Oyun dünyası daha azını çizip daha çoğunu görmenin yolunu buldu. Aynı numarayı uzak masaüstüne getiriyoruz — cihazınızda, yarı boyutundaki bir akıştan 4K görüntüyü yeniden oluşturan minik bir model.
Kimsenin konuşmadığı bant genişliği sorunu
Uzak masaüstünün kirli bir sırrı var: bant genişliği canavarı.
Bir masaüstünü 60 fps'te akıtmak modern codec'lerle 1080p'de kabaca 3–8 Mbps, 4K'da 8–15 Mbps tutar. Fiberde sorun değil. Güçlü ev Wi-Fi'sinde sorun değil. Ama otel Wi-Fi'sine geçin, telefonunuzdan tethering yapın ya da kalabalık bir şehirde bir kahve dükkanından çalışmaya çalışın — her şey dağılır.
Mevcut çözüm acıklı derecede basit. Bant genişliği düşünce kaliteyi düşür. Çözünürlüğü azalt. Kare hızını düşür. Koşullar iyileşene kadar bulanık metni ve takılan videoyu kabul et. Her uzak masaüstü uygulaması bunu yapar. Yirmi yıldır tek seçenek buydu.
Ya daha iyi bir yol olsaydı?
Ya net bir 1080p akışı gönderip koşullar zorlaşınca onu bozmak yerine, her zaman küçük bir 1080p akışı gönderip diğer uçta onu 4K gibi göstermenin yolu olsaydı?
Bu yapay zeka süper çözünürlüğü. Ve bilim kurgu değil. Oyun dünyası bunu yıllardır yapıyor.
Süper çözünürlüklü akış hattı
Oyundan uzak masaüstüne çeviri şaşırtıcı derecede temiz. Oyunda düşük çözünürlükte çizip ölçekliyorsunuz. Akışta düşük çözünürlükte kodlayıp ölçekliyorsunuz. Dört aşama, soldan sağa, uçtan uca.
| Aşama | Çıktı | Ölçüt |
|---|---|---|
| 01 · Yakala | Yerel çözünürlükte kare | 3840×2160 → sıkıştırma öncesi 1920×1080 |
| 02 · Kodla | 1080p H.265 akışı | Codec: HEVC · CBR 3 Mbps |
| 03 · İlet | WAN üzerinde ~3 Mbps | Bant genişliği: 3 Mbps · gecikme ~20 ms |
| 04 · Ölçekle ve çiz | 4K Metal / Vulkan çıktısı | Model: 280 KB · eklenen gecikme <3 ms |
Aynı algılanan keskinlik. Kabaca dörtte biri bant genişliği. Ve host daha küçük bir görüntü kodladığı için o da daha az çalışıyor — daha düşük CPU kullanımı, daha az ısı, dizüstülerde daha çok pil.
| Yaklaşım | Gereken bant genişliği |
|---|---|
| Bugün · yerel 4K akış | ~12 Mbps |
| Bugün · 1080p akış | ~5 Mbps |
| Süper çözünürlükle · ölçeklenmiş 4K | ~3 Mbps |
Oyun sektörü bunu zaten çözdü
2018'de NVIDIA, DLSS'i — Deep Learning Super Sampling'i — tanıttı. Kavram inanılmayacak kadar iyiydi: bir oyunu daha düşük çözünürlükte çiz, sonra bir sinir ağıyla yerel çözünürlük gibi görünecek şekilde ölçekle. GPU için daha az iş, aynı görsel kalite.
Oyuncular şüpheciydi. Yapay zekayla üretilmiş bir görüntü, yerel çizilmiş piksellerle nasıl aynı iyi görünebilirdi? Ama sonuçlar kendini gösterdi. 2026'ya gelindiğinde DLSS 4.5, birçok oyuncunun yerel çizime tercih ettiği görüntüler üreten transformer modelleri kullanıyor — daha keskin kenarlar, daha iyi zamansal kararlılık, daha az artefakt.
AMD FSR ile izledi. Apple MetalFX'i tanıttı. Intel XeSS'i çıkardı. Tüm sektör aynı kavrayışta buluştu:
En akıllı piksel, hiç çizmeniz gerekmeyen pikseldir.
Oyun sektörünün “bu bir gösteriş” den “bu zorunlu” ya gelmesi yaklaşık beş yıl sürdü. Uzak masaüstü henüz başlamadı bile.
Cihaz üstü yapay zeka, tasarımdan gizli
İşte işin gerçekten ilginç olduğu yer — ve yapay zekanın nasıl çalışacağına dair beklentinizden ayrıldığımız yer.
Süper çözünürlük modeli tamamen cihazınızda çalışır. Bulutta değil. Bir sunucuda değil. Elinizdeki telefonda ya da dizüstünde.
Modern cihazlar cihaz üstü yapay zeka için akıl almaz derecede güçlü. M serisi çiplerdeki Apple Neural Engine saniyede 15,8 trilyon işlem yapar. Qualcomm'un son Snapdragon çiplerindeki Hexagon NPU'su aynı ligde. Bu özel yapay zeka işlemcileri çoğu zaman boşta bekliyor. Biz onları işe koşuyoruz.
Çıkarım, çizim hattında, çözme ile görüntüleme arasında çalışır. Model 1080p bir kare görür ve 4K bir kare üretir. Gecikme bütçesi 3 milisaniyenin altı — bunu tutamayan bir prototip sunulmaz.
Ve her şey yerel çalıştığı için:
- Cihazınızdan hiçbir veri çıkmaz — ekran içeriğiniz gizli kalır
- Yapay zeka için internet gerekmez — model çevrimdışı çalışır
- Yapay zeka özellikleri için abonelik yok — uygulamanın içinde
- Sunucu maliyeti yok — her kullanıcı kendi işlem gücünü getirdiği için sonsuz ölçeklenir
Bu, Remio'nun önce-gizlilik felsefesiyle örtüşür. Verilerinizi istemiyoruz. Ekran içeriğinizi görmeyi bile istemiyoruz. Cihaz üstü yapay zeka, ne yaptığınız hakkında kelimenin tam anlamıyla hiçbir şey bilmeden son teknoloji özellikler sunmamızı sağlar.
Bu neden yalnızca yerel uygulamalarda çalışır
Her şeyi birbirine bağlayan kısım bu — ve yerel olmaya dair koca bir yazı yazmamızın nedeni.
Görünür gecikme eklemeden çizim hattında bir sinir ağı çalıştırmak için şunlar gerekir:
- Neural Engine'e veya NPU'ya erişim. Bu yerel API'ler ister — Apple'da CoreML, Android'de NNAPI. Neural Engine için bir web API'si yok. Electron uygulamaları ona ulaşamaz.
- GPU hattı entegrasyonu. Ölçeklenmiş kare ekstra kopya olmadan doğrudan ekrana gitmeli. Metal ve Vulkan bunu yapmanızı sağlar. WebGL size bu düzeyde denetim vermez.
- 3 ms altı zamanlama. Gerçek zamanlı bir akış hattında her ekstra milisaniye önemli. Yalnızca JavaScript'in çöp toplayıcısı bile öngörülemez duraklamalar getirebilir. Yerel kod deterministik zamanlama verir.
Bir Electron uygulaması videoyu Chromium'un medya hattında çözmeli, kareyi JavaScript'e çıkarmalı, bir şekilde Neural Engine'i çağırmalı (yerel bağlama olmadan imkânsız), ölçeklenmiş kareyi geri almalı ve Chromium'un birleştiricisiyle göstermeli. Her adım gecikme ve karmaşıklık ekler. Toplam yük muhtemelen 15–25 ms olurdu — gerçek zamanlı kullanım için fazla yavaş.
Akış hattında süper çözünürlük yalnızca bir yapay zeka sorunu değil. Bir sistem mühendisliği sorunu. Sistem mühendisliği ise yerel kod ister.
Bu yüzden Remio'yu geliştirmenin ikinci yılında, Electron tabanlı hiçbir uzak masaüstü yapay zeka ölçeklemesi sunmadı. İstemedikleri için değil. Mimari buna izin vermiyor.
Teknik zorluklar ve nasıl çözdüğümüz
Bunun kolay olduğunu iddia etmeyeceğiz. Gerçek zorluklar var.
Model gecikmesi. Model, 60 fps'te kare başına 3 ms'nin altında çalışmalı. Bu, şişkin mimarilere sıfır yer bırakır. Optimize edilmiş evrişimli modeller kullanıyoruz — transformer değil, kare başına çıkarım için fazla yavaşlar — özellikle Neural Engine'in yürütme birimlerine göre ayarlanmış.
İçerik çeşitliliği. Uzak masaüstü içeriği oyun içeriğinden çok farklı. Metin, elektronik tablolar, kod düzenleyiciler, video oynatma, tasarım araçları — modelin hepsini ele alması gerekir. Yalnızca doğal görüntüleri değil, özellikle masaüstü arayüz öğelerini içeren veri kümeleriyle eğitiyoruz.
Zamansal kararlılık. Kare kare ölçekleme titremeye yol açabilir. Oyun dünyası bunu zamansal birikimle çözdü — önceki karelerden bilgiyi yeniden kullanmak. Benzer teknikleri keşfediyoruz; video codec'inden hareket vektörlerini ölçekleme modeline besliyoruz.
Güç verimliliği. Bir telefonda saniyede 60 kez sinir ağı çalıştırmak pahalı geliyor. Ama Neural Engine tam olarak bunun için tasarlandı — matris işlemlerinde GPU'dan daha güç verimli. İlk laboratuvar prototipleri yalnızca küçük, tek haneli bir pil maliyetine işaret ediyor.
Dürüst zorluk: bunun oyundan neden daha zor olduğu
DLSS'ten ve oyun süper çözünürlüğünden ilham olarak söz ettik — ve öyleler. Ama entelektüel dürüstlük, uzak masaüstü ölçeklemesinin neden temelden daha zor bir sorun olduğunu açıklamamızı gerektiriyor.
Oyun DLSS'inin haksız avantajları var. Oyun motorları yapay zekaya bizim dünyamızda bulunmayan zengin veriler sağlar:
- Hareket vektörleri. Motor, her nesnenin kareler arasında nereye hareket ettiğini tam olarak bilir. Biz, sahne düzeyinde hareket verisi olmayan sıkıştırılmış video alırız.
- Derinlik tamponları. DLSS hangi piksellerin yakın, hangilerinin uzak olduğunu bilir. Biz düz bir 2B görüntü görürüz.
- Zamansal geçmiş. DLSS motor verisiyle birden çok kare boyunca ayrıntı biriktirir. Biz her seferinde farklı artefaktlar taşıyabilen, ayrı ayrı sıkıştırılmış karelerden çalışırız.
- Özel donanım. NVIDIA'nın Tensor Core'ları özellikle bu iş yükü için optimize edilmiş 384+ TOPS sunar. Mobil Neural Engine'ler güçlü ama farklı bir amaca hizmet eder.
Başka bir deyişle oyun süper çözünürlüğü, zengin yardımcı verilerle yönlendirilmiş bir yeniden yapılandırma. Uzak masaüstü ölçeklemesi kayıplı, sıkıştırılmış videodan kör süper çözünürlük — çok daha zor bir başlangıç noktası.
Bu yaklaşımın yanlış olduğu anlamına gelmez. Daha düşük bit hızlarında görsel kalitede mütevazı iyileşmeler bile gerçek bant genişliği tasarrufu sağlar. Ama şeffaf olmak istiyoruz: kör ölçeklemenin kalite tavanı, DLSS'in tam motor entegrasyonuyla ulaştığından düşük. Gerçekten yararlı bir şey geliştiriyoruz, farklı bir teknolojiyle eşitlik iddia etmiyoruz.
Bunun sizin için anlamı
Yapay zeka süper çözünürlüğü Remio'da sunulduğunda onu düşünmenize gerek kalmayacak. Anahtar yok, ayar yok, “yapay zeka modu” yok. Uygulama otomatik olarak:
- Mevcut bant genişliğinizi algılayacak
- En uygun kodlama çözünürlüğünü seçecek
- Ekranınıza uyması için cihazda ölçekleyecek
- Koşullar değiştikçe gerçek zamanlı uyum sağlayacak
Hızlı bağlantılarda belki hiç ölçeklemesi gerekmez. Yavaş bağlantılarda “kullanılamaz” ile “bilgisayarımın başında oturuyormuşum gibi” arasındaki fark o olacak.
Hedef bu. Düşünmeniz gereken yapay zeka değil. Her şeyi sessizce, gizlice, zaten sahip olduğunuz cihazda daha iyi çalıştıran yapay zeka.
Şimdi onu keşfediyoruz — söz verilmiş bir tarih olmadan — yapay zekanın uzak masaüstünü nereye taşıyabileceğine dair diğer fikirlerle birlikte. Yalnızca yerini aldığı akıştan daha keskin metin korursa sunulur.
Daha az akıt. Daha çok gör. Gelecek bu.
