计算机图形学与可视化

图形学这二十年做成了两件在二〇〇五年看来都不可能的事：把电影级的光线追踪压进每秒六十帧，以及把一组普通照片直接变成可自由漫游的三维场景。前者靠的是硬件加速加上一套激进的采样与重用理论——用极少的样本加上强力的时空复用与降噪逼近真解；后者则来自一次范式更替：三维场景不再由人建模，而是由图像反向优化出来，先是神经辐射场，再被高斯泼溅以数十倍的速度取代。可视化一侧的变化同样深刻：这门学科从「怎么画得好看」转向「怎么画才不误导」。下面二十条按此排列。

一、硬件光线追踪Hardware-Accelerated Ray Tracing

实时图形四十年依赖光栅化——把三角形投影到屏幕，光照靠各种近似。真实的全局光照需要光线追踪，其代价此前只有离线渲染能负担。专用硬件单元把包围盒层次的遍历与三角形求交做进芯片，使每帧可追踪的光线数提高一到两个数量级。

但这仍远不够：真实感需要每像素成百上千条光线，而实时预算只有个位数。因而硬件只是入场券，真正让画面成立的是随后的采样与降噪技术（见下两条）。「硬件解决了求交，算法解决了样本不够」是这十年实时渲染的准确概括。

管线的形态随之改变：不再是纯光栅或纯光追，而是混合——用光栅解决主可见性（最便宜且无噪声），用光追解决反射、阴影与间接光。混合管线的复杂度显著高于任一纯方案，是引擎工程量增长的主要来源。

它也改变了内容制作：光追使美术不必再手工放置假光源与烘焙光照贴图，场景改动后光照自动正确。省下的制作工时可能比画质提升更有商业价值——这一点在业界的采纳决策中权重很高。

从产业史看，这次硬件加入的时机值得记：专用单元先于算法成熟而落地，随后两年算法才补上。硬件厂商押注的是一个当时还不可用的管线，这类押注在体系结构面板的专用化条中被称为「需要商业判断的赌注」。

二、时空重要性重采样Spatiotemporal Reservoir Resampling

场景有大量光源时，为每个像素挑选「值得采样的那几个」本身就极其昂贵。这一方法用蓄水池采样在流式过程中维护少量候选，并在相邻像素与相邻帧之间交换与重加权候选——因为附近的像素与上一帧的同一位置，其光照条件高度相似。

效果是量级性的：在每像素只追一到两条光线的预算下，得到的图像质量接近于每像素数十条光线的朴素采样。这使动态光照下的实时全局光照第一次在消费硬件上成立。

理论基础是重采样重要性采样：复用他处的样本需要正确的权重修正，否则会引入偏差。这一方法的贡献正是给出了可在流式与时序中维持无偏（或可控偏差）的重加权规则。它是渲染领域少见的、由采样理论直接驱动的工程突破。

代价是相关性带来的伪影：复用使得噪声在空间与时间上相关，表现为拖影与斑块，尤其在快速运动与光照突变处。因而它必须与专门的时序降噪配合使用，两者是一体的。

它还提供了一个可迁移的思想：当采样预算不足时，向邻居借样本并正确重加权。同样的结构出现在流算法的草图共享、推荐系统的协同过滤与时序预测的邻域平滑中——差别只在于重加权的正确性是否被严格处理。

三、学习式降噪与超分Neural Denoising and Upscaling

既然样本永远不够，就把「不够」交给重建。神经降噪把带噪的一两样本每像素图像，结合法线、深度、反照率等辅助缓冲，重建为接近收敛的图像。离线渲染由此把每帧渲染时间压缩了数倍，动画制片的实际产能显著提高。

实时侧的形态是时序超分：以较低分辨率渲染，用运动矢量把历史帧对齐并累积，再用网络放大到目标分辨率。这使「渲染分辨率」与「显示分辨率」正式解耦——这是实时图形性能预算的一次结构性重划。

此后进一步扩展到帧生成：在两帧之间插出中间帧。它提高了画面流畅度，但不减少输入延迟，甚至略微增加——因而其价值取决于内容类型，在交互性要求高的场景中受质疑。

共同的失败模式已被充分记录：细小结构的闪烁与拖影、快速运动处的鬼影、以及在训练分布之外内容上的异常。「渲染的正确性」由此变成了一个统计概念——多数像素多数时间正确，而不是每个像素都由物理计算得出。

值得单列的是它对性能指标的冲击：帧率不再是可比的数字，因为不同的重建方案在同一帧率下画质与延迟差别巨大。行业至今没有公认的方法把「生成的帧」与「渲染的帧」放在同一尺度上比较。

四、神经辐射场Neural Radiance Fields

传统三维重建先求特征点、再建网格、再贴纹理，对反射、透明与细小结构效果很差。这一方法完全不同：把场景表示成一个从空间坐标与视线方向到密度与颜色的连续函数，用体渲染积分沿光线合成图像，并用渲染结果与真实照片的差异反向传播来优化这个函数。

结果的质量在当时是革命性的：从数十张普通照片就能合成任意新视角，且能正确表现视角相关的高光与半透明。它把三维重建从几何问题变成了优化问题，这是范式层面的变化。

随后两年的主要工作是提速：原始方法训练需要以天计，多分辨率哈希编码等技术把它压到分钟级，使其从论文变成可用工具。「同一范式，三个数量级的加速」是这条线最惊人的部分。

固有的限制也很清楚：渲染仍需逐光线积分因而实时困难、场景编辑困难（表示是隐式的）、且需要准确的相机位姿。这三点直接催生了下一条。

从科研传播看，这条线创下了罕见的速度：论文发表到开源实现、到工业采用不足两年。其原因是方法简单、复现容易、且不依赖专有数据——三项条件缺一，扩散速度都会掉一个量级。

五、三维高斯泼溅3D Gaussian Splatting

它保留了前一条的核心思想——用图像反向优化场景表示——但换掉了表示与渲染方式：场景由离散的各向异性高斯基元构成，渲染时把它们投影到屏幕并按深度混合。这使渲染可以走成熟的光栅化路径，速度提高一到两个数量级，达到实时。

训练过程包含自适应的密度控制：在细节不足处分裂高斯、在冗余处剪除，从而把基元预算自动分配到需要的地方。这一「表示自己决定复杂度分布」的机制，是它质量优于固定分辨率表示的关键。

两年之内它扩展到几乎所有相邻方向：动态场景、几何精确的二维版本、抗锯齿、压缩、同步定位与建图、语义分割与可编辑化。其扩散速度在图形学史上罕见，原因是它同时具备高质量、实时与实现简单三项。

已知的短板集中在几何与光照：高斯是外观拟合而非表面重建，法线与几何不精确；光照被烘焙在颜色里，重新打光困难。近年的工作正是在补这两块——把泼溅与光线追踪、与逆向渲染结合。

它对前一条的取代方式值得记：不是推翻其思想，而是换掉其表示与渲染方式。核心洞见（用图像反向优化场景）被完整继承，而实现代价降了两个数量级。技术史上多数「取代」都是这种形态，而非思想的推翻。

六、可微渲染Differentiable Rendering

渲染是从场景参数到图像的函数。若这一函数可微，就可以用梯度下降从目标图像反推场景——几何、材质、光照、相机。前两条的成功正建立在这一能力之上。可微渲染是这十年图形学的通用基础设施。

技术核心是处理不连续性：遮挡边界与阴影边界使被积函数不连续，直接求导会漏掉边界项。解决办法是重参数化或专门的边界采样，这一细节决定了梯度是否正确，也是通用可微渲染器与玩具实现的分水岭。

应用远超新视角合成：材质获取（从照片反推真实材质参数）、逆向光照、镜头与显示器的设计优化、以及为机器人与自动驾驶生成带标注的合成数据。凡是「有测量图像、想知道产生它的物理参数」的问题都可以用它。

限制在于局部最优与病态性：反问题常常欠定，不同的场景参数可以产生几乎相同的图像，因而必须靠先验与正则约束。「图像看起来对，但材质与几何都是错的」是这类方法最常见的失败，且在下游使用时才会暴露。

从跨学科看，可微渲染让图形学成为其他领域的工具：机器人的仿真到现实、遥感的物理参数反演、显示与光学器件的设计，都在使用它。一个学科的成熟标志之一，是它的核心工具开始被别人用来解决自己的问题。

七、神经隐式几何表示Neural Implicit Geometry

网格表示离散、拓扑固定、难以优化；隐式表示把表面写成某个函数的零等值面，因而拓扑可以自由变化、分辨率理论上无限、且可微因而可优化。这一表示与可微渲染天然契合。

它在几何重建上的优势是能得到闭合、无洞、水密的表面，这正是泼溅类外观表示所缺乏的。因而近年的趋势是外观用泼溅、几何用隐式，两者联合优化。

在几何处理任务上（形状插值、变形、布尔运算、修复），隐式表示把许多传统上需要复杂网格算法的操作变成了函数运算。代价是提取显式网格需要等值面抽取，其质量与效率是持续的工程问题。

尚未解决的是尺度与效率：单一网络难以同时表达大范围与细节，因而需要多分辨率与空间划分结构；而与传统几何管线（建模软件、物理引擎、制造）的互操作仍依赖转换为网格。新表示要进入生产管线，必须能与旧表示往返而不损失。

还有一层与制造的接口：隐式表示在增材制造中天然合适，因为打印本身是逐层求值而非处理网格。表示方式与制造方式的匹配，可能比表示的数学性质更决定其采纳。

八、生成式三维内容Generative 3D Content

三维资产数据集比图像数据集小数个数量级，因而直接训练三维生成模型效果有限。这条线的关键思路是用二维扩散模型给三维表示打分——不断渲染三维表示的随机视角，让二维模型判断「这看起来像不像目标」，并把梯度回传给三维参数。

早期方法的问题被充分记录：几何失真、多面孔（从每个角度看都像正面）、饱和的颜色与缓慢的优化。后续改进包括多视角一致的扩散模型、先生成多视角图像再重建、以及直接在三维原生数据上训练，质量与速度都大幅提升。

产业上的意义在于内容成本：三维资产的建模是游戏、影视与仿真的主要成本项。即使生成结果需要人工修整，「从零开始」变成「从可用草稿开始」也会显著改变制作流程。

尚未解决的是可用性而非视觉质量：生产管线需要干净的拓扑、合理的贴图展开、可绑定的骨骼与合规的素材来源，而生成模型给出的往往是「看起来对但不能用」的资产。这一差距是当前商业落地的主要障碍。

从数据角度看，这条线是「用一个模态的丰富数据监督另一个模态的稀缺任务」的范例。同样的策略正在被用于三维医学影像、蛋白结构与视频理解——凡是标注昂贵而相关模态数据充裕的地方都值得一试。

九、材质与外观获取Appearance Capture

真实感渲染需要材质的双向反射分布函数，此前依赖昂贵的专业测量装置。这十年的进展是把材质获取变成逆向问题：用手机闪光灯拍几张照片，配合材质的统计先验，反推出可用于渲染的参数化材质。

关键的使能因素有两项：可微渲染提供梯度，学习到的材质先验约束解空间。后者尤其重要——反射测量本质欠定，没有先验就会得到与照片一致但物理荒谬的材质。

扩展到全景与场景尺度后，它成为逆向渲染的一部分：同时估计几何、材质与光照，从而使拍摄的场景可以被重新打光与编辑。「拍下来、拆开、重新组合」是这条线的终极目标，目前在受控条件下已可用。

工业上的采用主要在电商与数字孪生：把实物快速转成可渲染的三维资产。其瓶颈通常不是算法而是流程——拍摄规范、标定与质量验收，这些工程细节决定了能否规模化。

它对电商与文化遗产的意义值得单列：把实物快速数字化的能力，使得「拍下来即可发布」的三维内容第一次在成本上成立。而其质量验收标准（几何精度、色彩还原、可重新打光）尚无行业共识，这是规模化的下一道门槛。

十、注视点渲染Foveated Rendering

人眼视锐度随离中心视野的角度快速下降。若能实时知道用户在看哪里，就可以只在注视点附近全质量渲染，外围逐级降低分辨率与着色率。理论上的节省可达数倍，对头显这种高分辨率高帧率的场景尤其关键。

实现的难点在于感知：简单降分辨率会产生外围可见的闪烁与运动伪影，因为外围视觉对运动与闪烁反而更敏感。因而必须按感知模型分别处理对比度、运动与色彩，而不是均匀降质——这是视觉科学直接进入渲染工程的一个案例。

眼动追踪的延迟是硬约束：从眼动到画面更新的总延迟必须低于人察觉的阈值，否则高质量区域会跟不上视线。这把眼动追踪的采样率与渲染管线的延迟绑在了一起。

它还带来一项副产品与一项风险：副产品是眼动数据可用于交互（见人机交互面板）；风险是眼动数据具有高度的个人指示性——可泄漏身份、注意力与部分健康状况，而其采集是渲染优化的技术必需，因而难以被用户拒绝。

眼动数据的这一处两难值得反复强调：它既是性能优化的必需输入，又是高度敏感的个人数据。因而它不能像其他遥测那样由用户选择关闭，其治理必须靠数据留存与本地处理的约束，而非靠同意。

十一、物理仿真的实时化与可微化Simulation: Real-Time and Differentiable

实时仿真的核心矛盾是稳定性：显式积分在大时间步下发散，隐式积分昂贵。基于位置的方法绕开力与加速度，直接对位置施加约束投影并迭代求解，因而无条件稳定、易并行、参数直观。它支撑了这十年游戏与影视中的布料、软体与流体。

严格性的代价是材料参数不再有明确的物理含义、行为随迭代次数与时间步变化。后续工作把它与真实的连续介质力学重新对接，使同一套求解器既能快也能在需要时逼近物理正确。

可微仿真是另一条线：让仿真过程可求导，从而可以从观测反推材料参数、或直接优化控制策略。其在机器人与柔性体控制上的价值最大，因为它把「试错学习」变成了「带梯度的优化」。

两条线共同的困难是接触与碰撞：接触是不连续的，梯度在此处失效或病态。如何处理接触的可微性，是这一方向当前最核心的技术问题，也是仿真与真实之间差距的主要来源。

从这条线可以提炼一条通则：牺牲严格性换取稳定性，在交互式系统中几乎总是正确的选择；而当同一套求解器需要兼顾预测性用途时，就必须提供一条能收敛到物理正确的路径。同时支持两种模式，是这类求解器成熟的标志。

十二、角色动画与运动生成Character Animation and Motion Synthesis

传统角色动画依赖动作捕捉库与状态机拼接，转换生硬且覆盖有限。学习式方法用大量动捕数据训练模型，根据目标（速度、方向、地形、交互对象）连续生成运动，使动作过渡自然且能泛化到未录制的情形。

与物理仿真结合是关键一步：纯运动学生成会出现穿模、滑步与失衡，而加入物理控制器可以保证动作在物理上成立、且能对外力做出反应。「看起来对」与「站得住」由此第一次同时满足。

文本与草图条件的加入使其进入内容生产：用一句描述生成一段动作，或用少量关键帧引导。质量已足以用于原型与背景角色，而主角级动画仍需人工精修——精度与可控性，而非多样性，是当前的瓶颈。

数据是根本约束：动作捕捉数据在数量与多样性上远小于图像数据，且涉及表演者的权利与形象。「谁的动作、谁授权、如何署名」在这条线上已成为现实的法律问题。

值得补一条产业现实：动作数据的授权问题已经进入合同实践，表演者对其动作被用于训练的权利成为谈判条款。与配音、肖像一样，动作正在成为一项被明确界定的表演者权利。

十三、显示与感知的接口Displays and Perceptual Rendering

渲染最终要通过显示器进入眼睛，而显示器的动态范围、色域与时序特性决定了哪些差异可见。高动态范围显示的普及使亮度范围扩大数个量级，迫使整个管线从「输出零到一的颜色」改为「输出真实的亮度」，色调映射从后期修饰变成核心环节。

可变刷新率解决了长期的撕裂与卡顿问题：让显示器等待显卡而非相反。这是一次典型的「把同步责任从软件移到硬件」的改进，其感知收益远大于同等的帧率提升。

感知模型的作用在这十年被系统利用：对比敏感度函数、时空掩蔽效应与色觉特性被用于决定在哪里可以省算力（见注视点渲染）、如何分配码率、以及如何设计降噪的误差度量。「用感知误差而非数值误差作为优化目标」成为共识。

尚未解决的是评价指标：广泛使用的图像质量指标与人的主观评价在新型伪影（学习式重建的鬼影与闪烁）上相关性很差。指标落后于技术，是这一领域评价可信度的主要威胁——与自然语言处理的评测危机同型。

从工程看，可变刷新率是一次典型的「把责任放到正确一层」的改进：软件此前用各种技巧掩盖同步问题，而硬件加一条协商机制就解决了。凡是软件里出现大量绕行技巧的地方，都值得回头问一句这是不是层次划错了。

十四、大规模场景与流式加载Massive Scenes and Virtualized Geometry

场景细节的上限长期由内存与绘制调用决定，美术必须手工制作多级细节模型。虚拟化几何把网格切成微小的簇，运行时按屏幕投影大小动态选择合适的细节层级并流式加载，使得直接使用影视级高精度模型成为可能。

关键结果是渲染代价与场景中三角形总数近乎无关，只与屏幕分辨率相关。这解除了内容制作中最耗时的一项约束——手工减面与细节层级制作，其生产力影响大于画面提升。

同类的思想扩展到纹理与光照：虚拟纹理按需加载、光照缓存按可见性更新。共同的模式是「把一切资源虚拟化，按屏幕需求分页」——与操作系统的虚拟内存完全同构。

代价是流式加载的延迟与存储带宽：细节不足时会出现可见的加载弹出，而高精度资产的磁盘占用巨大。压缩与预取成为新的瓶颈，图形工程因此与存储工程绑定。

这条线与操作系统面板的虚拟内存呼应得极其精确：分页、按需加载、局部性与预取，四个概念一一对应。把成熟系统抽象移植到新资源上，是计算机科学中回报最稳定的一类工作。

十五、可视化的实证转向Visualization Turns Empirical

可视化长期依赖专家经验与设计准则。这十年的转变是把准则逐条做成可检验的假设：不同视觉通道（位置、长度、角度、面积、颜色）的判读精度排序、坐标轴截断的误导效应、动画对趋势理解的作用、以及三维柱状图的失真。许多长期流传的准则被证实，另一些被限定或推翻。

方法上依赖众包实验与预注册，因而也继承了相应的方法学问题（见人机交互面板）。本领域的回应包括建立公共实验平台与共享刺激材料，使结果可复现与可累积。

最有价值的产出不是排名，而是条件：某种编码在什么任务、什么数据规模、什么读者群体下更优。因为可视化的效果高度依赖任务——找极值、比较、看趋势与看分布，最优编码各不相同。

尚未解决的是从实验到设计的落差：实验用的是简化刺激，而真实图表包含标题、注释与上下文，后者对理解的影响可能大于编码选择。「图表之外的东西决定了图表怎么被读」是本领域公认而难以研究的现象。

从这条线还能看出可视化与统计的分工：统计给出「数据说了什么」，可视化研究「人会看出什么」，两者可以背离。一张统计上正确的图，完全可能系统性地让读者得出错误结论——而这只能靠实验发现，不能靠推理。

十六、不确定性可视化Visualizing Uncertainty

预测、估计与模型输出都带有不确定性，而传统图表只画点估计。研究显示省略不确定性会导致读者高估确定性并做出更极端的决策；而简单地加上误差棒效果有限，因为多数读者不能正确解读它。

被验证更有效的形式是把不确定性转成频率或离散实例：假想结果图（画出若干条可能的轨迹）、点阵图（用一百个点表示概率）、以及动画式的假想结果。这些形式让读者以频次而非概率来理解，与人的直觉更契合。

选举预测与天气预报是最大规模的实地案例：不同的表示方式导致公众对同一预测的理解差异巨大，且部分表示会系统性地传达过度的确定感。这些案例把一个可视化的技术选择变成了公共信任问题。

剩余的困难是不确定性本身常常不可得或不可靠：模型给出的置信区间可能本身是错的。可视化只能忠实呈现被给予的不确定性，不能修复它——而读者往往把画出来的区间当作真实的边界。

它对公共传播有一条具体建议：用频率而非概率、用多个可能结果而非一个平均结果。这一建议同时得到可视化实验与行为决策研究的支持，是跨学科证据最一致的少数结论之一。

十七、叙事可视化与数据新闻Narrative Visualization

分析型可视化服务于探索，读者是专家；叙事型服务于传达，读者是公众。这一区分带来不同的设计要求：作者引导与读者探索之间需要平衡，注释与叙述承担的信息量常常超过图形本身，而交互往往被高估——多数读者不点击。

这十年的实践产生了可复用的形式：滚动叙事、逐步揭示、以及「先给结论再给细节」的结构。实证研究显示引导性强的形式在理解与记忆上优于纯探索式界面，除非读者本身有明确的探索目标。

同时出现的是伦理问题：同一份数据用不同的编码、范围与配色可以支持相反的印象，而叙事赋予了作者更强的引导力。可视化的说服力与其误导潜力来自同一处，这使新闻业的可视化规范与更正机制成为必要。

机器生成的加入使问题更迫切：自动图表生成工具会按默认设置作出编码选择，而这些默认对读者的影响不亚于内容。默认设置因此是一种未被讨论的编辑立场。

默认设置这一点值得展开：当图表由工具自动生成，编码、配色、坐标范围的默认值就成了成千上万张图的实际编辑决策。工具作者因此承担了一种分散的、不可见的编辑责任，而这一责任几乎从未被明确讨论。

十八、可视分析与交互式机器学习Visual Analytics and Model Inspection

可视分析的主张是把自动分析与交互可视化结合：算法处理规模，人处理语境与假设。其典型应用是探索性数据分析、异常调查与模型行为审查——这些任务的共同点是目标无法事先形式化，因而不能全自动。

面向模型的工具在这十年大量出现：查看特征归因、比较子群表现、检查训练数据的分布与标注错误。其中最实用的往往不是解释模型内部，而是帮人系统地翻检数据——这与「以数据为中心」的结论一致（见数据库面板）。

方法学上的警告与解释性研究一致：交互式探索容易产生多重比较问题——看得越多，越可能发现虚假模式。「视觉上的显著」不等于统计上的显著，而工具很少提醒这一点。已有研究提出在探索工具中内建多重检验校正。

现实的采纳障碍是工作流：分析工具若不能嵌入既有的数据与模型流水线，就只能作为一次性的探索玩具。能否读取生产数据、能否把发现导回流程，决定了这类工具的实际寿命。

多重比较这一警告对整个数据分析实践都成立：交互式探索本质上是在做大量未记录的假设检验。把探索与确认分开，并对确认阶段做预注册，是目前唯一被证明有效的纪律。

十九、生成式内容对管线的冲击Generative Content Meets the Production Pipeline

生成模型可以产出高质量的图像、材质、纹理与视频片段，其质量在概念设计与参考素材上已完全可用。产业采纳的实际障碍不在质量，而在可控性（要求精确的构图与一致的角色）、可迭代性（改一处而不改全部）、以及素材来源的合规性。

管线的适配正在发生：生成用于早期概念与迭代，传统管线用于最终产出；生成的资产需要经过清理、重拓扑与合规审查。「生成一张图很快，把它变成可用资产仍然很慢」是当前的普遍经验。

版权与训练数据来源已成为决定性因素：面向商业发布的内容需要可追溯的素材授权，因而「用什么数据训练的模型」成为采购条款而非技术细节。多家厂商据此提供有授权来源的模型与赔偿条款。

对从业者的影响是分层的：初级的执行性工作受冲击最大，而定义方向、保证一致性与最终质量把关的工作需求上升。这与其他领域的观察一致——被自动化的是执行，被强化的是判断与验收。

从劳动角度看，这条线与劳动经济学面板的结论一致：受影响最大的是入门级的执行性岗位，而这恰是培养资深从业者的必经阶段。若入门岗位被大量替代，十年后的资深人才从哪里来，是一个已被提出而无人回答的问题。

二十、真实感与真实性的分离Photorealism versus Authenticity

图形学的目标追求了半个世纪：让合成图像与照片无法区分。这一目标在这十年基本达成，其后果超出学科本身——影像证据的默认可信性被瓦解。合成影像可用于伪造事件、伪造身份与伪造证据，而检测始终落后于生成。

技术性的应对分两类：被动检测（分析图像的统计痕迹）与主动溯源（在拍摄与生成环节写入可验证的来源信息）。前者是一场持续的军备竞赛且长期处于劣势；后者依赖硬件、平台与标准的协同，其覆盖率是成败关键。

内容凭证类标准的思路是把「这段影像从何而来、经过哪些编辑」做成可验证的元数据链条，由相机与编辑软件共同签署。其局限同样明显——没有凭证不等于伪造，因而它只能证明真，不能证伪。

对本学科的含义是身份性的：图形学长期把逼真度作为唯一的成功指标，如今需要同时承担可标注、可溯源与可区分的责任。这是一门技术学科被迫接受其成果的社会后果的典型过程——与密码学、生物技术的历史相同。

最后补一句关于溯源的现实：内容凭证只能证明来源，不能证明缺失来源者为伪。因而它的社会效果取决于「有凭证」能否成为主流预期——若只有少数内容带凭证，它就只是一个小众标签而非可信基础设施。

二十条排在一起，图形学这二十年最深的一次变化是从「计算图像」转向「优化表示」。传统渲染是给定场景算出图像，而神经辐射场、高斯泼溅、可微渲染与材质获取都是反过来——给定图像，求出能生成它的场景。这一反转把图形学与优化、机器学习深度绑定，也使它第一次能够处理「从现实中获取」而不只是「由人建模」的内容。三维内容的生产成本因此正在经历一次数量级的下降。

第二条主线是样本永远不够，因而重建成为核心。实时光追每像素只有一两条光线，靠时空重采样与神经降噪补齐；渲染分辨率低于显示分辨率，靠超分补齐；帧率不足，靠插帧补齐；几何细节按屏幕像素而非场景复杂度分配。整条实时管线的哲学已经从「算准每个像素」变成「算少量样本，再统计地重建其余」。代价是正确性变成了统计概念，而新型伪影恰恰是既有图像质量指标最测不出来的那一类——评价指标落后于技术，是这一领域当前最实在的风险。

第三条主线是这门学科与它的社会后果相遇。可视化一侧从「怎么画得好看」转向「怎么画才不误导」，不确定性可视化与叙事伦理成为正式议题；渲染一侧则因为逼真度目标的达成，反而必须回头承担可溯源与可区分的责任。一门以「让假的看起来像真的」为毕生目标的学科，在成功之后被要求提供「区分真假」的能力——这既是它这十年最大的转折，也是它接下来十年最难回避的义务。