100行Python代码，在浏览器跑实时光追

打开浏览器，移动鼠标，画面里的球体和立方体跟着转，光影还能实时变化——这不是用C++写的WebGL特效，是100行Python代码的产物。

你没看错，Python，这个以简洁著称却常被吐槽速度慢的语言，居然能在浏览器里跑GPU加速的3D渲染。背后的核心是JAX，一个原本为机器学习打造的计算库，却意外在图形渲染领域玩出了新花样。

为什么Python能做到？为什么JAX偏偏适合干这个？这得从一种叫「符号距离场」的数学工具说起。

用数学公式画3D模型：SDF的魔法

先搞懂一个核心概念：符号距离场（SDF）——你可以把它想象成空间里的一张「距离地图」，每个点的数值代表它到最近物体表面的距离：负数在物体内部，正数在外部，零就是表面本身。

比如一个球体，就是所有到球心距离等于半径的点；一个立方体，就是到六个面距离的最小值。更妙的是，SDF可以像搭积木一样组合：要两个物体的并集？取它们SDF的最小值；要交集？取最大值就行。甚至能通过平滑函数让两个物体的边界自然融合，就像黏土捏在一起。

这种用数学函数定义形状的方式，刚好踩中了JAX的强项。JAX原本是为了让机器学习研究者能像写NumPy代码一样调用GPU算力，还自带自动微分——就是能自动算出一个函数的梯度，这在渲染里太有用了：SDF的梯度，刚好就是物体表面的法线方向，而法线是计算光影的关键。

传统渲染里，法线得靠数值差分近似，不仅麻烦还容易出错；用JAX的jax.grad函数，只需要一行代码就能算出精确的法线：normal = jax.grad(sdf)(point)。

从单像素到整画面：自动向量化的效率革命

光有数学定义还不够，要把公式变成屏幕上的像素，得用**光线行进（Ray Marching）**算法：从相机出发，给每个像素发射一条射线，沿着射线一步步往前「走」，每一步的长度由当前点的SDF值决定——因为SDF告诉你到最近物体的距离，所以你可以放心地一步跨这么远，不会错过物体。

但问题是，一张512×512的图有26万像素，总不能写26万次循环吧？这时候JAX的**自动向量化（vmap）**就派上用场了。

你只需要写好计算单个像素颜色的函数，JAX能自动把它扩展成处理一整批像素的函数——就像给单个工人配了一整条流水线。通过嵌套两次vmap，原本只能算一个像素的函数，瞬间就能并行计算整张图的所有像素，直接把Python代码的效率拉到GPU级别。

更夸张的是，JAX还能把代码编译成WebGL能跑的格式，直接在浏览器里运行。你在网页上看到的实时交互，其实是GPU在后台疯狂计算SDF、光线行进和光影，而控制这一切的，是不到100行的Python代码。

当然，JAX也不是万能的。它的JIT编译对动态循环和复杂分支支持有限，比如路径追踪里的递归光线采样，就得拆成固定次数的循环才能高效运行；大规模场景里的多实例SDF渲染，也会因为重复计算和内存带宽限制，出现性能瓶颈。

不止是渲染：可微分的未来

JAX给渲染带来的最大改变，其实不是代码变短了，而是把「可微分」这个机器学习的核心能力，带进了图形学领域。

传统渲染是单向的：给定模型、材质和光照，算出像素颜色。但可微分渲染是双向的：你可以从像素颜色反过来优化模型形状、材质参数甚至光照位置——比如给一张照片，让AI自动算出对应的3D模型，或者调整灯光让画面更柔和。

这在工业设计、数字孪生甚至医疗领域都有大用处：比如汽车设计师可以直接在渲染图上调整车身曲线，实时看到光影变化；医生可以通过CT图像的可微分渲染，重建出更精确的人体器官模型。

现在JAX已经能和神经渲染技术（比如NeRF）结合，用神经网络学习复杂场景的SDF，实现实时的新视角合成。未来随着WebGPU的普及，说不定你在浏览器里就能用AI生成3D模型，还能实时调整材质和光照——这一切的基础，就是用数学公式定义世界，再用可微分计算连接像素和现实。

当我们习惯了用多边形网格搭建3D模型，用复杂的渲染管线计算光影时，JAX和SDF的组合像一个提醒：有时候回到数学本身，反而能找到更简洁的解法。

100行Python代码跑实时光追，不止是技术炫技，更是一种信号：机器学习的工具正在渗透到传统计算机图形学领域，而可微分计算，正在成为连接虚拟和现实的新桥梁。

用数学定义形状，用微分连接像素——未来的3D渲染，可能会比我们想象的更简单，也更强大。