第6章：计算能力（Computing）

PDF页码（转写标记）：101–114

本章要解决的问题

元宇宙所需的计算能力从哪里来？本地设备、云端数据中心和去中心化计算各自有什么优势与瓶颈？

核心结论

沉浸式实时 3D 对算力的需求极高，且新增计算能力会不断打开更复杂的体验。把渲染移至云端看似能共享高性能硬件，却受延迟、带宽、GPU 难以灵活切分、利用率和运营成本限制；作者认为在可预见时期，本地计算性能的改善可能仍快于网络能力，但分布式计算是值得关注的第三种设想。

关键概念与论据

• 实时渲染消耗：每增加画面细节、资产、分辨率、帧率或互动对象，都会增加 CPU/GPU 工作量。作者引述 Nvidia 创办人 Jensen Huang 对将粒子、重力、电磁、光和声音等物理规律加入仿真的构想，同时提醒是否需要这种保真度仍有争论。
• 算力需求尚不确定：John Carmack 曾估计构建元宇宙仍需多年并涉及显著优化取舍；Intel 的 Raja Koduri 则提出，大规模、持续、沉浸式计算可能需要远高于当时水平的计算效率。这些是行业人士判断，并非确定的工程结论。
• 本地渲染与服务器协调：在 Fortnite 等游戏中，客户端设备会本地处理画面效果，服务器转发输入并在冲突时裁决。不同设备可能因延迟和算力不同而看到不同画面；系统须选择统一的游戏状态。
• 设备性能差异形成下限：同一虚拟世界在旧平板、旧主机和新主机上可能有不同帧率、纹理和光影效果。世界设计通常需考虑低端设备，否则可能排除部分用户。
• 云渲染的吸引力：Google Stadia、Amazon Luna 等曾把游戏在远端服务器渲染，再以视频流传给用户。理论优势是用户可租用数据中心级硬件，减少购买高价本地设备的需要。
• 云渲染的网络约束：高帧率、高分辨率互动影像需要持续传输大量数据；网络延迟会破坏实时控制体验。Tim Sweeney 的观点是，本地计算性能改善速度可能超过网络带宽、延迟和可靠性的改善。
• 本地渲染优化：视锥剔除（只处理用户视野内对象）、遮挡剔除（不处理被遮挡对象）和细节层级（LOD，远处对象使用较低细节）让设备集中算力于可见内容，但这使一个用户设备的渲染结果难以简单共享给其他用户。
• GPU 并非可任意分配的通用电力：多个用户或多个游戏共享 GPU 并不像电网分配电力那样容易；GPU 通常以相对固定实例承担单个用户的渲染。云游戏平台因此可能需要一台主机或一组专用资源服务一名玩家，规模化不必然带来成本效率。
• 利用率与成本：云服务需求会随地区和时段大幅波动。预留服务器需要提前付费；按需资源则可能不可用或只有较低端 GPU。将数据中心集中可提高平均利用率，却会增加与用户间的距离和延迟。
• 运营成本：数据中心还需承担散热、维护、安全管理和高带宽费用。视频点播服务可使用较低帧率、较低分辨率和附近缓存服务器，不能直接等同于实时游戏渲染。
• 分布式计算的设想：作者提出把闲置的家用 CPU/GPU 资源组合起来，参照太阳能余电上网或共享车辆的思路，使设备所有者提供算力并获得报酬。SETI@HOME 是消费者设备志愿分布式计算的早期例子。
• 区块链激励尚属设想：支持者认为区块链可用于发现、协调和支付分布式算力，并可能通过加密货币竞价分配任务；作者以邻近移动设备参与渲染举例，但明确将其作为设想，非已经解决的规模化方案。

学习理解

三种架构各有代价：本地计算减少网络依赖但受设备水平限制；云计算能集中高端硬件但有延迟、传输和利用率成本；分布式计算理论上可利用闲置设备，却面临资源调度、设备异构、稳定性与激励机制等尚未解决的问题。

原文依据

PDF页码（转写标记）101–114；书中关于性能、云游戏服务和市场的判断属于当时讨论，不代表这些服务当前状态。