjerenje može izgledati prihvatljivo u izolaciji, ali anomalno u kontekstu, na primjer temperatura GPU-a unutar specifikacije, ali znatno viša od susjednih GPU-ova pod istim opterećenjem. Multivarijatni modeli kombiniraju temperaturu, snagu, sate i iskorištenost kako bi otkrili degradaciju prije potpunog kvara.Dnevnici dobivaju sličan tretman: otkrivanje anomalija na temelju NLP-a ističe prethodno neviđene obrasce, a nadzirano usklađivanje identificira poznate kritične greške. Otkrivanja se mogu proslijediti u radne tokove planera kako bi se pogođeni čvorovi ispraznili prije nego što na njih stignu novi poslovi ili u sigurnim intervalima kontrolnih točaka. Korelacija s obzirom na topologiju povezuje otkrivanje s radnjama operatora, koristeći graf znanja za određivanje koji događaji dijele put ovisnosti. Sporedni simptomi grupiraju se u jedan incident, umjesto da se natječu za pažnju, spajajući suvišne događaje i povezane serije metrika u jedan signal s priloženom pogođenom topologijom i radnim opterećenjima. NVIDIA testovi pokazuju značajno smanjenje broja obaviještenih događaja i zapisa za podržane scenarije, omogućujući operatorima da započnu s mnogo manjim prostorom pretrage za analizu uzroka.NVIDIA Minerva uključuje nativnog AI agenta po imenu Sherlock, temeljenog na uživoj telemetriji i grafu znanja, koji omogućuje operatorima da upitaju sustav za analizu uzroka na prirodnom jeziku. Sherlock može prikazati potporna dokazna sredstva i preporučiti mjere za otklanjanje bez zahtijevanja od operatora znanja specifičnih metrika ili jezika upita, pružajući put do stručnog znanja koje je tradicionalno zahtijevalo eskalaciju specijalistima. Osim toga, MCP poslužitelj Minerve omogućuje vanjskim agenticima alatima da upitaju isti operativni kontekst, omogućujući timovima da u svoje radne tokove ugrade dokaze iz AI fabrike uživo. Mjere ublažavanja mogu ostati odobrene od strane ljudi ili se automatizirati u skladu s lokalnom politikom i procjenom rizika. U velikom AI podaci centru, Minerva je identificirala jedno NVLink spajanje od 400.000 sučelja koje gubi propusnost, omogućujući SRE-u da isprazni pogođene čvorove i obnovi punu brzinu u minutama, a ne satima.

Public
26 Oct, 2026

Meta potvrdila pad prodaje Questa i pomakla fokus VR strategije na revolucionarne izdaje

Najnoviji kvartalni izvještaj Meta pokazuje značajan pad prodaje Quest uređaja, što je dovelo do pada prihoda odjela Reality Labs za 6% u trećem tromjesečju 2026. godine. Ukupni prihodi segmenta iznosili su 443 milijuna dolara. Ovaj pad je djelomično ublažen stalnim rastom prihoda od AI naočala, što ukazuje na jasnu promjenu potrošačkog potražnje i korporativnih prioriteta. Financijski podaci naglašavaju: iako prodaja VR hardvera usporava, novi nosivi uređaji s naglaskom na AI dobivaju na značaju, mijenjajući strukturu prihoda Reality Labsa.Prema materijalima MetaU odgovoru na ove trendove, Meta je službeno promijenila svoj pristup razvoju hardvera za virtualnu stvarnost. Glavni izvršni direktor Mark Zuckerberg izjavio je da će kompanija od sada isporučivati nove VR uređaje samo kada postignu "velike proboje", slične napretku viđenom kod Meta VR Glassesa, izdanih ove godine. Ova strategija predstavlja odstupanje od prethodnog modela redovitih generacijskih nadogradnji za potrošačke VR naočale. Povezujući izlazak hardvera s značajnim tehnološkim skokovima, a ne s godišnjim ciklusima, Meta se de facto povlači s iterativnih poboljšanja u korist utjecajnijih, iako rjeđih, lansiranja proizvoda.Meta VR naočale | Prema materijalima MetaTrenutno kompanija daje prioritet putu prema osobnoj superinteligenciji i napretku u umjetnoj inteligenciji, koji su preuzeli primat nad neposrednom ekspanzijom VR hardvera. Zuckerberg je naglasio da, iako smatra da je VR nužan prethodnik budućeg holografskog iskustva koje spaja fizički i digitalni svijet, tempo ulaganja u ovo područje bit će prilagođen. Fokus je sada na isporuci mogućnosti umjetne inteligencije, dok VR služi kao temeljni korak, a ne kao glavni neposredni cilj. Ovaj strateški skretanje sugerira da se resursi preusmjeravaju iz potrošačkog VR sadržaja i hardvera u razvoj naprednih sustava umjetne inteligencije i nosivih uređaja.Pogledajući u budućnost, Meta VR Glasses, čije je lansiranje planirano za proljeće 2027. godine, pozicionirani su kao ključni proizvod namijenjen profesionalcima i entuzijastima, po cijeni od 1300 dolara. Ovaj uređaj se promatra manje kao tradicionalni VR headset, a više kao korak prema proširenoj stvarnosti. Istovremeno, budućnost platforme Quest, usmjerene na igre, ostaje neizvjesna, jer Meta odgađa iterativna VR izdanja. Iako bi moguće popuste na modele Quest 3 i 3S tijekom blagdanske sezone moglo privremeno potaknuti prodaju, kompanija je već povukla većinu sredstava namijenjenih razvoju VR sadržaja velikog obujma, čime potvrđuje dugoročnu predanost novom smjeru usmjerenom na umjetnu inteligenciju.

Public
26 Oct, 2026

Standard OpenXR Spatial Containers unificira volumski multitasking

Khronos je objavila nova proširenja OpenXR Spatial Container koja standardiziraju upravljanje sustavom prostorima za prikaz volumskog 3D sadržaja. Ovaj pristup odražava logiku tradicionalnih desktop operativnih sustava koji upravljaju 2D aplikacijama unutar prozora, ali primjenjuje taj koncept na imerzivna 3D okruženja. OpenXR ostaje vodeći otvoreni API za razvoj AR, VR i MR, kojim upravlja isti konzorcij iza OpenGL i Vulkan. Njegov glavni cilj je omogućiti razvojnicima izradu aplikacija koje besprijekorno rade na različitim hardverima naočala, bez oslanjanja na API-je specifične za proizvođače. Trenutno OpenXR podržavaju gotovo svi glavni proizvođači naočala, engineovi i runtime okruženja, s iznimkom Apple Vision Pro i PlayStation VR2 na platformi PS5.OpenXR prostorni spremnici, kako je prikazano na SIGGRAPH 2026.Nova proširenja omogućuju razvojnicima da kreiraju aplikacije koje prelaze između načina rada s više zadataka i potpuno uronjenih iskustava. Jedna aplikacija može sadržavati više Spatial Containera, a sustav kontrolira njihovo pozicioniranje. Razvojnik može specificirati preferiranu lokaciju za te kontejnere ili prepustiti sustavu da upravlja njihovim smještajem, na primjer tako da prate korisnika tijekom kretanja. Ova arhitektura konceptualno je slična modelu Shared Space na Apple Vision Pro, gdje se aplikacije s prozorima i volumetrijske aplikacije koegzistiraju u okruženju koje upravlja sustav prije prelaska u potpuru uronjenost. Također je u skladu s dizajnom Pico OS 6 za nadolazeći Pico Space Pro, koji koristi unificiranu arhitekturu renderiranja nazvanu Pico Spatial Engine za pokretanje 2D i 3D aplikacija jedna pored druge na virtualnim ili prozirnim pozadinama.Standardizacija rješava značajno ograničenje trenutnih tržišnih lidera, poput Android XR od Googlea i Horizon OS od Mete. Iako te platforme podržavaju multitaske 2D aplikacija, one trenutno ograničavaju korisnike na pokretanje samo jedne 3D aplikacije odjednom. Uvođenje Spatial Containera nudi put za uklanjanje tog ograničenja. Jared Finder, voditelj XR platforme i SDK-a u Googleu, potvrdio je u službenom najavi Khronosa da je kompanija uzbuđena što će donijeti podršku za Spatial Containere u Android XR. Za Metu, ta proširenja predstavljaju priliku da ožive koncept Augments, kategoriju 3D aplikacija koje upravlja sustav, izvorno najavljenu za Quest 3 u 2023. godini, ali kasnije de facto otkazanu.Meta je ranije najavila da se značajka Augments pregrađuje od nule nakon što je početni pristup smatran nedovoljnim. Nedavna ažuriranja Horizon OS i alata za razvoj fokusirana su na preoblikovanje upravljanja prostornim prozorima i poboljšanje prostornih aplikacija, što sugerira da kompanija možda iskoristi ova nova OpenXR proširenja kako bi ostvarila izvornu viziju Augments. Proširenja su izvorno trebala biti izgrađena koristeći Meta Spark Studio, sada ugašen alat za kreiranje AR iskustava, koji je podržavao uvoz 3D imovine i implementaciju napredne funkcionalnosti putem JavaScripta. Iako Meta nije eksplicitno obećala podršku za proširenja u svom službenom izjavi, tehnička usklađenost s njihovim trenutačnim razvojnim prioritetima čini to vjerojatnim budućim smjerom za njihovu ekosustav.Specifikacije i primjeri koda za OpenXR Spatial Containere sada su dostupni razvojnicima. Radna skupina OpenXR u Khronosu također aktivno radi na dodatnim proširenjima koja će omogućiti aplikacijama da iskoriste sustavni renderer optimiziran za specifičnu hardversku opremu, od visokoučinkovitih naočala do uređaja s niskom potrošnjom energije. Radna skupina očekuje da će implementacije tih proširenja početi se širiti kroz OpenXR ekosustav unutar tekuće godine. Ovaj razvoj označava značajan korak prema unificiranom standardu za volumetrijsko multitaske, potencijalno smanjujući fragmentaciju i omogućujući složenije, višestruke aplikacijske prostorne iskustve na raznolikim hardverskim platformama.

Public
25 Oct, 2026

Šesti Godot XR Community Game Jam završen: 28 radova pod temom "U driftnu"

Šesta sezona Godot XR Community Game Jama održana je od 21. rujna do 5. listopada 2026. Iako je broj sudionika smanjen s 98 na 85, broj predanih projekata porastao je s 22 na 28 igara. To ukazuje na veću koncentraciju dovršenih radova visoke kvalitete, a ne na veći broj nedovršenih pokušaja. Centralna tema ovog ciklusa bila je "U driftnu", koja je inspirirala raznolike kreativne interpretacije u predanim igrama.Pet najboljih radova pokazalo je raznolikost mehanika u XR prostoru. U jednoj igri igrači su morali fizički povlačiti ručice kako bi upravljali balonom, boreći se s vizualiziranim strujama zraka i pogađajući ciljeve iz ugrađenog topa. Druga igra nudila je upravljanje dronom na užetu koji je skupljao struju iz oluje za pogon plovila, stvarajući ravnotežu između prikupljanja energije i izbjegavanja. Igra na fizičkom principu slaganja kula smjestila je igrače na otok, gdje su ih izazivali da grade strukture od plutajućeg otpada s preciznom kontrolom ravnoteže.Naizgled jednostavan shooter zahtijevao je pucanje balona u strogim vremenskim okvirima, uz korištenje zaradljene valute za kupnju poboljšanja, poput dodatnog vremena ili kapaciteta oružja. Ova roguelike struktura dodala je stratešku dubinu zadovoljavajućem VR pucanju. Pobjednički rad bila je Wavemaker od Unit327, koja je omogućila igračima stvaranje valova u bazenu kako bi gurali čamce kroz razine. Igrači su mogli špljukati rukama, bacati plišane igračke ili upravljati brzim čamcem na daljinsko upravljanje, manipulirajući dinamikom vode na sve težim razinama.Natjecanje je bilo intenzivno, a Unit327 osvojila je pobjedu unatoč snažnoj konkurenciji. Organizatori su izrazili zahvalnost svim natjecateljima i glasačima za njihov doprinos događaju. Sljedeća izdanja Godot XR Community Game Jam trenutno je planirano za početak travnja 2027. Točan datum bit će objavljen bliže početku događaja, kako bi programeri mogli pripremiti svoje projekte za nadolazeći izazov.

Public
24 Oct, 2026

Tripo P2.0 i radni postupak Astra: generiranje i integracija 3D imovine u Blenderu i Unityju

Generativni 3D radni postupci evoluiraju od izoliranog stvaranja modela prema integriranim lancima opskrbe imovinom. Najnoviji 3D nativni temeljni model Tripo, P2.0, osmišljen je za generiranje mreža na temelju trokuta ili kvadrata s funkcijama poput prilagodljive gustoće poligona, odvajanja dijelova, pametnih UV mapa i regionalnog uređivanja mreža. U kombinaciji s Astrama, ovu imovinu se može sastaviti, rigirati, animirati i integrirati u interaktivne scene pomoću profesionalne softverske opreme poput Blendera i Unityja. Ova podjela rada omogućuje kreatorima da se fokusiraju na specifične komponente, dok Astra koordinira nizdolne zadatke, osiguravajući da generirana geometrija učinkovito podržava zahtjeve za rigging, animaciju i produkciju u stvarnom vremenu.Objava na X: https://twitter.com/luccacerf/status/2096308567863079420Radni postupak funkcionira generiranjem pojedinačnih dijelova odvojeno, što kreatorima daje preciznu kontrolu nad oblikom i detaljima. Na primjer, kreator može generirati tijelo, glavu i kosu lika kao zasebne imovine koristeći Tripo P2.0 ili model H3.1, koji se fokusira na visoku razinu detalja. Astra zatim pomaže u sastavljanju tih komponenti u Blenderu, upravljajući prijelazom na rigging i animaciju. Ovaj modularni pristup omogućuje korisnicima da usavršavaju ili ponovno generiraju specifične komponente bez ponovnog pokretanja cijelog procesa generiranja imovine. Mogućnost Astra proizlazi iz razmišljanja o 3D zadacima i izvršavanja koda ili skriptova za manipulaciju imovinom, što je čini moćnim alatom za koordinaciju složenih višestepenih procesa u ustaljenim 3D okruženjima.Objava na X: https://twitter.com/Stefan_3D_AI/status/2096481425050743048Praktične primjene ovog radnog procesa već su se pojavile u zajednici. Stvaratelj Ring Hyacinth koristio je Nano Banana za referentne slike, Tripo P2.0 za modeliranje i Codex za izgradnju scene "Alice u zemlji čuda" s efektima i interakcijama. Slično tome, Lucca Cerf, koji nema iskustva u razvoju igara ili dizajnu, koristio je pipeline Astra, Tripo P2.0, Blender i Unity za izradu fan igre temeljene na World of Warcraft. Oslanjajući se na samo tri uputa, Cerf je završio projekt u otprilike 90 minuta. Ovi primjeri pokazuju da kombinacija Tripo i Astra omogućuje osobama bez prethodnog iskustva u 3D-u da brzo stvaraju složene interaktivne scenarije i igrive prototipove.Tehničke specifikacije modela Tripo prilagođene su spremnosti za proizvodnju. Serija P optimizira strukturu mreže, topologiju i mogućnost uređivanja, dok serija H daje prioritet vjernosti za složene oblike. Korisnici mogu upravljati gustoćom poligona, odabrati između trokutaste ili kvadratne topologije putem Smart Mesh te generirati teksture i materijale. Automatske funkcije za postavljanje kostura i animaciju dostupne su za likove, a postavke izvoza omogućuju preciznu kontrolu nad skalom, orijentacijom i točkama rotacije pri premještanju resursa u Blender ili igračke engineove. Ta razina kontrole osigurava da generirani resursi zadovoljavaju tehničke standarde potrebne za engineove u stvarnom vremenu i profesionalne DCC aplikacije.Kontrola kvalitete ostaje ključni aspekt radnog procesa, jer AI ubrzava stvaranje, ali ne eliminira potrebu za umjetničkim sudom. Nakon sastavljanja, stvaratelji moraju pregledati proporcije, poravnanje, siluete i spojeve između komponenti. Animacija zahtijeva procjenu deformacije u područjima poput ramena, lakatova, koljena i izraza lica. Iako radni proces odgovara ranim i srednjim fazama proizvodnje, poput ideacije, prototipiranja i previzualizacije, profesionalni studiji i dalje mogu usavršavati ključne resurse u DCC alatima. Cilj je učiniti visokokvalitetnu 3D generaciju dostupnom, bez zahtjeva da svaki stvaratelj postane 3D specijalist, omogućujući umjetnicima da se fokusiraju na kreativni smjer i integraciju u koherentne umjetničke sustave.

Public
24 Oct, 2026

Objavljeni su zapisi JetBrains GameDev Day 2026: ključna tehnička rješenja za suvremeni razvoj igara

Puni arhiv JetBrains GameDev Day 2026 sada je dostupan na YouTubeu. To je sveobuhvatni resurs za developere koji rješavaju stvarne produkcijske izazove. Događaj je održan 28. rujna i okupio je stručnjake iz industrije kako bi razgovarali o alatima i metodologijama koje oblikuju trenutni pejzaž inženjeringa igara. Sesije se intenzivno fokusiraju na praktičnu primjenu, od integracije sustava entiteta i komponenti (ECS) u live igre do korištenja AI-a za proceduralnu generaciju sadržaja. Developeri koji su pratili watch partyje u Beogradu ili Limassolu, ili oni koji su propustili live događaj, sada mogu pregledati materijale u vlastitom tempu kako bi stekli uvid u suvremene radne procese i alate.Značajan dio tehničkog sadržaja bavi se integracijom AI-a u postojeće razvojne pipelineove. Jedna ključna sesija pokazuje kako podrška za Model Context Protocol u TeamCityju i sučelje za naredbeni redak (CLI) donose procese kontinuirane integracije izravno u razvojno okruženje. Koristeći Unity projekt kao studiju slučaja, prezentacija pokazuje kako istraživati kvarove builda i komunicirati s CI pipelineovima bez stalnog prebacivanja između različitih alata. Osim toga, drugi govor istražuje agenticke radne procese prilagođene specifično za Unreal Engine, koristeći Rider, ACP i vještine specifične za engine. Ove demo verzije ilustriraju kako AI agenti mogu navigirati kroz složene arhitekture enginea, generirati C++ kod, istraživati crash-e i automatizirati razne razvojne zadatke, prelazeći granice jednostavne pomoći u pisanju koda prema autonomnijem rješavanju problema.Za timove koji rade s velikim assetima, sesija o open-source sustavu Lore VCS od Epic Games pruža ključne uvide u upravljanje datotekama od nekoliko gigabajta koje se mijenjaju svakodnevno. Za razliku od tradicionalnih sustava za kontrolu verzija, izgrađenih za kod, Lore dijeli datoteke na fragmente s adresiranjem prema sadržaju, čime se osigurava da se prenose samo izmijenjeni dijelovi asseta. Rasprava pokriva kako se edge keševi mogu popunjavati po zahtjevu, a ne unaprijed, te uključuje upute za postavljanje sustava pomoću modula Lore unutar AWS Cloud Game Development Toolkita. Ovaj pristup rješava jednu od glavnih prepreka u modernom razvoju igara, gdje upravljanje assetima često usporava suradnju i procese izgradnje. Razumijevanje ovih mehanizama ključno je za studije koje žele optimizirati svoju infrastrukturu i smanjiti troškove pohrane i propusnosti.Optimizacija performansi i otklanjanje grešaka ostaju središnje teme, s detaljnim sesijama o profiliranju u Unreal Engineu i međujeziknom otklanjanju grešaka. Jedan predavač koristi uživo profiliranje da pokaže kako se sitne inženjerske odluke akumuliraju i pretvaraju u uska grla u gameplayu, demonstrirajući praktične radne tokove optimizacije pomoću Unreal Insightsa i Ridera. Druga sesija bavi se složenim scenarijem u kojem je klijent napisan na C#, a server na C++, prikazujući kako istovremeno otklanjati greške u oba okruženja za izvršavanje pomoću Ridera i CLiona. Ovaj pristup omogućuje razvojnicima da čitaju podatke koji prelaze granicu protokola i utvrde koje okruženje za izvršavanje uzrokuje probleme. Naglasak je na granici između okruženja za izvršavanje kao kritičnom području za istraživanje, pružajući strukturiranu metodu za rješavanje grešaka koje obuhvaćaju više jezika i okruženja.Događaj je također uključivao dubinske analize specifičnih integracija engineova i automatizaciju korisničkog sučelja. Istaknuta sesija predstavila je Figma-to-Unity pipeline koji se razvijao kroz godine produkcijske upotrebe, a sada radi putem AI agenta preko MCP-a. Predavači su pokrili dizajnerske osnove koje takvu automatizaciju omogućuju, lekcije izvučene iz izgradnje sustava te benchmark o tome koje zadatke integracije UI agent može obaviti danas, a koje i dalje zahtijevaju ljudski zahvat. Drugi govor fokusirao se na uvođenje ECS-a u masovnu live igru bez prepisivanja enginea, raspravljajući o faznim strategijama migracije, kompromisima u rasporedu memorije i prednostima hibridnog pristupa koji kombinira ECS s legacy kodom. Ove sesije pružaju praktične strategije za modernizaciju postojećih koda baza uz održavanje stabilnosti u live proizvodima.

Public
24 Oct, 2026

NVIDIA TensorRT 11.1: globalni tuner performanse za automatsku optimizaciju engineova uz uzimanje u obzir točnosti

Raspoređivanje neuronskih mreža suštinski je problem kompilacije, gdje ne postoji jedina optimalna strategija za sve modele. Kada NVIDIA TensorRT izgradi engine za inferenciju, donosi međusobno povezane odluke o transformacijama grafa, spajanju jezgri, rasporedu memorije i kvantizaciji. Ovaj proces, poznat kao planiranje, značajno utječe na konačnu performancu inferencije. Različite odluke o planiranju mogu sačuvati semantiku modela, a da pritom daju vrlo različite rezultate po pitanju brzine. Budući da su ti efekti povezani i ovise o modelu, često postaju vidljivi tek nakon što se engine u potpunosti izgradi i izmjeri, što predviđanje najbolje strategije čini sve težim kako se modeli i okruženja za raspoređivanje diversificiraju.Slika 1. Jedan fiksni recept ne može se skalirati na kontradiktorna preferencije klijenataPovijesno, TensorRT je oslanjao na interne modele ključnih pokazatelja uspješnosti (KPI) za prepoznavanje optimizirajućih obrazaca, koji su zatim kodirani kao heuristike u zadanoj strategiji raspoređivanja. Iako je to omogućilo korisnicima da automatski koriste stručno znanje, stvorio je problem skalabilnosti. Heuristika dizajnirana za jedan tip modela mogla je uzrokovati pad performansi na drugom, što je zahtijevalo dodatne iznimke. To je činilo logiku raspoređivanja složenom i teškom za proširenje. Global Performance Tuner, objavljen u TensorRT 11.1, rješava to odustajanjem od jedne fiksne recepture. Umjesto toga, tretira kompilacijski pipeline kao osnovni recept s prilagodljivim začinskim sredstvima, omogućujući sustavu da prilagodi put optimizacije specifičnim karakteristikama ulaznog modela, bilo da je u pitanju ONNX graf ili mreža kreirana putem TensorRT API-ja.Slika 2. Prilagodite okus svakom klijentuDa bi se formalizirao ovaj pristup, sustav koristi matematički okvir koji razdvaja generiranje kandidateskih rješenja od njihovog odabira. Prostor modela sastoji se od svih mogućih ulaznih podataka, dok prostor rješenja sadrži sva izvršiva izlazna stanja, poput TensorRT engineova ili serializiranih nizova GPU jezgri. Algoritam za izgradnju (builder) preslikava model u skup kandidateskih rješenja, ograničen pragom tolerancije točnosti. Ovaj prag osigurava da parovi ulaz-izlaz ostanu u prihvatljivim granicama, sprječavajući agresivne optimizacije koje krše zahtjeve aplikacije. Cilj algoritma za izgradnju je generirati bogat skup kandidata koji uključuje optimalno rješenje, definirano kao najbrže izvedivo izvršavanje koje zadovoljava kriterije točnosti. Ova apstrakcija omogućuje strogu analizu kako različiti putovi izgradnje utječu na konačno vrijeme izvršavanja.Zatim algoritam za pretraživanje radi na ovom skupu kandidata kako bi odabrao najbolje rješenje. U idealnom slučaju, ovaj algoritam bi trebao provesti iscrpnu evaluaciju svakog kandidata kako bi pronašao onaj s minimalnim vremenom izvršavanja. Međutim, u praksi, proračuni vremena za izgradnju često ograničavaju dubinu tog pretraživanja. Dakle, cijeli kompilator predstavlja se kao uređeni par (tuple) izgraditelja (builder) i pretraživača (searcher). Izazov leži u izgradnji optimalnog izgraditelja koji čini globalno optimalno rješenje dostižnim. Budući da ne postoji jedan univerzalni put izgradnje koji funkcionira za sve modele, sustav mora podržavati prilagodljive putove izgradnje. To znači da se niz kompilacijskih prolaza, koji pretvaraju međupredstave u konačne izvršne datoteke, može razlikovati. Različiti modeli mogu postići najbolje performanse kroz različite nizove transformacija, čak i na istom ciljanom GPU-u.Global Performance Tuner koristi ove prilagodljive rute izgradnje za automatsko podešavanje performansi. Za svakog kandidata generiranog različitim rutama, tuner provjerava izlaze prema zadanoj kriteriju točnosti. Zatim mjeri ukupne performanse inferencije za izvedive rješenja. Među svim kandidatima koji zadovoljavaju zahtjeve za točnošću, sustav odabire onaj s najmanjim vremenom izvršavanja. Ovaj pristup osigurava da poboljšanja performansi ne dolaze na štetu vjernosti modela. Razmatrajući proces kompilacije kao pretragu kroz više mogućih ruta izgradnje, a ne kao jedan fiksni put, TensorRT 11.1 pruža skalabilan metod za optimizaciju radnih opterećenja dubokog učenja kroz raznolike modele i hardverske konfiguracije.Ova metodologija rješava ključno ograničenje prethodnih pristupa, gdje promjena za jedan model mogla je pogoršati performanse za drugi. Držeći osnovnu cijev stabilnom, ali čineći odluke o raspoređivanju prilagodljivima, sustav učinkovito obrađuje nove modele s nepoznatim preferencijama. Nudi različite varijante optimizacije, odbija one koje ne prolaze provjere točnosti i zadržava konfiguraciju s najboljim performansama. Ovo je analogno šefu kuharu koji nudi novom klijentu besplatne uzorke kako bi pronašao preferiranu kombinaciju začina, umjesto da nameće jedan standardni recept. Rezultat je robusniji proces kompilacije koji se prilagođava specifičnim potrebama svake neuronske mreže, osiguravajući razvojnicima najvišu moguću brzinu inferencije bez kompromisa u traženoj preciznosti njihovih aplikacija.

Public
23 Oct, 2026

Strukturne prepreke na putu masovnog uvođenja optičkih AR naočala s prozirnim zaslonom

Sektor optičke proširene stvarnosti s prozirnim zaslonom (see-through AR) trenutno prolazi kroz značajnu stratešku preokret. Godinama je industrija pokušavala izvesti AR mogućnosti iz vrhunskih VR kaciga, težeći širokom polju vida i složenim funkcijama, što je rezultiralo glomaznim i skupim uređajima. Taj pristup je u velikoj mjeri zastao. Moderna putanja uključuje izgradnju funkcionalnosti počevši od audio AI naočala, poput Meta Ray-Ban Wayfarers, koja su dosegla ključnu točku preokreta od približno deset milijuna jedinica u godišnjim isporukama. Ta količina ključna je referentna točka za prihvaćanje na masovnom tržištu. Nasuprot tome, isporuke VR kaciga opale su s vrha od deset milijuna jedinica u 2021. na između 3,5 i 6 milijuna jedinica u 2026., što ukazuje na to da prelazak izvan entuzijastičkih segmenata i dalje predstavlja ozbiljnu prepreku za imerzivnu hardversku opremu.Jedna od glavnih, često podcjenjenih prepreka za potrošačko prihvaćanje jest integracija leća s dioptrijom. Za korisnike kojima je potrebna korekcija vida, trenutna AR naočala predstavljaju logističku i ergonomsku noćnu moru. Za razliku od audio AI naočala, u koje se mogu ugraditi standardna leća izrezana lokalno da bi odgovarala okvira, uređaji s zaslonom za AR obično zahtijevaju tvorničko lijepljenje leća s dioptrijom na valovode. Taj proces stvara jedinstveni SKU za svakog kupca, što dovodi do dugih rokova isporuke koji se mjere tjednima. Osim toga, te integrirane dioptrije često ne osiguravaju adekvatnu korekciju astigmatizma ili bifokalnog vida. Postoje rješenja u obliku clip-in umetaka od trećih strana, ali su preglomazna da bi funkcionirala kao obična naočala, što ograničava njihovu primjenu na poslovni sektor ili VR kontekst, a ne na svakodnevnu potrošačku upotrebu.Tehnologije prikaza potrebne za održive AR naočale suočavaju se s značajnom stagnacijom. Punokrasni MicroLED ekrani, koji su ključni za visoku čitljivost na otvorenom, sporo ulaze u masovnu proizvodnju. Trenutne glasine sugeriraju da, iako neki proizvođači mogu započeti proizvodnju u bliskoj budućnosti, razlučivost ostaje niska, obično oko 640 x 480 piksela. Ova VGA razlučivost usporediva je sa standardima osobnih računala iz 1980-ih godina i nedovoljna je za kvalitetan prikaz teksta ili medija. Nedostatak visokorezolucionih punokrasnih mikroprikaza znači da trenutni AR uređaji ne mogu konkurirati vizualnoj oštrini koju korisnici očekuju od modernih pametnih telefona ili tableta, što dodatno ograničava njihovu privlačnost za širu javnost.Lanaci opskrbe komponentama podliježu sve većem pritisku zbog eksplozivnog potražnje za AI infrastrukturom. Masovna potrošnja poluvodiča u AI podaci centrima apsorbirala je višak proizvodnih kapaciteta, ostavljajući manje resursa za proizvođače potrošačke elektronike. Taj nedostatak utječe na dostupnost procesora, memorije i drugih ključnih komponenti potrebnih za AR naočale. Osim toga, uključivanje kamera uvodi složeni kompromis. Iako kamere omogućuju napredne funkcije poput istovremene lokalizacije i kartiranja, one značajno povećavaju potrošnju energije, veličinu i težinu. Modul kamere može trošiti jednako puno energije kao i sam ekran, što otežava održavanje form-faktora običnih naočala uz istovremeno osiguranje cijelodnevne autonomije.Industrija mora izbjegnuti zamku usredotočivanja na jedan pokazatelj, poput cijene, kako bi se potaknula usvojenost. Iako je cijena faktor, ona je sekundarna u odnosu na funkcionalnost i korisnost. Povijesni primjeri, poput Apple II i prvotnog Macintosha, pokazuju da su visoke početne cijene prihvatljive ako proizvod nudi jedinstvenu vrijednost. Pokušaj izrade jeftinog uređaja s ograničenom funkcionalnošću predstavlja neefikasnu raspodjelu resursa. Izazov je sustavne prirode: rješavanje jednog tehničkog problema, poput svjetline ekrana, često pogoršava druge, poput potrošnje energije ili emisije topline. Postoji otprilike sedamnaest do dvadeset glavnih barijera koje je potrebno riješiti istovremeno, uključujući prozirnost, odsjaj u očima, artefakte rešetki i prigušivanje na otvorenom.Za nošenje tijekom cijelog dana, uređaj mora funkcionirati kao obične naočale kada je isključen. Ako uređaj uzrokuje distorzije ili lošu korekciju vida u neaktivnom stanju, ne ispunjava osnovni zahtjev za naočale. Korisnici nisu spremni skinuti naočale i pohraniti ih u zaštitno kućište, što poništava svrhu nosivog uređaja. Osim toga, integracija ekrana s stvarnim svijetom inherentno pogoršava kvalitetu obje slike. Fizička prisutnost optike između oka i svijeta uvodi refleksije i artefakte. Stoga razvoj AR naočala zahtijeva holistički pristup koji tretira optičku vjernost, ergonomsku udobnost, kompatibilnost s dioptrijama i dostupnost komponenti kao jedan povezan sustav, a ne kao seriju izoliranih problema.

Više sadržaja — na ruskom →