什么值得买App下载 App ›
连续签到专享现金活动

[AI编程尝试] Cursor+Codex在UE5中实现Predication Render优化空Draw Call GPU线程Setup消耗

随着Google Gemini 3等新一代大模型的发布,AI编程工具在代码理解与执行层面的表现显著提升。近期,通过Cursor结合Codex模型,在虚幻引擎5(UE5)中成功实现了一项针对Predication Render的优化任务,有效解决了空Draw Call带来的GPU线程Setup消耗问题。此次尝试验证了AI在处理复杂渲染管线逻辑时的实际效能,仅需极少的人工干预即可完成核心代码的编写与调试。
01技术原理:空Draw Call的性能瓶颈
UE5广泛应用Nanite等GPU Driven技术,其核心流程是在GPU端对Cluster进行剔除并生成VisBuffer。然而,由于GPU需严格按照CPU提交的Command List执行,CPU端必须将所有可能的Draw Call(涵盖不同材质与LOD)提交至CommandList。GPU随后通过填充Indirect Buffer来执行绘制,若某Cluster被剔除,Indirect Buffer的ThreadGroupCountX将被置为0,从而形成“空Draw Call”。
理论上,驱动层会自动优化此类情况,但实际测试显示,当空Draw Call数量达到一定量级时,其开销依然可观。以Compute Shader的Indirect Dispatch为例,通过PIX截帧分析发现,即便实际工作负载为空,CS Invocations(启动和计算占用的线程)并不为0。这意味着GPU仍需消耗资源进行线程Setup,并未完全消除无效开销。
DX12提供的Predication机制允许在执行真正绘制前传入一个Buffer,通过判断预设条件来决定是否执行后续Draw Call。这是一种更为彻底的消除空Draw Call线程Setup开销的方式。由于SetPredication要求Buffer必须满足8字节(uint64)整数倍对齐,原有的IndirectArgs(4 uint)需通过一个Pass重新打包为符合条件的形式。在准备好该Buffer后,在ExecuteIndirect执行前插入SetPredication调用即可生效。
02AI辅助编程实施过程
整个优化工作主要包含三部分:RHI层实现、Indirect Args Pack Shader封装以及复用逻辑封装。鉴于RHI层修改涉及引擎底层,每次编译耗时较长,这部分工作由人工完成。其余两部分逻辑则交由AI(Cursor/GPT 5.1 Codex)进行编码,引擎版本为5.6.1。
  1. 基础逻辑验证
    针对初始代码提问,AI输出结果一遍编译通过。
  2. 运行时崩溃修复
    运行阶段触发崩溃,直接将崩溃堆栈截图投喂给AI,AI分析后输出修复代码,再次编译运行通过。PIX截帧确认SetPredication调用正常,且空Draw Call的CS Invocations降为0。
  3. 功能封装与复用
    要求将简单测试逻辑封装为通用功能,以便在NaniteCullRaster、Lumen Card Capture等位置复用。AI输出了封装后的代码,编译运行通过。
  4. 关键数据接入
    人工将关键位置的数据和代码插入点提供给AI,AI成功完成代码接入,编译运行通过。
  5. 资源释放问题解决
    运行时遇到Buffer释放崩溃,将截图及人工推测的Prompt输入,AI成功修复问题,功能测试最终通过。
03性能测试与数据分析
在4K原生分辨率、Nvidia 5080硬件环境下进行测试。该特性的收益与场景复杂程度及Cluster被剔除情况(即空Draw Call数量)正相关。理论上,在中低端硬件上的收益将更加明显。测试选取了一个消耗较高的Draw Call,优化前CS Invocations为13952,优化后降为0,Predication机制成功生效。
优化项目优化前优化后
高耗Draw Call的CS Invocations139520
PackIndirectArgs开销-约1000ns

Predication优化前后性能对比

主要性能开销集中在PackIndirectArgs的调用上。由于相关Shader逻辑非常简单,该部分开销较低(PIX显示约1000ns)。开发者可根据项目场景特点,通过开关配置在VSM Nanite Path、Lumen Card Capture、Nanite Base Pass、Nanite Raster Cull等路径中选择性开启此功能。
04总结与思考

AI时代的编程能力核心

逻辑与表达决定驾驭能力
  • 表达的准确度、逻辑及认知决定了驾驭AI的上限

  • 模糊的表达可通过拓展提示词交由AI优化

  • 解决人类已有知识边界内的问题效率极高

基础能力决定价值上限
  • 真正困难的是知识边界之外的问题

  • 审美、跨学科连接的创造/创新能力仍由人类掌握

  • AI提高了工业生产下限,但上限取决于人类基础能力

除去人工实现的Shader和RHI部分,AI辅助完成了逻辑验证、重构复用及运行时崩溃修复,全程仅用了6次提问。实际体验表明,AI在梳理代码流程、设计架构、编写脚手架代码及调试方面节省了大量时间(通常占实际编码工作量的80%)。
面对AI发展带来的焦虑,历史表明发展的问题需由发展解决。在当下,积极拥抱AI技术,将节省下来的时间投入到更有价值的研究工作中,是符合技术发展趋势的最优选择。
  • 1Cursor
  • 2Google Gemini 3
  • 3Unreal Engine 5
  • 4Nvidia 5080

评论

评论区空态插画

当前文章无评论,是时候发表评论了