可扩展生成游戏引擎：通过硬件-算法协同设计突破分辨率瓶颈

实时生成游戏引擎代表了一种范式转变，旨在用神经世界模型取代传统图形管线。然而，现有方法受制于“内存墙”，限制实际部署只能应用于低分辨率（例如 $64 \times 64$）。本文通过引入可扩展的硬件-算法协同设计框架，弥合了生成模型与高分辨率神经仿真之间的鸿沟。我们识别到高分辨率生成面临关键资源失配：世界模型计算受限，而解码器内存受限。为此，我们提出一种异构架构，智能地在 AI 加速器集群上解耦这些组件。该系统具有三个核心创新：(1) 在序列并行约束下优化吞吐量的非对称资源分配策略；(2) 最小化 off-chip 带宽使用的内存中心化算子融合方案；(3) 利用时序冗余掩盖延迟的流形感知潜在外推机制。我们在 AI 可编程加速器集群上验证了该方法，实现了 $720 \times 480$ 分辨率的实时生成——像素吞吐量是先前基准的 $50\times$。在连续 3D 赛车和离散 2D 平台游戏基准上，我们的系统分别提供流畅的 26.4 FPS 和 48.3 FPS，平均有效延迟为 2.7 ms。这一工作表明，通过架构协同设计解决“内存墙”不仅是优化，更是实现高保真、响应灵敏神经游戏play的必要条件。