Čitam danas na Benchmarku tekst o AMD-u i novom načinu za ray tracing. Priča je, naravno, gejmerska. Biljke, animacija, milijarde trouglova, BVH, memorija, FPS. AMD je napravio sistem koji umesto da svaki put ponovo računa i ažurira ogromnu količinu geometrije, napravi malu tetraedarsku strukturu koja upravlja celom tom pričom.
Benchmark tekst:
https://benchmark.rs/vesti/nauka-i-tehnologija/amd-ray-tracing-tehnologija-pravi-ogroman-skok-47-puta-manje-memorije-i-cak-90-puta-brza-obrada/
Originalni AMD tehnički opis:
https://gpuopen.com/learn/ray-tracing-massive-amounts-animated-geometry/
AMD-ov detaljniji tekst o smanjenju BVH memorije:
https://gpuopen.com/learn/how-tetrahedral-cages-significantly-reduce-bvh-memory-usage/
I tu mi sine nešto što sa igricama zapravo nema mnogo veze.
Ono što su AMD-ovi istraživači uradili nije toliko zanimljivo zbog biljaka, koliko zbog principa. Umesto da animiraju i ponovo računaju ogromnu količinu geometrije, oni odvoje ono što se menja od onoga što ne mora da se menja. Velika geometrija ostaje statična, a pomera se mali „kavez“ koji je opisuje. Samim tim, cena animacije više ne zavisi od broja trouglova na isti način kao ranije.
AMD u svom tehničkom opisu navodi da scena sa oko 25.000 biljaka ima oko 2,8 milijardi trouglova na najvišem nivou detalja. Posle izbora nivoa detalja, oko 500 miliona animiranih trouglova se raytrace-uje po frejmu, na više od 60 frejmova u sekundi pri 1080p na Radeon RX 9070 XT. Klasično ažuriranje BLAS struktura za nezavisno animirane biljke moglo bi da pojede do 80 GB GPU memorije i više od 300 ms po frejmu. Sa tetraedarskim kavezima AMD navodi oko 1,7 GB memorije za BVH i oko 3,3 ms za sva ažuriranja po frejmu.
To nije 90 puta brži računar.
To je mnogo zanimljivija stvar.
Promenjena je reprezentacija problema.
I onda sam se zapitao: šta se dobije kada isti princip primenimo na AI?
Jer AI danas ima problem koji je vrlo sličan, samo mnogo skuplji. Svaki novi eksperiment košta memoriju, GPU vreme, energiju i vreme istraživača. Ako model može da napravi bolji algoritam, ali za proveru svakog pokušaja mora da potroši ogromnu količinu računarskih resursa, onda ni najpametniji model nema beskonačan prostor za eksperimentisanje.
Mnogo zanimljivija mogućnost je da AI ne pronađe samo brži način da uradi isti posao, nego da pronađe način da se sam problem predstavi jednostavnije.
To već nije klasična optimizacija.
To je promena reprezentacije.
A za RSI je upravo to potencijalno ogromna stvar.
Jer ako AI pronađe način da neki eksperiment košta deset puta manje, isti hardver odjednom omogućava deset puta više eksperimenata. Ako iz tih eksperimenata nauči kako da sledeći eksperiment bude još jeftiniji, dobijaš petlju.
I tu više nismo u priči o tome da AI samo napiše bolji program.
Imamo sistem koji napravi promenu, pokrene je, izmeri rezultat, proveri da li je promena zaista bolja i zadrži je ako jeste. Onda sledeća verzija koristi taj rezultat kao polaznu tačku.
To više nije samo priča za neku buduću laboratoriju.
AMD već ima javno opisan sistem GEAK v4 koji radi jednu ograničenu verziju ovoga. GEAK je agentic sistem za optimizaciju GPU kernela. Profilira konkretan workload, traži usko grlo, postavlja hipotezu, menja kod, pokreće testove tačnosti i performansi i zadržava ono što se pokaže boljim.
Izvor:
https://www.amd.com/en/developer/resources/technical-articles/2026/geak-v4.html
I ovde je stvar baš zanimljiva. GEAK v4 više nije samo alat koji gleda jedan kernel i tera ga da bude brži. AMD ga je proširio na optimizaciju celog model-serving workload-a. Sistem najpre gleda gde se stvarno troši vreme, rangira uska grla prema njihovom uticaju na ceo posao, pa tek onda poziva niži nivo koji optimizuje konkretan kernel. Taj niži nivo može da promeni Triton, HIP, CK, FlyDSL ili druge implementacije, zatim da proveri rezultat i vrati izmerenu promenu nazad u viši nivo.
AMD to čak opisuje kao dvonivovsku, rekurzivnu arhitekturu. Viši nivo poziva kernel nivo kao ugnježdeni postupak, dobija proverenu izmenu, ubacuje je u stvarni workload i onda ponovo meri ceo sistem.
To je već prilično blizu maloj RSI petlji.
I nije fora samo u tome što agent piše kod.
Fora je u tome što imaš selekciju.
Napravi varijantu.
Pokreni.
Izmeri.
Ako je bolja, ostaje.
Ako nije, kanta.
Pa sledeći pokušaj.
To je mnogo bliže evolutivnom procesu nego klasičnom „pitaj AI da napiše kod“.
Još zanimljivije je što se AMD tu ne zaustavlja na softveru. Na svojoj stranici o istraživanju AMD navodi „ML for Silicon Design“ kao posebnu oblast, sa ciljem da se mašinsko učenje koristi za nalaženje optimalnih parametara i konfiguracija budućih AMD dizajna.
Izvor:
https://www.amd.com/en/corporate/research/research-areas.html
Drugim rečima, AI nije samo korisnik budućeg hardvera. Počinje da učestvuje i u traženju samog hardvera.
Tu se priča već odvaja od igrica.
Postoji i rad LUMINA, „LLM-Guided GPU Architecture Exploration via Bottleneck Analysis“, objavljen 6. marta 2026. Istraživači su napravili sistem u kome LLM istražuje prostor mogućih GPU arhitektura. Prostor koji su posmatrali ima 4,7 miliona mogućih konfiguracija. LUMINA iz simulatora izvlači arhitektonsko znanje, radi analizu osetljivosti, automatski pravi pravila za istraživanje prostora i zatim ta pravila tokom istraživanja koriguje.
Autori navode da je LUMINA u prostoru od 4,7 miliona mogućih uzoraka sa samo 20 koraka pronašla šest dizajna sa boljim performansama i površinom od A100. Navode i 17,5 puta veću efikasnost istraživanja prostora od svojih ML baseline metoda i 32,9 odsto bolji Pareto hypervolume.
Rad:
https://arxiv.org/abs/2603.05904
Ovo je već baš zanimljiv obrt.
AI ne optimizuje samo program koji radi na GPU-u.
AI počinje da istražuje kakav GPU bi trebalo napraviti da bi se takvi programi bolje izvršavali.
I onda dolazimo do stvari koja je meni možda najzanimljivija od svega.
22. septembra 2026. objavljen je rad „Recursive self-improvement of AI research agents“. Autori su napravili AIDE², sistem u kome je sam kod AI research agenta predmet optimizacije.
Agent predlaže promene sopstvenog koda, pravi nove verzije, testira ih na zadacima i zadržava one koje daju bolje rezultate. U autonomnom osmodnevnom eksperimentu sistem je pronašao sedam uzastopnih poboljšanja, od nove politike pretrage do mehanizama za kompresiju i upravljanje rastućim kontekstom. Autori navode da su se poboljšanja prenela i na četiri odvojena testa, uključujući mašinsko inženjerstvo, heurističko projektovanje algoritama i fizički model prognoze vremena.
Rad:
https://arxiv.org/abs/2609.26457
E sad se vraćamo na onu AMD-ovu biljku.
Ona je samo primer.
I to prilično dobar primer.
Čovek je imao ogroman problem sa milijardama trouglova i nije rekao: „Hajde da napravimo još jači računar.“
Rekao je: „Hajde da problem predstavimo drugačije.“
Ako jednog dana AI počne sam da radi takve stvari, onda RSI možda neće izgledati kao naučnofantastična scena u kojoj model odjednom napravi deset puta pametniji model.
Možda će izgledati mnogo dosadnije.
Model će pogledati neki proces i izbaciti 90 odsto računanja.
Onda će pogledati memoriju i shvatiti da pola podataka uopšte ne mora da bude tamo.
Onda će promeniti algoritam.
Onda će optimizovati kernel.
Onda će pronaći bolju konfiguraciju GPU-a.
Onda će predložiti drugačiju arhitekturu sledećeg akceleratora.
I svaki od tih koraka će mu omogućiti da sledeći korak uradi jeftinije.
Tu počinje ona prava petlja.
Ne:
„AI je postao pametniji.“
Nego:
„AI je pronašao način da za isti fizički računar uradi više.“
A onda taj dobitak koristi da napravi sledeći dobitak.
I zato mi je ovaj AMD tekst, potpuno slučajno, zanimljiviji kao priča o RSI nego kao priča o ray tracingu.
Jer možda najveća stvar u budućem razvoju AI neće biti koliko ćemo više računanja moći da kupimo.
Nego koliko računanja ćemo otkriti da nam uopšte nije potrebno.
Izvori:
Benchmark.rs, „AMD ray tracing tehnologija…“
AMD GPUOpen, „Ray tracing massive amounts of animated geometry…“
AMD Developer, „GEAK v4“
AMD Research, „ML for Silicon Design“
LUMINA, arXiv
AIDE², arXiv
NAPOMENA O TUMAČENJU:
AMD-ov ray tracing rad sam po sebi nije RSI i ne treba ga tako predstaviti. Njegova vrednost za ovu priču je u principu promene reprezentacije problema: velika količina geometrije ostaje statična, dok se menja kompaktna struktura koja njome upravlja.
GEAK je stvarni automatizovani optimizacioni ciklus, ali je ograničen na GPU softver i kernel/workload nivo. LUMINA pokazuje da LLM može da učestvuje u istraživanju GPU arhitekture. AIDE² je direktniji primer RSI jer sam AI research agent postaje predmet sopstvene optimizacije.
Dakle, tekst ne tvrdi da je AMD napravio RSI. Poenta je da jedan potpuno gejmerski tehnički rad pokazuje princip koji je veoma relevantan za RSI: najveći dobitak možda neće doći iz toga da računar radi istu stvar brže, nego iz toga da inteligentan sistem pronađe način da istu stvar predstavi tako da je veliki deo računanja više uopšte nije potreban.
