如果一款游戏能预测它的下一次内存访问会怎样？AI预取与卡顿的未来

游戏很少能确切知道未来，但它对接下来几帧的了解远多于通用应用程序。它知道摄像机向量、玩家速度、可见单元格、附近传送门、资源依赖关系、动画状态，而且通常知道接下来可能运行哪些着色器或效果。这使得游戏成为预测性内存管理的一个异常有趣的目标。

首先将内存卡顿与其他卡顿区分开

预取已经存在；新问题是如何预测

传统预取试图在处理器明确请求数据之前移动数据。硬件预取器利用访问模式。引擎在玩家到达世界单元格之前流式传输它们。操作系统和运行时保持可能需要的页面热。困难的部分是错误预测：预取太少仍然会卡顿；预取太多会浪费带宽并驱逐有用数据。

已有研究证据表明学习型GPU预取可行

一项关于基于深度学习的CPU-GPU统一虚拟内存预取的已发表研究使用Transformer建模全局内存访问上下文，然后推导出更轻量的预测器。在11个内存密集型基准测试中，论文报告相比对比框架性能提升10.89%，设备内存页面命中率为89.02%对76.10%，CPU-GPU互连流量降低11.05%。

学习型UVM研究有用，因为它从内存行为预测页面访问可能是什么。2026年AAAI KV缓存工作有用的原因不同：它表明调度器可以利用原本空闲的带宽窗口来决定何时在需求之前将数据移入更快的缓存。它们共同支持Figure Rocks假设中的两个独立机制——预测和时机——尽管两篇论文都不是游戏基准测试。

游戏拥有通用预取器没有的额外信息

引擎可以将已知的未来与预测的未来相结合

一个简单示例：跑向一扇门

想象一个玩家沿着走廊冲刺，跑向一扇通向密集集市广场的门。传统的流式系统已经知道下一个区域，并可以开始加载它。预测性内存增加了第二层：基于相机方向、移动、先前的玩家选择和当前任务状态，它可以对哪些纹理、NPC 动画数据、着色器和几何体子集最有可能首先被需要进行排序。

为什么随着神经渲染的发展，这可能更加重要

神经图形增加了新的数据类别：模型权重、潜在或压缩表示、历史缓冲区和中间张量。如果这些资源与纹理和几何体竞争，驻留管理将变得更加复杂。预测性调度不仅可以决定移动哪个资产，还可以决定保留哪种表示：原始数据、压缩的神经表示或可重建的形式。

失败模式与机遇同样重要

预取不是免费的。错误的预测可能会获取玩家永远不会看到的资源，驱逐有用的页面，并与帧关键流量竞争。因此，正确的目标不是最大预取；而是在有界带宽和驻留预算内实现最大有用命中率。

如何在真实引擎中测试它

这个假设的局限

预测性内存无法使过小的内存池无限大。它无法创造带宽。它无法通过猜测下一个纹理来修复着色器编译卡顿。当玩家的未来有意不可预测，或者引擎已经拥有近乎完美的确定性流式信息时，它的用处就会降低。

与通用 AI 架构的轻微联系

更深层的模式类似于游戏之外的检索系统：系统不应获取所有内容，也不应等到最后一刻才发现缺少上下文。它需要一个触发器、一个候选集、一个排序策略和一个有效性边界。游戏只是施加了更严格的延迟预算。

主要来源