Блог

Public
26 Oct, 2026

GHARP забезпечує анімацію 3D-голов у реальному часі на мобільних пристроях

Дослідники Apple представили GHARP - новий метод анімації 3D-голов людини у реальному часі на основі кількох вхідних зображень та сигналу керуючої міміки. Ключова інновація полягає в розділенні процесу на два етапи: офлайн-етап відновлення ідентичності, що створює детальне представлення геометрії та зовнішнього вигляду об'єкта, і етап анімації у реальному часі, що передбачає залишкові значення, залежні від міміки. Таке розділення дозволяє робити етап відновлення обчислювально затратним, тоді як етап анімації використовує легку нейронну мережу, оптимізовану для мобільних пристроїв. Це створює сприятливий баланс між візуальною точністю, якістю та продуктивністю.Етап анімації працює в семантично структурованому латентному просторі, отриманому з попередньо навченої моделі відновлення. Цей підхід гарантує, що зміни міміки залишаються просторово ізольованими, що робить передбачення залишкових значень високоефективним. Апріорні дані відновлення забезпечують узгоджену просторову структуру, що полегшує об'єднання кількох вхідних видів у компактне канонічне гауссове представлення фіксованого розміру. Завдяки використанню цього структурованого простору система може обробляти складні рухи обличчя без потреби в потужних обчислювальних ресурсах на етапі рендерингу, підтримуючи високу частоту кадрів, необхідну для інтерактивних застосунків.Значна проблема методів аватарів, що керуються мімікою, полягає в тому, що коди міміки зазвичай описують лише обличчя, ігноруючи позу тіла та положення одягу. Це упущення залишає ці області недостатньо визначеними, що призводить до некоректно поставленої задачі, де мережа анімації може вдаватися до усереднення суперечливих зображень тіла, що спричиняє візуальне розмиття та тимчасове мерехтіння. Щоб вирішити цю проблему, GHARP включає мережу вирівнювання тіла, яка вчиться узгоджувати положення тіла людини на цільовому зображенні з вхідними референтними зображеннями. Таке вирівнювання усуває неоднозначність із сигналу навчання, забезпечуючи стабільність та узгодженість не обличних елементів під час анімації.Метод досягає найкращої якості на бенчмарку Ava-256, значно підвищуючи ефективність. На GPU A100 GHARP працює до 13 разів швидше за порівнювані методи, використовуючи в 8 разів менше гаусів. Це зниження обчислювального навантаження та збільшення швидкості роблять технологію придатною для застосувань у реальному часі на споживчому обладнанні. Поєднання високоякісного відновлення та ефективної обробки в реальному часі позиціонує GHARP як практичне рішення для розробників, які хочуть інтегрувати реалістичну анімацію голови в мобільні та XR-платформи без шкоди для продуктивності.

Public
26 Oct, 2026

Adobe Substance 3D Painter 12.2: нові функції Cage Painting і Polygon Fill

Adobe випустила Substance 3D Painter 12.2 - найновішу версію професійного ПЗ для створення 3D-текстур, призначеного для ігор, анімації, моушн-графіки та VFX. Оновлення спрямоване на покращення процесу запікання текстур (baking) завдяки новому кистевому робочому процесу, спеціально розробленому для вирішення проблем з обв'язкою (cage). Головна мета - спростити роботу художників з високополігональними асетами, що виходять за межі автоматично згенерованої обв'язки. Новий метод корекції є більш інтуїтивним і точним порівняно з попередніми налаштуваннями глобальних параметрів.Ключовим нововведенням у цій версії став робочий процес cage painting, який дозволяє безпосередньо малювати по мешу для підгонки обв'язки. Замість того, щоб покладатися лише на зміну глобального зміщення відстані, художники тепер можуть використовувати інструменти Paint, Eraser та Polygon Fill для локальної модифікації геометрії обв'язки. Це значно спрощує виправлення конкретних ділянок, де частини високополігональної моделі виходять за межі обв'язки під час запікання. Варто зазначити, що це вже друге велике покращення робочого процесу, представлене Adobe цього року після версії 12.1, яка дозволила художникам малювати для керування напрямком нормалей та виправляти артефакти в запечених картах.Значні оновлення також торкнулися інструмента Polygon Fill, який тепер підтримує два нові режими виділення для циклів полігонів. Режим «Polygon loop fill» дозволяє заповнити повний цикл квадів одним кліком, а режим «Partial polygon loop fill» дає можливість виділити прямокутну ділянку квадів на поверхні меша. Крім того, інструмент тепер підтримує всі режими накладання, доступні в стеку шарів, що забезпечує більшу гнучкість при нанесенні текстур. Інтерфейс перероблено для підвищення ефективності робочого процесу; ключова зміна полягає в тому, що невидимі полігони за замовчуванням відкидаються. Це запобігає випадковому заповненню задньої сторони меша, зменшуючи кількість типових помилок на етапі текстурування.Серед додаткових покращень робочого процесу - функція підсвічування відповідної геометрії в 3D-вьюпорті при наведенні курсора на елемент у списку Texture Set, що спрощує навігацію та вибір. Вьюпорт у реальному часі тепер підтримує прозорість, незалежну від порядку відображення (order-independent transparency), що ефективно усуває мерехтіння, яке часто виникає при накладанні прозорих або напівпрозорих поверхонь. Substance 3D Painter 12.2 доступна для Windows 11, RHEL 8.6/9.2+, Ubuntu 22.04+ Linux та macOS 15.0+. Постійні ліцензії можна придбати через Steam за $199.99. Програмне забезпечення також доступне за підписками Adobe Creative Cloud: план Substance 3D Texturing коштує $24.99 на місяць або $249.99 на рік, а Substance 3D Collection - $59.99 на місяць або $599.99 на рік.

Public
26 Oct, 2026

Платформа NVIDIA Minerva AIOps поєднує телеметрію ШІ-фабрик для максимізації ефективності GPU

ШІ-фабрики є одними з найскладніших операційних середовищ, коли-небудь створених, де сотні тисяч GPU, мережі NVIDIA Spectrum-X Ethernet, масштабовані мережі NVLink і розподілені планировщики працюють у безперервному синхронному режимі. Під час синхронного розподіленого навчання вся задача просувається з темпом найповільнішого рангу, що означає: один деградований GPU, інтерфейс або шлях комутатора можуть призвести до втрати корисного часу на багатьох здорових ресурсах. Збої, що знижують ефективність, часто бувають незначними: наприклад, GPU працює трохи гарячіше за сусідів, пристрій NVMe втрачає продуктивність під постійним навантаженням або комутатор генерує потоки кадрів паузи. Поокремо ці сигнали рідко перевищують статичні пороги, але в сукупності створюють відставання, збільшують час кроків і затримують контрольні точки, що призводить до значних виробничих втрат.Рисунок 1. Платформа спостережності NVIDIA Minerva AIOpsДіагностика ускладнюється тим, що докази розкидані по різних командах: оператори мережі бачать лічильники інтерфейсів, оператори обчислень - стан вузлів, а команди ML - зміну часу кроків. Ця фрагментація перетворює первинну діагностику на ланцюжок пошуку по дашбордах та передачі завдань між командами, потенційно перетворюючи локалізований збій на дні втраченого виробничого часу. NVIDIA Minerva закриває ці прогалини, збираючи телеметрію по всьому стеку та відображаючи інфраструктуру в активних завданнях у динамічному графі знань. Вона застосовує спеціально розроблене машинне навчання для кореляції залежних симптомів у інциденти високої точності. Асистент на базі ШІ-агента та MCP-сервер, підключений до зовнішніх агентних інструментів, забезпечують діалоговий шлях крізь ці живі дані, з основною метою збереження ефективних годин роботи GPU та забезпечення плавного ходу навчання моделей.Рис. 2. Граф топології NVIDIA MinervaМоніторинг на основі правил погано справляється з «сірими збоями», коли компоненти залишаються доступними, але проявляють проблеми лише під навантаженням або в порівнянні з сусідами. Абсолютні пороги часто пропускають ці зміни, а агресивні пороги створюють шум при звичайних змінах навантаження. Масштаб посилює цю проблему, оскільки одна фізична несправність може породжувати помилки інтерфейсів, індикатори перевантаження та зміни використання GPU, які виглядають як незалежні події на різних дашбордах. Minerva приймає метрики, журнали та топологію з GPU, комутаторів Spectrum-X та NVLink, SuperNIC, DPU, сховищ, NCCL та планувальників. Автовиявлення надає зв'язки, яких немає в сирій телеметрії, створюючи граф знань, що відображає елементи інфраструктури, планувальника та робочих навантажень. Цей граф динамічно оновлюється по мірі запуску, зупинки завдань або заміни вузлів, підтримуючи навігацію від огляду всієї фабрики до окремого інтерфейсу.Рис. 3. Проактивне обслуговування SuperNICГраф топології трансформує шлях розслідування, дозволяючи операторам відстежувати аномалії від інтерфейсу до його вузла, шляху в мережі та поточного розміщення завдання. Навпаки, ML-інженери можуть прослідкувати ID завдання через дані на GPU, хості, NIC та комутаторі. Minerva обробляє мільярди точок даних метрик та журналів на годину, використовуючи моделі з навчанням з вчителем та без вчителя. Обнаруження з навчанням з вчителем ідентифікує відомі критичні шаблони помилок і пов'язує їх із рекомендаціями щодо усунення, тоді як моделі без вчителя вивчають нормальні шаблони для апаратних або логічних компонентів і порівнюють їх із відповідними сусідами. Порівняння з сусідами є критично важливим, оскільки вимірювання може виглядати прийнятним ізольовано, але бути аномальним у контексті, наприклад, температура GPU в межах специфікації, але значно вища, ніж у сусідніх GPU під тим самим навантаженням. Мультиваріантні моделі поєднують температуру, потужність, частоти та використання для виявлення деградації до повного відмови.Журнали отримують аналогічну обробку: виявлення аномалій на основі NLP виявляє раніше невідомі шаблони, а збіг з навчанням з вчителем ідентифікує відомі критичні помилки. Виявлені проблеми можуть передаватися в робочі процеси планувальника для виведення зацікавлених вузлів з експлуатації до того, як на них потраплять нові завдання, або в безпечні інтервали контрольних точок. Кореляція з урахуванням топології пов'язує виявлення з діями оператора, використовуючи граф знань для визначення, які події мають спільний шлях залежності. Побічні симптоми групуються в єдиний інцидент, а не конкурують за увагу, зводячи надлишкові події та пов'язані серії метрик в один сигнал із прикріпленою зацікавленою топологією та робочими навантаженнями. Тестування NVIDIA показує значне зменшення кількості подій, що повідомляються, і тикетів для підтримуваних сценаріїв, що дозволяє операторам починати з набагато меншого простору пошуку для аналізу первинних причин.NVIDIA Minerva включає нативного ШІ-агента на ім'я Sherlock, який базується на живій телеметрії та графі знань і дозволяє операторам запитувати систему для аналізу первинних причин природною мовою. Sherlock може надавати підтверджувальні докази та рекомендувати заходи щодо усунення, не вимагаючи від операторів знання конкретних метрик або мов запитів, надаючи шлях до галузевих знань, які традиційно вимагали ескалації до спеціалістів. Крім того, MCP-сервер Minerva дозволяє зовнішнім агентним інструментам запитувати той самий операційний контекст, що дозволяє командам інтегрувати живі дані ШІ-фабрики у власні робочі процеси. Заходи з пом'якшення можуть залишатися затвердженими людиною або автоматизуватися відповідно до локальної політики та оцінки ризиків. У великому ШІ-дата-центрі Minerva виявила одне з'єднання NVLink серед 400 000 інтерфейсів, яке втрачало пропускну здатність, що дозволило SRE вивести зацікавлені вузли з експлуатації та відновити повну швидкість за хвилини, а не години.

Public
26 Oct, 2026

Meta підтвердила падення продаж Quest і змістила фокус VR-стратегії на проривні релізи

Свіжий квартальний звіт Meta демонструє помітне зниження продаж гарнітур Quest, що призвело до падіння виручки підрозділу Reality Labs на 6% у третьому кварталі 2026 року. Загальна виручка сегменту становила 443 мільйони доларів. Це зниження було частково нівельовано стійким зростанням доходів від AI-окулярів, що вказує на ясну зміну споживчого попиту та корпоративних пріоритетів. Фінансові дані підкреслюють: хоча продажі VR-железа сповільнюються, нові носимі пристрої з акцентом на ШІ набирають обертів, змінюючи структуру доходів Reality Labs.За матеріалами MetaУ відповідь на ці тенденції Meta офіційно змінила підхід до розробки VR-обладнання. Генеральний директор Марк Цукерберг заявив, що компанія тепер випускатиме нові VR-пристрої лише тоді, коли вони досягнуть «значних проривів», подібних до досягнень, показаних у Meta VR Glasses, випущених цього року. Ця стратегія відходить від попередньої моделі регулярних оновлень поколінь споживчих гарнітур. Прив'язуючи релізи до суттєвих технологічних стрибків, а не до річних циклів, Meta фактично відходить від ітеративних вдосконалень на користь більш впливових, хоча й менш частих, запусків продуктів.VR-окуляри Meta | За матеріалами MetaЗараз компанія робить пріоритет на шлях до персональної суперінтелектуальності та розвитку ШІ, які вийшли на перший план перед розширенням VR-обладнання. Цукерберг підкреслив, що, хоча він вважає VR необхідним попередником майбутнього голографічного досвіду, що поєднує фізичний і цифровий світи, темп інвестицій у цю сферу буде коригуватися. Тепер фокус зміщений на впровадження можливостей ШІ, а VR виступає як фундаментальний крок, а не головна безпосередня ціль. Цей стратегічний поворот означає, що ресурси перенаправляються зі споживчого VR-контенту та обладнання на розробку просунутих ШІ-систем і носимих пристроїв.У перспективі Meta VR Glasses, заплановані до запуску навесні 2027 року, позиціонуються як ключовий продукт для професіоналів та ентузіастів за ціною 1300 доларів. Цей пристрій розглядається не стільки як традиційний VR-гарнітур, скільки як ступінь до доповненої реальності. Тим часом майбутнє ігрової платформи Quest залишається невизначеним, оскільки Meta відкладає ітеративні VR-релізи. Хоча можливі знижки на моделі Quest 3 і 3S у святковий сезон можуть дати тимчасовий імпульс продажам, компанія вже вивела більшу частину коштів, виділених на масштабний VR-контент, підтверджуючи довгострокове зобов'язання перед новим курсом, орієнтованим на ШІ.

Public
26 Oct, 2026

Стандарт OpenXR Spatial Containers уніфікує об'ємний мультитаскінг

Khronos випустила нові розширення OpenXR Spatial Container, які стандартизують системне керування просторами для відображення об'ємного 3D-контенту. Цей підхід віддзеркалює логіку традиційних настільних ОС, які керують 2D-застосунками в вікнах, але застосовує цю концепцію до іммерсивного 3D-середовища. OpenXR залишається провідним відкритим API для розробки AR, VR та MR, яким керує той самий консорціум, що стоїть за OpenGL та Vulkan. Його головна мета - дати розробникам можливість створювати застосунки, що працюють безшовно на різних гарнітурах без залежності від пропрієтарних API. Наразі OpenXR підтримують майже всі великі гарнітури, рушії та рантайми, за винятком Apple Vision Pro та PlayStation VR2 на платформі PS5.Просторові контейнери OpenXR, як показано на SIGGRAPH 2026.Нові розширення дозволяють розробникам створювати застосунки, які переходять між режимами багатозадачності та повноцінного занурення. Один застосунок може містити кілька Spatial Containers, позиціонування яких контролює система. Розробники можуть вказати бажане розташування для цих контейнерів або довірити їх розміщення системі, наприклад, щоб вони супроводжували користувача під час переміщення. Архітектурно це концептуально схоже на модель Shared Space в Apple Vision Pro, де віконні та об'ємні застосунки співіснують у середовищі, що керується системою, перед переходом до повного занурення. Це також відповідає дизайну Pico OS 6 для майбутнього Pico Space Pro, який використовує єдину архітектуру рендерингу під назвою Pico Spatial Engine для запущення 2D та 3D застосунків поруч на віртуальному або прозорому тлі.Стандартизація вирішує серйозне обмеження поточних лідерів ринку, таких як Android XR від Google та Horizon OS від Meta. Хоча ці платформи підтримують багатозадачність 2D-застосунків, вони наразі обмежують користувачів запуском лише одного 3D-застосунку одночасно. Впровадження Spatial Containers пропонує шлях до подолання цього обмеження. Джаред Файндер, керівник платформи XR та SDK у Google, підтвердив у офіційному анонсі Khronos, що компанія з нетерпінням чекає можливості додати підтримку Spatial Container до Android XR. Для Meta ці розширення представляють собою можливість відродити концепцію Augments, категорію системних 3D-застосунків, яка була анонсована для Quest 3 у 2023 році, але згодом фактично скасована.Раніше Meta повідомляла, що функцію Augments перебудовують з нуля після того, як початковий підхід був визнаний недостатнім. Останні оновлення Horizon OS та інструментів для розробників зосереджені на реорганізації управління просторовими вікнами та покращенні просторових застосунків, що вказує на можливе використання цих нових розширень OpenXR для реалізації початкового бачення Augments. Спочатку планувалося створювати ці розширення за допомогою Meta Spark Studio, інструменту для створення AR-досвідів, який вже закрито, і який підтримував імпорт 3D-ресурсів та реалізацію розширених функцій через JavaScript. Хоча Meta не дала чіткого зобов'язання підтримувати розширення у своєму офіційному заявленні, технічна узгодженість з їхніми поточними пріоритетами розвитку робить цей напрямок цілком ймовірним для їхньої екосистеми.Специфікації та приклади коду для OpenXR Spatial Containers вже доступні для розробників. Робоча група OpenXR у Khronos також активно працює над додатковими розширеннями, які дозволять застосункам використовувати системний рендерер, оптимізований під конкретне обладнання, від високопродуктивних гарнітур до пристроїв із низьким енергоспоживанням. Робоча група очікує, що впровадження цих розшижень почнеться в екосистемі OpenXR протягом поточного року. Цей розвиток є важливим кроком до єдиного стандарту об'ємної багатозадачності, який потенційно може зменшити фрагментацію та дозволити створювати більш складні просторові досвіди з кількома застосунками на різноманітних апаратних платформах.

Public
25 Oct, 2026

Шостий Godot XR Community Game Jam завершено: 28 робіт під темою «В дрейфі»

Шостий сезон Godot XR Community Game Jam відбувся з 21 вересня по 5 жовтня 2026 року. Хоча кількість учасників зменшилася з 98 до 85, кількість поданих проєктів зросла з 22 до 28 ігор. Це свідчить про вищу концентрацію завершених робіт високої якості, а не про велику кількість незавершених спроб. Центральною темою цього циклу стала «В дрейфі», яка надихнула на різноманітні творчі інтерпретації в поданих іграх.П'ять найкращих робіт продемонстрували різноманітність механік у просторі XR. В одній з ігроків змушували фізично тягнути важелі, щоб керувати повітряним кульком, боронючись із візуалізованими повітряними потоками та обстрілюючи цілі з встановленої гармати. Інша гра пропонувала керувати дроном на тросі, який збирав електрику зі шторму для живлення судна, створюючи баланс між збором енергії та ухиленням. Фізична гра на складання вежі розміщувала гравців на острові, де їм довелося будувати конструкції з дрейфуючого сміття, точно контролюючи баланс.Обманливо простий шутер вимагав лопати повітряні кулі в строгих часових рамках, використовуючи зароблену валюту для покупки покращень, таких як додатковий час або місткість зброї. Ця структура в стилі roguelike додала стратегічну глибину до приємної VR-стрільби. Переможною роботою стала Wavemaker від Unit327, яка дозволяла гравцям створювати хвилі в басейні, щоб просувати човни через рівні. Гравці могли плескатися руками, кидати плюшеві іграшки або керувати швидкісним катером на пульті, маніпулюючи динамікою води на дедалі складніших етапах.Конкуренція була напруженою, і Unit327 здобула перемогу, попри серйозний опір. Організатори висловили вдячність усім учасникам та голосувальникам за їхній внесок у заходи. Наступний сезон Godot XR Community Game Jam попередньо заплановано на початок квітня 2027 року. Точну дату оголосять ближче до початку події, щоб розробники могли підготувати свої проєкти до майбутньої випробування.

Public
24 Oct, 2026

Tripo P2.0 і робочий процес Astra: генерація та інтеграція 3D-асетів у Blender і Unity

Генеративні 3D-пайплайни еволюціонують від ізольованого створення моделей до інтегрованих конвеєрів асетів. Остання 3D-нативна фундаментальна модель Tripo, P2.0, розроблена для генерації трикутних або квад-мешів із функціями, такими як налаштовувана щільність полігонів, розділення частин, Smart UVs та регіональне редагування мешів. У поєднанні з Astra ці асети можна збирати, ригувати, анімувати та інтегрувати в інтерактивні сцени за допомогою професійного програмного забезпечення, такого як Blender і Unity. Такий розподіл праці дозволяє творцям зосередитися на конкретних компонентах, тоді як Astra координує наступні завдання, гарантуючи, що згенерована геометрія ефективно підтримує вимоги до ригінгу, анімації та виробництва в реальному часі.Допис у X: https://twitter.com/luccacerf/status/2096308567863079420Робочий процес працює шляхом генерації окремих частин поодино, що надає творцям точний контроль над формою та деталями. Наприклад, творець може згенерувати тіло, голову та волосся персонажа як окремі асети, використовуючи Tripo P2.0 або модель H3.1, яка фокусується на високій деталізації. Потім Astra допомагає зібрати ці компоненти в Blender, керуючи переходом до ригінгу та анімації. Цей модульний підхід дозволяє користувачам доопрацьовувати або перегенерувати конкретні компоненти, не починаючи весь процес генерації асета заново. Здатність Astra ґрунтується на міркуваннях щодо 3D-завдань та виконанні коду або скриптів для маніпуляції асетами, що робить її потужним інструментом для координації складних багатокрокових процесів у встановлених 3D-середовищах.Допис у X: https://twitter.com/Stefan_3D_AI/status/2096481425050743048Практичні застосування цього робочого процесу вже з'явилися в спільноті. Створювач Ring Hyacinth використовував Nano Banana для референсних зображень, Tripo P2.0 для моделювання та Codex для побудови сцени «Аліса в Країні Чудес» з ефектами та інтерактивом. Аналогічно, Lucca Cerf, який не має досвіду в розробці ігор чи дизайні, скористався пайплайном Astra → Tripo P2.0 → Blender → Unity, щоб створити фан-гру за мотивами World of Warcraft. Спираючись лише на три промпти, Cerf завершив проєкт приблизно за 90 хвилин. Ці приклади демонструють, що поєднання Tripo та Astra дозволяє людям без попереднього досвіду в 3D швидко створювати складні інтерактивні сценарії та ігрові прототипи.Технічні характеристики моделей Tripo адаптовані для готовності до виробництва. Серія P оптимізує структуру меша, топологію та редагованість, тоді як серія H робить пріоритет на точність для складних форм. Користувачі можуть керувати щільністю полігонів, обирати між трикутною або квад-топологією через Smart Mesh, а також генерувати текстури та матеріали. Автоматичні функції ригінгу та анімації доступні для персонажів, а налаштування експорту дозволяють точно контролювати масштаб, орієнтацію та точки повороту при перенесенні активів у Blender або ігрові рушії. Такий рівень контролю забезпечує, що згенеровані активи відповідають технічним стандартам, необхідним для рушіїв реального часу та професійних DCC-застосунків.Контроль якості залишається критично важливим аспектом робочого процесу, оскільки ШІ прискорює створення, але не усуває потребу в художньому судженні. Після збірки створювачам необхідно перевіряти пропорції, вирівнювання, силуети та з'єднання між компонентами. Анімація вимагає оцінки деформації в таких областях, як плечі, лікті, коліна та міміка. Хоча робочий процес підходить для ранніх та середніх етапів виробництва, таких як ідеювання, прототипування та превізуалізація, професійні студії можуть все ще доопрацьовувати ключові активи в DCC-інструментах. Мета полягає в тому, щоб зробити високоякісну 3D-генерацію доступною, не вимагаючи від кожного створювача стати 3D-спеціалістом, дозволяючи художникам зосередитися на творчому напрямку та інтеграції в цілісні художні системи.

Public
24 Oct, 2026

Опубліковано записи JetBrains GameDev Day 2026: ключові технічні рішення для сучасної розробки ігор

Повний архів JetBrains GameDev Day 2026 тепер доступний на YouTube. Це вичерпний ресурс для розробників, які вирішують реальні виробничі завдання. Захід відбувся 28 вересня і зібрав експертів індустрії, щоб обговорити інструменти та методології, що формують поточний ландшафт ігрової інженерії. Сесії зосереджені на практичному застосуванні: від інтеграції систем сутностей і компонентів (ECS) у живі ігри до використання ШІ для процедурної генерації контенту. Розробники, які дивилися трансляцію в Белграді або Лимасолі, або ті, хто пропустив живий захід, тепер можуть переглянути матеріали у зручному темпі, щоб зрозуміти сучасні робочі процеси та інструменти.Значна частина технічного контенту присвячена інтеграції ШІ в існуючі конвеєри розробки. Одна з ключових сесій показує, як підтримка Model Context Protocol у TeamCity та інтерфейс командного рядка (CLI) переносять процеси безперервної інтеграції безпосередньо в середовище розробки. На прикладі проєкту в Unity презентація демонструє, як розслідувати збої збірки та взаємодіяти з CI-конвеєрами, не перемикуючись постійно між різними інструментами. Крім того, інша доповідь розглядає агентні робочі процеси, адаптовані спеціально для Unreal Engine, із використанням Rider, ACP та специфічних для рушія навичок. Ці демо ілюструють, як ШІ-агенти можуть орієнтуватися в складних архітектурах рушіїв, генерувати код на C++, розслідувати падіння та автоматизувати різні завдання розробки, виходячи за межі простої допомоги у написанні коду до більш автономного вирішення проблем.Для команд, які працюють із великими асетами, сесія про Lore VCS із відкритим вихідним кодом від Epic Games дає важливі знання про керування файлами розміром у кілька гігабайт, які змінюються щодня. На відміну від традиційних систем контролю версій, створених для коду, Lore розбиває файли на фрагменти з адресним доступом за вмістом, забезпечуючи передачу лише змінених частин асета. Обговорення охоплює те, як кеші на периферії можуть заповнюватися за запитом, а не передзаповнюватися заздалегідь, і містить інструкції щодо розгортання системи за допомогою модуля Lore в AWS Cloud Game Development Toolkit. Цей підхід вирішує одну з головних проблем сучасної розробки ігор, де керування асетами часто уповільнює співпрацю та процеси збірки. Розуміння цих механізмів є необхідним для студій, які прагнуть оптимізувати свою інфраструктуру та зменшити витрати на зберігання та пропускну здатність.Оптимізація продуктивності та налагодження залишаються центральними темами, з детальними сесіями щодо профілювання в Unreal Engine та кросс-мовного налагодження. Один із спікерів використовує живе профілювання, щоб показати, як дрібні інженерні рішення накопичуються і перетворюються на вузькі місця геймплею, демонструючи практичні робочі процеси оптимізації за допомогою Unreal Insights та Rider. Інша сесія розглядає складний сценарій, де клієнт написаний на C#, а сервер - на C++, показуючи, як налагоджувати обидва середовища виконання одночасно за допомогою Rider та CLion. Такий підхід дозволяє розробникам читати дані, що перетинають межу протоколу, і визначати, яке середовище виконання спричиняє проблеми. Акцент робиться на межі між середовищами виконання як на критичній зоні для розслідування, надаючи структурований метод для усунення помилок, що стосуються кількох мов і середовищ.На заході також були представлені глибокі занурення в конкретні інтеграції рушіїв та автоматизацію інтерфейсу користувача. Значна сесія представила конвеєр Figma-to-Unity, який еволюціонував за роки виробничого використання і тепер працює через ШІ-агента за MCP. Доповідачі охопили основи дизайну, які роблять таку автоматизацію можливою, уроки, отримані під час створення системи, і бенчмарк того, які завдання інтеграції UI агент може виконувати сьогодні, а які все ще вимагають людського втручання. Інша доповідь зосередилася на впровадженні ECS у масову живу гру без переписування рушія, обговорюючи поетапні стратегії міграції, компроміси в розкладці пам'яті та переваги гібридного підходу, що поєднує ECS із легасі-кодом. Ці сесії надають практичні стратегії для модернізації існуючих кодових баз, зберігаючи стабільність у живих продуктах.

Public
24 Oct, 2026

NVIDIA TensorRT 11.1: глобальний тюнер продуктивності для автоматичної оптимізації рушіїв з урахуванням точності

Розгортання нейронних мереж - це по суті задача компіляції, де не існує єдиної оптимальної стратегії для всіх моделей. Коли NVIDIA TensorRT збирає рушій інференсу, він приймає взаємозалежні рішення щодо трансформацій графа, злиття ядер, розміщення пам'яті та квантування. Цей процес, відомий як планування (scheduling), суттєво впливає на кінцеву продуктивність інференсу. Різні варіанти планування можуть зберігати семантику моделі, але давати зовсім різні результати за швидкістю. Оскільки ці ефекти пов'язані між собою та залежать від конкретної моделі, вони часто проявляються лише після повної збірки та вимірювання рушія. Це робить передбачення найкращої стратегії дедалі складнішим міру різноманітності моделей і середовищ розгортання.Рис. 1. Один фіксований рецепт не масштабується на суперечливі вподобання клієнтівІсторично TensorRT спиралися на внутрішні моделі ключових показників ефективності (KPI) для виявлення оптимізованих патернів, які потім кодувалися як евристики у стандартній стратегії планування. Хоча це дозволяло користувачам автоматично користуватися експертними знаннями, виникла проблема масштабованості. Евристика, розроблена для одного типу моделей, могла спричиняти погіршення продуктивності в іншому, що вимагало додаткових винятків. Це робило логіку планування складною та важкою для розширення. Global Performance Tuner, представлений у TensorRT 11.1, вирішує цю проблему, відмовляючись від єдиного фіксованого рецепта. Натомість він розглядає конвеєр компілятора як базовий рецепт із налаштовуваними «спеціями», що дозволяє системі адаптувати шлях оптимізації під конкретні характеристики вхідної моделі, будь то граф ONNX або мережа, створена через API TensorRT.Рис. 2. Налаштуйте смак для кожного клієнтаЩоб формалізувати цей підхід, система використовує математичну рамку, яка розділяє генерацію кандидатів та їхній вибір. Простір моделей складається з усіх можливих вхідних даних, а простір рішень - з усіх виконуваних виходів, таких як рушії TensorRT або серіалізовані послідовності GPU-ядер. Алгоритм збірки (builder) відображає модель у набір кандидатів, обмежений порогом допустимої похибки. Цей порік гарантує, що пари «вхід-вихід» залишаються в допустимих межах, запобігаючи агресивним оптимізаціям, які порушують вимоги застосунку. Мета алгоритму збірки - згенерувати багатий набір кандидатів, що включає оптимальне рішення, визначене як найшвидше допустиме виконання, яке відповідає критеріям точності. Ця абстракція дозволяє ретельно аналізувати, як різні маршрути збірки впливають на кінцевий час виконання.Потім алгоритм пошуку працює з цим набором кандидатів, щоб обрати найкраще рішення. Ідеально, цей алгоритм мав би виконати перебір усіх кандидатів, щоб знайти той із мінімальним часом виконання. Однак на практиці бюджети часу збірки часто обмежують глибину такого пошуку. Таким чином, весь компілятор уявляється як кортеж із збирача (builder) та шукача (searcher). Складність полягає у побудові оптимального збирача, який робить глобально оптимальне рішення досяжним. Оскільки єдиного універсального маршруту збірки для всіх моделей не існує, система має підтримувати налаштовувані маршрути. Це означає, що послідовність проходів компілятора, які перетворюють проміжні представлення на кінцеві виконувані файли, може варіюватися. Різні моделі можуть досягати найкращої продуктивності через різні послідовності трансформацій, навіть на одному й тому самому цільовому GPU.Global Performance Tuner використовує ці налаштовувані маршрути збірки для автоматичного налаштування продуктивності. Для кожної кандидатури, згенерованої різними маршрутами, тюнер перевіряє вихідні дані на відповідність заданому критерію точності. Потім він вимірює загальну продуктивність інференсу для допустимих рішень. Серед усіх кандидатів, що відповідають вимогам до точності, система обирає ту, що має найменший час виконання. Такий підхід гарантує, що зростання продуктивності не досягається за рахунок втрати точності моделі. Розглядаючи процес компіляції як пошук серед багатьох можливих маршрутів збірки, а не як єдиний фіксований шлях, TensorRT 11.1 пропонує масштабований метод оптимізації завдань глибокого навчання для різноманітних моделей та апаратних конфігурацій.Ця методологія усуває ключове обмеження попередніх підходів, де зміни для однієї моделі могли погіршити продуктивність для іншої. Зберігаючи базовий конвеєр стабільним, але роблячи рішення щодо планування налаштовуваними, система ефективно працює з новими моделями з невідомими перевагами. Вона пропонує різні варіанти оптимізації, відхиляє ті, що не проходять перевірку точності, і зберігає конфігурацію з найкращою продуктивністю. Це аналогічно шефу, який пропонує новому клієнту безкоштовні зразки, щоб знайти бажану комбінацію спецій, а не нав'язує один стандартний рецепт. Результатом стає більш стійкий процес компіляції, який адаптується до конкретних потреб кожної нейронної мережі, забезпечуючи розробникам максимально можливу швидкість інференсу без шкоди для необхідної точності їхніх застосунків.

Public
23 Oct, 2026

Структурні бар'єри на шляху масового впровадження оптичних AR-очок із прозорим дисплеєм

Сектор оптичної доповненої реальності з прозорим дисплеєм (see-through AR) зараз переживає значний стратегічний поворот. Багато років індустрія намагалася отримати AR-можливості на базі високоякісних VR-шлемів, прагнучи до широкого поля зору та складних функцій, що призводило до створення громіздких і дорогих пристроїв. Цей підхід значною мірою застряг. Сучасна траєкторія розвитку передбачає нарощування функціоналу, починаючи з аудіо-ШІ окулярів, таких як Meta Ray-Ban Wayfarers, які досягли критичної точки перелому в річних відвантаженнях, приблизно 10 мільйонів одиниць. Цей обсяг є ключовим орієнтиром для масового ринку. Навпаки, відвантаження VR-шлемів зменшилися з пікових 10 мільйонів одиниць у 2021 році до 3,5-6 мільйонів у 2026 році, що свідчить про те, що вихід за межі сегменту ентузіастів залишається серйозною перешкодою для іммерсивного обладнання.Одним із головних, часто недооцінених бар'єрів для споживчого впровадження є інтеграція лінз із діоптріями. Для користувачів, яким потрібна корекція зору, сучасні AR-окуляри уявляють собою логістичний та ергономічний кошмар. На відміну від аудіо-ШІ окулярів, в які можна вставити стандартні лінзи, вирізані локально під оправу, дисплейні AR-пристрої зазвичай потребують заводського склеювання лінз із діоптріями до хвилеводу. Цей процес створює унікальний SKU для кожного клієнта, що призводить до тривалих строків очікування, вимірюваних тижнями. Крім того, такі інтегровані лінзи часто не забезпечують адекватної корекції астигматизму або біфокального зору. Існують рішення у вигляді кліп-вставок від сторонніх виробників, але вони занадто громіздкі, щоб слугувати звичайними окулярами, що обмежує їхнє застосування корпоративним сектором або VR-контекстом, а не щоденним використанням.Технології дисплеїв, необхідні для життєздатних AR-очок, стикаються зі значним застоєм. Повнокольорові MicroLED-дисплеї, які необхідні для високої якості читабельності на вулиці, повільно виходять на стадію масового виробництва. Поточні чутки свідчать про те, що, хоча деякі виробники можуть розпочати виробництво в найближчій перспективі, роздільна здатність залишається низькою, зазвичай коливаючись у межах 640 на 480 пікселів. Така роздільна здатність класу VGA порівнянна зі стандартами персональних комп'ютерів 1980-х років і є недостатньою для споживання тексту або медіа високої якості. Відсутність високороздільних повнокольорових мікродисплеїв означає, що сучасні AR-пристрої не можуть конкурувати з візуальною чіткістю, якої користувачі очікують від сучасних смартфонів або планшетів, що ще більше обмежує їхню привабливість для широкого загалу.Ланцюги постачання компонентів зазнають зростаючого тиску через вибуховий попит на інфраструктуру ШІ. Масове споживання напівпровідників дата-центрами ШІ поглинуло вільні виробничі потужності, залишивши менше ресурсів для виробників споживчої електроніки. Ця нестача впливає на доступність процесорів, пам'яті та інших критично важливих компонентів, необхідних для AR-очок. Крім того, вбудовування камер вводить складний компроміс. Хоча камери дозволяють реалізувати розширені функції, такі як одночасна локалізація та картографування (SLAM), вони значно збільшують енергоспоживання, розмір і вагу. Модуль камери може споживати стільки ж енергії, скільки сам дисплей, що ускладнює збереження форм-фактора звичайних окулярів при забезпеченні автономної роботи протягом усього дня.Індустрії необхідно уникати пастки, коли фокус зміщується на єдиний показник, наприклад, вартість, для стимулювання впровадження. Хоча ціна є фактором, вона другорядна порівняно з функціональністю та зручністю використання. Історичні приклади, такі як Apple II та оригінальний Macintosh, показують, що високі початкові ціни допустимі, якщо продукт пропонує унікальну цінність. Спроба створити дешевий пристрій з обмеженою функціональністю є неефективним розподілом ресурсів. Визов має системний характер: вирішення однієї технічної проблеми, наприклад, яскравості дисплея, часто погіршує інші, такі як енергоспоживання або виділення тепла. Існує приблизно від сімнадцяти до двадцяти основних бар'єрів, які необхідно вирішити одночасно, включаючи прозорість, світіння очей, артефакти дифракційних ґраток і затемнення на вулиці.Для носіння протягом усього дня пристрій має функціонувати як звичайні окуляри при вимкненому живленні. Якщо пристрій спричиняє спотворення або погану корекцію зору в неактивному стані, він не відповідає базовій вимозі до окулярів. Користувачі не готові знімати окуляри та ховати їх у захисний чохол, що зводить нанівець сенс носимого пристрою. Крім того, інтеграція дисплея з реальним світом за своєю природою погіршує якість обох зображень. Фізична присутність оптики між оком і світом вносить відбиття та артефакти. Таким чином, розробка AR-очок вимагає цілісного підходу, який розглядає оптичну точність, ергономічний комфорт, сумісність з діоптріями та доступність компонентів як єдину взаємопов'язану систему, а не як серію ізольованих проблем.

Більше матеріалів — російською →