开源生态的建设根植于社区，开发者在社区共享、共创、共赢，将会激发出无限的创造力，这就是开源最大的魅力！

  选择开源，源于我们坚信，“独行快，众行远”！

  Orillusion引擎

  WebGPU经过六年的时间，终于在2023年4月6日，由Chrome团队发布。5月2号，在Chrome113版本上，WebGPU被默认启动。自此，Web上有望出现3A级渲染的3D应用了！

  Orillusion团队三年前开始关注WebGPU发展，经过两年多研发，多次框架重构，性能调优后，Orillusoin引擎在今天以开源的形式正式跟大家见面！

  我们致力于在浏览器中实现桌面级的渲染效果，支持超大复杂场景的3D呈现，为3D场景爆发时代提供底层引擎基础工具。

  GitHub地址：

  github.com/Orillusion/orillusion

  引擎优势

  WebGPU是基于Web浏览器的全新现代图形API，使网页能够直接调用GPU执行计算任务，并绘制复杂图像。

  Orillusion是一套基于WebGPU图形API的Web3D渲染引擎，能够媲美PC端图形API的渲染能力。Orillusion引擎中使用了非常多的GPU开放能力，比如灵活操作的GPU缓存（GPU Buffer），强大的着色器（Webgpu Shader/WGSL），以及备受瞩目的Compute Shader计算内核，充分发挥GPU在非光栅化阶段的并行处理能力。

  ECS组件系统

  Orillusion使用ECS（Entity-Components-System/实体-组件-系统）组件式架构做为引擎的整体设计思路。消除了继承模式中的继承链复杂、功能交织的问题，通过解耦，封装和模块化设计，开发者可以更灵活的进行功能组合及扩展。实体（entity）一旦挂接了组件（component），不需要复杂的继承关系就拥有了组件的全部能力，再配合上系统内设定的生命周期，使得开发者可以实现更灵活调用。

  组件系统

  内置组件

  基础性能

  连续内存GPU数据提交机制

  传统3D引擎在渲染的链路中，CPU与GPU相互等待是性能消耗的主要原因之一。其中一部分等待时长是在每一帧画面渲染前，CPU自身的数据准备和CPU向GPU传输数据的等待过程中产生的，另外一部分等待时长是GPU状态切换频率过多，导致CPU产生了更多的空等待。Orillusion引擎通过减少CPU向GPU写入数据的频率以及降低GPU渲染状态的切换频率，最终来实现性能提升。

  性能的提升离不开GPU缓存（GPUBuffer）的利用。在大量数据场景中，可以利用StorageGPUBuffer把数据写入到一个ByteStream中，再统一写入到GPUBuffer进行一次性提交；在少量数据频繁交互的场景中，更多的会把数据写入到一个小内存块（UniformGPUBuffer）中，而后写入到GPUBuffer进行一次性提交。需要指出的是StorageGPUBuffer中的数据是可读、可写、可复制的，但UniformGPUBuffer中的内容仅支持写入。

  GPUBuffer

  全局连续内存矩阵机制

  Orillusion引擎还提供了用于提高性能的全局连续内存矩阵（StorageGPUBuffer + BindGroup），它将整合渲染中会使用到的所有矩阵，在渲染前进行统一提交。最终可以实现在不影响渲染结果的情况下，减少数据提交频率、CPU和GPU数据写入时间以及GPU状态切换频率，从而很大程度上改善渲染性能。

  全局连续矩阵内性能优化

  渲染

  集群光照剔除

  场景渲染离不开丰富的光照，所以引擎采用集群光照（Cluster Lighting）来解决灯光数量限制的问题，也可避免延时渲染带来的诸多弊端。

  光照数量中最常见的一个弊端是由传统前向渲染（Forward Rendering）中寄存器和性能的限制引起的，导致每个像素能计算的光源数量非常的小，且存在大量GPU性能浪费的情况。引擎通过Cluster Lighting预先算出光源在当前画面区块中像素的使用情况，精确统计出每一个区块像素受到的光源影响，合理裁剪区块像素的计算资源，从而实现性能的提升。而且，结合HDR Lighting和Lighting IES能力，可以渲染出更多丰富饱满的画面效果。

  同屏幕128+动态光源

  PBR渲染

  Orillusion引擎中提供了基于物理的材质渲染（PBR-Physical Based Rendering），从而可以支持金属、皮革、橡胶等有各自不同物理属性的材质渲染，让物体拥有丰富的细节，更强的质感表现。

  左侧：金属渲染 右侧：皮革渲染

  后处理

  后处理（Post-Process Effect）的种类非常丰富，常见的辉光、模糊、景深等都属于该范畴，为了方便使用，Orillusion目前提供了Bloom、GTAO、SSR等后处理特效。

  Bloom

  辉光（Bloom）表现为高光物体带有的泛光效果，合理运用可以使平淡的画面具备影视作品的视觉效果。在引擎的物理光照中，物体表面的反射、折射、自发光等亮度超过了自定义的阈值后，就会形成光溢出的效果。

  左侧：高动态光照下的光溢出 右侧：窗户上的光溢出

  GTAO

  环境光遮蔽（AO/Ambient Occlusion）是让整个画面展示接近现实阴影效果的重要手段，Orillusion提供的GTAO（Ground-Truth Ambient Occlusion）可以在一定半径内检测遮挡关系，让遮罩阴影的展现更贴合实际场景。

  SSAO/GTAO对比

  SSR

  反射在日常生活中随处可见，反射的拟真程度也是渲染结果好坏的重要影响因素之一。对此，Orillusion提供了屏幕空间反射（SSR） 的能力，以实现真实合理的反射效果。

  左侧：水面SSR倒影 右侧：场景内的倒影

  粒子系统

  现实生活中许多现象或内容是难以使用Mesh模型来呈现的，例如常见的火焰、烟、雾、雨雪等，这种场景一般会采用粒子系统来实现。Orillusion引擎中借助Compute Shader强大的计算能力，既可追求精致的粒子效果，又能保证较高的性能，甚至还可结合场景探索与GPU粒子进行实时交互，以提高视觉特效的上限与质量。

  粒子发射器 

   基于动画模型的粒子效果

  计算着色器

  计算能力是WebGPU中最为瞩目的能力之一，也是新一代图形API标准中质的飞跃。Orillusion引擎对原生计算着色器（Compute Shader）进行了封装，作为计算内核使用，以便连接引擎特有的多类GPUBuffer，充分利用GPU的计算能力。引擎通过Compute Shader调用GPU计算内核，将计算任务或图像处理任务分配到每一个内核中进行并行计算，可以在极短的时间内返回结果。

  GPU 计算内核

  通过Compute Shader我们可以实时改变正在渲染的模型网格、顶点等attribute buffer，实现物理仿真模拟的能力。

  流体仿真

  柔体仿真

  引擎性能

  除了上文中提到的使用GPU缓存（GPUBuffer）提高基础性能之外，引擎还针对不同的用户使用场景进行了三个性能优化方案的对比。以下就以绘制55000个box为场景对比不同渲染方案的性能消耗：

  性能对比

  Orillusion引擎使用结构清晰且高效的ECS组件系统为基础，利用WebGPU开放能力，尤其是强大的GPU缓存与计算内核，对比传统的Web端引擎，在性能，效果和易用性上都有了飞跃式的提升：

  性能：得益于多种GPU缓存与全局连续内存机制的使用；

  效果：通过合理的光照系统、丰富的后处理特效、粒子系统等整体灵活的相互间配合，可以让三维场景更贴合实际，有效的满足繁杂业务的展示需求；

  易用性：不单单受ECS组件系统的提升，许多已封装的API同样带来了更加便捷的使用方式，可以降低开发者的学习难度和维护成本。

  建设开源生态

  开源不等于免费，开源也不等于单纯的公开代码。我们理解开源是一种开放、共享的创新协作模式，它突破物理边界，通过高效敏捷的沟通和协同，实现技术创新。技术人员可以花更多的精力放到创造性工作上，避免重复造轮子。而且，从整个软件产业的供应链上看，开源已经成为未来信息技术的主战场。

  最近大家都已经被ChatGPT的相关内容刷屏。由于OpenAI目前并没有对最新训练模型进行开源，导致中国企业如果做出类似的产品，从技术算法角度来看可能至少需要一到两年的时间。但是“大模型”的训练不只是单纯的算法问题，还需要算力和数据的支持，所以这可能导致中国的大模型需要更长的研发迭代时间。

  算力指的就是GPU芯片：大模型训练需要效率更高的更先进的芯片工艺支持，由于技术封锁，目前看很难在14nm以下的制程上快速实现国产化的突破。

  数据指的是有价值的高质量数据：国内的企业很多都会把平台内容当做私有财产，放到自己的APP里，无法公开的被获取到。海外的主要互联网内容几乎都有Web版形态，便于通过搜索引擎进行数据分析。有了大量的原始数据池，才能激励完成后续优质数据的标注工作。

  因此，我们更加相信开放的Web生态未来的前景非常光明。

  Orillusion在创立之初就坚定地拥抱开源，开放包容、共创共赢是基本理念。通过开源可以帮助社区更好地了解技术，也可以通过社区影响力对技术进行推广，邀请更多开发者参与。技术社区积极快速的反馈也能帮助我们汲取更多的需求场景输入，帮助技术迭代更新。我们一直坚信，软件再优秀，如果没有构建起良好的生态，没有开发者和合作伙伴的共建，是很难走得更好更远的。一个开源产品，社区的文化氛围和协同创造力，才是区别于他人的根本。在社区共享、共创、共赢，将会激发出无限的创造力，这也是开源最大的魅力！

  对于国内来说，开源发展起步较晚，国内的开源基础软件需要更多的时间。所有想参与其中的角色，不论是技术人员，开源公司，还是投资人，都需要更大的耐心！

  图源：O3DF

  目前，Orillusion引擎已经得到了Linux基金会O3DF的认可，即将正式加入Linux开源基金会的大家庭。未来，希望借助国际开源基金会的力量，把我们国人自己的开源项目做大做强，为中国的开源生态贡献一份力量。

  AI时代的机遇与挑战

  ChatGPT发展历史

  ChatGPT自2022年11月发布以来，我们几乎每天都在感慨变革是如此迅猛，甚至产生了极大的AI焦虑，生怕一天不紧跟前沿，就会错过最新的AI技术或者AI应用的消息。当下，可以确定的是，一个全新的AI时代，已经进入了展开期。后续的AI应用，必然也会层出不穷。

  我们先简单回顾下ChatGPT的历史。

  总体来说，由于OpenAI成立之初，选择了Transformer做为解码器，坚持不懈的把标准的语言模型做为预训练的目标函数，因此开启了ChatGPT的诞生之路。

  从2018年开始，GPT1最早在NLP任务上使用pre-training + fine-tuning 的工作范式。不到一年后，GPT2在GPT1的基础上，用更大的数据集训练了一个更大的模型，证明了模型的泛化能力并发掘出了模型zero-shot的潜力。2020年，GPT3不再追求zero-shot的极致表现，而是考虑人类的学习方式，通过极少数样本few-shot（in-context learning）和稀疏注意力的模型结构，把训练数据（45TB）和模型（1750亿参数）提高到GPT2规模的100倍，暴力出奇迹，达到完成人类难以区分的新闻撰写的惊艳效果。当然，也出现了不符合人类偏好的模型“偏见”。

  2021年-2022年，InstructGPT基于GPT3，通过有监督微调（SFT）和基于人类反馈的强化学习（RLHF），解决了模型的“偏见”问题，实现了模型回答和人类意图之间的对齐（Alignment）。同时，OpenAI以代码做为训练数据，在GPT3的某个中间版本上进行另外一个路线的训练，推出了Codex初代模型。

  2022年4月-7月，基于InstructGPT和Codex初代模型的后续迭代版本，通过进一步的代码训练和微调，创造了第一个GPT3.5家族的模型code-davinci-002，也称为Codex。

  2022年5月-6月，基于code-davinci-002，通过有监督指令微调（supervised instruction tuning）得到了text-davinci-002。

  2022年11月，在text-davinci-002的基础上，通过RLHF获得了两个不同的模型变体，即text-davinci-003和ChatGPT。前者恢复了一些text-davinci-002所牺牲的上下文学习能力，同时提高了zero-shot能力。而ChatGPT则通过牺牲上下文学习能力来换取建模对话历史的能力。

  2023年3月，进入GPT4的时代。它可以理解图像内容，体现了强大的“多模态”特性；有了更强的记忆力，token数量从GPT3.5的4K提升到32K; 有了更强的语言理解能力和推理能力；在各种考试中的表现也是得到了显著的提高。

  GPT发展史

  我们Orillusion团队在2021年就关注过GPT3的技术和能力，当时大模型已经展现出了很好的协作和概念理解能力，但是还不能实现多轮对话。ChatGPT的出现，补齐了这一短板，而且在其他各个方面都有了大幅度提升。这项革命性的产品，让我们看到了一个巨大的机会。对于引擎产品品类来说，结合大语言模型的能力，使得引擎可以理解人们的意图，变的更加“聪明”，是接下来充满挑战的必经之路。伴随着ChatGPT的出现，我们认真的进行了长达半年多的思考、试错和工程优化，努力寻找着大模型和3D引擎之间的衔接桥梁。

  AIGC在3D应用场景的机会

  随着现象级应用ChatGPT的出现，LLM的多模态能力已经在文字和图片的生成上表现出了非常好的效果，大幅度提高了生产效率，甚至改变了人们的生活习惯。下一个被LLM覆盖的场景，必然是3D内容的生成。而且这也是降低3D内容创作门槛的最终解决方法。AIGC在3D行业的突破，我们理解为两种表现形式：生成派和调用派。

  生成派

  比如ChatGPT，Jasper，Imagen，Dell·E-2，Stable Diffusion，Midjourney等，都是在文字或图片的场景里，从0到1的直接创造内容。对于3D资产，通过AI最终也一定可以实现从0到1的直接创造。从当前3D内容生产工作流兼容性的角度，考虑到3D资产需要应用到渲染管线，3D资产最流行的representation就是Mesh，除此之外还包括NeRF，体素，点云，SDF等。当下，可以基于3D数据集直接训练AI模型，实现3D Mesh资产的创作（GET3D），也可以基于2D图片信息，来生成各种representation的3D资产（Point·E，Magic3D，Dreamfusion，Phorhum）。虽然目前来看，3D资产的生成还是处于相对早期的阶段，距离成熟商用可能至少需要半年到一年的时间，甚至是更久，这些不同的representation最终都会通过AI，实现从0到1的直接生成创造。

  调用派

  在3D应用场景中，LLM是否可以学习各种DCC软件（通过教程，案例，代码等），直接完成对这些基础软件的控制，通过“调用”的方式，完成3D内容的创作。比如我们是不是未来可以教会LLM使用Unity引擎或者3DMax工具，通过输入prompt指令，就可以直接生成我们需要的3D场景或者3D模型。LLM本身更擅长的是对文字内容的理解，而复杂繁琐的专业性工作，有很多成熟的工具可以完成。我们未来是不是只需要把这些操作工具的过程交给AI来完成，而不再通过人工的操作。这好比我们的大脑只需要完成思考，再通过控制我们的手脚来完成工作一样。这种调用派的逻辑更像是ChatGPT当下的插件机制，如果想购买机票，只需要告诉ChatGPT我们的意图，然后通过插件调用成熟的机票购买服务就好了。

  AIGC在引擎产品的现状

  这两种派别，我们认为第一种生成派是必然会发生的，就好比文字和图像的AIGC一样，目前大量的研究都集中在此。通过这种方式，我们可以快速的获得独立的3D资产，从而可以提高3D建模的效率，甚至是跳过这个专业的繁琐的3D建模阶段。而3D场景应用是一个比文字、图片、视频创作复杂的多的工作流，生成3D资产只是这个复杂工作流中的一个环节。比如，一个3D应用，需要策划给出方案，先完成原画的设计，建模师再完成建模，然后进入到3D/游戏引擎中搭建更复杂的场景，编写交互逻辑，最后发布应用。假设生成派可以实现3D资产从0到1的创造，那在3D应用场景中，AI又能如何加速传统的工作流呢？如果真正想实现3D应用场景全链路的AI化，我们认为调用派所覆盖的这些DCC工具，尤其是可以完成复杂场景搭建和逻辑编写的3D引擎工具，都存在巨大的革命性机会。

  而且，在这个革命性机会到来的过程中，由3D引擎公司接入AI能力来实现会更为顺畅。因为这件事情的本质是垂直行业对于AI能力的应用，这需要团队深入了解3D引擎框架，能力和特征，也需要很强的know how经验。怎样让AI理解3D场景，快速学会3D引擎工具的功能，完成3D场景的搭建和3D应用的开发，就变的至关重要。

  Roblox

  Spline

  当ChatGPT出现之后，已经有很多3D引擎公司表达了对于AIGC的认可，也出现了很多官方以及第三方的Demo展示，例如Roblox，Unity，Unreal，Spline等。虽然这个过程可能会相对漫长，也存在巨大挑战，但是AIGC在加速3D应用场景的创作上，已经成为了整个行业的共识。

  AIGC在Orillusion引擎的应用

  AIGC一直是我们Orillusion团队关注的重点。在引擎设计之初，我们就开始考虑AI对于引擎的适配问题。在ChatGPT出现以后，LLM的多模态表现，对语言内容的理解，包括上下文的逻辑推理能力，都实现了巨大的突破，这让我们感到格外兴奋！接下来，唯一的问题就是怎样教会LLM去理解3D场景，学习Orillusion引擎的功能，最终完成3D应用的创作。这恰恰是我们擅长，且必须要做的事情。

  这件事情的Hard Core有三个方面：

  1. 基于WebGPU标准的Orillusion引擎，这是我们的重要核心技术之一。3年前，团队开始关注WebGPU的发展，至今经历了两年多的WebGPU引擎研发工作，今天以开源的形式正式和大家见面。未来，我们期待和众多开发者一起努力，共建国人自己的Web3D引擎底层生态。

  2. 如何教会大语言模型，理解3D场景，学会使用Orillusion引擎，来构建3D场景应用。通过标准化结构化的引擎功能封装，加快大语言模型的学习速度和准确度。基于数据反馈机制，对大模型进行再次finetune，使其对3D场景和引擎功能的理解越来越准确。

  3. 如何实现AI能力在3D场景中的扩展。我们都知道ChatGPT本身是语言模型，要扩展能力就需要插件帮忙。借鉴这种插件思路，我们也在垂直的3D场景中，基于Orillusion引擎实现了构建3D空间能力的插件化扩展方式，开发者可以通过插件，扩充更加复杂的3D应用开发能力。

  基于插件的扩展能力，如果有更多的开发者参与，就会实现更多的垂直化插件功能，也就可以满足更多的用户需求。而更多的用户，就可以产生更多的数据反馈，从而为AI模型带来更大的优化空间。当然，这个正向飞轮最终还要依靠广大的开发者和我们共同努力。因此，我们坚持开源，选择拥抱生态！

  基于WebGPU标准的WebLLM项目，深度挖掘了WebGPU的潜力，最近得到了大量的关注。那未来“训练在云，推理在端”的AI框架，是不是也更加值得想象呢？