在使用 Unity 重新制作 Diamond Dash 工作了六个月后，我可以说我从 Wooga 的工程师那里学到了很多，除了自我反思。我经常学习软方式，也学习硬方式。无论如何，在经历了比失败更多的成功之后，我提出了我对伟大架构应该是什么样子的看法。

Kit是一个构建应用程序和体验的平台。它们可能有也可能没有太多共同之处。其中一些可能使用RTX，omni.ui或其他库来创建丰富的应用程序，其他库可能是无窗口的服务（例如离线处理USD文件的服务）。为了实现这一目标，Kit的目标是极其模块化：一切都是扩展。

英文原文：https://rohiton.wordpress.com/2016/06/28/persistent-data-structures/  函数式编程鼓励不变性，一些非常纯粹的函数式编程语言(如Haskell)甚至根本不支持可变性。持久化数据结构是纯函数编程的关键，它有助于实现不变性，同时保持性能。  大多数第一次使用函数式编程的开发人员认为，如果数据结构是不变的，更新数据结构会造成大量

Gen AI 模型根据类型分为不同类别。每个模型都有附加的功能和特性。为当前的用例选择正确的模型非常重要。与计算机科学不同，在我们的例子中，最大的模型并不意味着它更好。Completion API 是一个复杂的文本生成工具，可用于完成用户提供的提示，并构成文本生成范例的支柱。Completion API 相对易于使用，只有几个关键参数，例如提示、要生成的令牌数量、有助于引导模型的温度参数以及要生成

基础模型由斯坦福大学的研究人员于 2018 年推出，极大地改变了人工智能系统的构建。它们不同于特定任务模型，而是转向在大量数据基础上训练的更广泛、适应性更强的模型。这些模型可以在机器翻译和问题解答等各种自然语言任务中表现出色，因为它们可以从大量文本和代码数据集中学习通用语言表征。如下图 2.2 所示，这些表征可以用来执行各种任务，甚至是它们没有经过明确训练的任务。用更专业的术语来说，基础模型利用成

基于视觉的生成式人工智能模型使我们能够通过简单的提示创建独特且真实的内容。这些模型可以生成新内容、编辑和增强现有图像以及使用简单的提示。生成式 AI 视觉模型有多种用例 - 创意内容、图像编辑、合成数据创建和生成设计。有四种主要的生成式人工智能模型架构，每种架构都有优点和挑战。我们解释了变分自动编码器 (VAE)、生成对抗网络 (GAN)、视觉变换模型 (ViT) 和扩散模型。多模态模型是不同的生

生成式人工智能并不是人工智能的一个新领域，但它最近越来越受欢迎和受到关注。它可以生成各种输出的新内容 - 从逼真的人脸和编写有说服力的文本到创作音乐和开发新型药物化合物。这种新的人工智能技术涉及复制现有模式、想象新模式、创造新场景以及创造“新”知识。如图 1.2 所示，生成式人工智能是人工智能的一个分支，它接受大量数据的训练，学习潜在的模式和分布。它具有产生“新颖”和“原创”事物的潜力的魔力，这项

我们创建 Unity Sentis 是为了让开发人员能够将 AI 模型引入游戏和应用程序中。现在处于预发布的公开测试版中，Sentis 允许在所有类型的项目中实现复杂的功能，例如对象识别、语音识别和智能 NPC。

基于视觉的生成式人工智能模型使我们能够通过简单的提示创建独特且真实的内容。这些模型可以生成新内容、编辑和增强现有图像以及使用简单的提示。生成式 AI 视觉模型有多种用例 - 创意内容、图像编辑、合成数据创建和生成设计。有四种主要的生成式人工智能模型架构，每种架构都有优点和挑战。我们解释了变分自动编码器 (VAE)、生成对抗网络 (GAN)、视觉变换模型 (ViT) 和扩散模型。多模态模型是不同的生

我们创建 Unity Sentis 是为了让开发人员能够将 AI 模型引入游戏和应用程序中。现在处于预发布的公开测试版中，Sentis 允许在所有类型的项目中实现复杂的功能，例如对象识别、语音识别和智能 NPC。