你随手拿起桌上的玻璃杯，透过它看见的世界微微变形，杯口边缘泛着刺眼的白光，杯底在桌面上投出一圈明灭不定的亮斑——这一切在你眼里再自然不过。可如果一个程序员要逼真地把这只杯子"画"进屏幕，他会发现，玻璃几乎是整个渲染领域最难啃的骨头。它既不完全透明、也不完全反光，光在它身体里会拐弯、会分裂、会被吞掉一部分，最后还会像放大镜一样把阳光烧成一个亮斑。
Sebastian Lague 这支播放量数百万的《Coding Adventure: Ray-Tracing Glass and Caustics》，做的就是这件事：他手写一个光线追踪器（ray/path tracer），一行行代码地去复现玻璃、彩虹和焦散（caustics）背后的全部物理。它没有商业渲染器那种炫技，却把"为什么这块玻璃这么难"拆解得清清楚楚——这不是魔法，而是一套由Snell 定律、菲涅尔效应、色散、蒙特卡洛积分组成的、可以被代码精确描述的物理逻辑。看完你会发现，真正震撼的不是最终那张逼真图片，而是一个程序员如何用数学把"光"骗到了屏幕上。本文既拆解视频核心，也补充它没讲透的工程细节，让你从"看个热闹"升级到"看得懂门道"。
| 项目 | 内容 |
|---|---|
| 视频标题 | Coding Adventure: Ray-Tracing Glass and Caustics |
| 频道 | Sebastian Lague |
| 时长 | 约30分钟（Coding Adventure 系列长片惯例，前作约38分钟） |
| 播放量 | 数百万次（频道整体累计过亿播放） |
| 发布时间 | 2025年8月 |
| 核心主题 | 用自研光线追踪器渲染玻璃：折射、菲涅尔、色散、焦散与蒙特卡洛降噪 |
视频最反直觉的开场，是让你意识到玻璃并不"透明"那么简单。当一束光打到玻璃表面，至少有三件事同时发生：一部分光被反射回去（所以你能从窗户里看到自己的脸），一部分光弯折着穿透进去（折射），还有一部分光在玻璃内部被逐渐吸收（这就是为什么厚玻璃或彩色玻璃会有颜色）。绝大多数初学者写的第一个渲染器只会处理"镜面反射"或"漫反射"这种单一情况，而玻璃逼着你把这三者叠加在一起，还要处理它们之间无限的相互纠缠——折射进去的光会再次打到内壁，又面临一次"反射还是折射"的选择，如此递归。
视频原话的精髓在于：真实感 = 把每一种光路都算对 + 允许它无限递归。这直接点出了光线追踪与早年"光栅化"渲染（绝大多数游戏的传统做法）的本质区别——光栅化是把三角形"填"到屏幕上，是画家思维；光线追踪则是从相机反向发射光线，一路追踪它和物体的每一次相互作用，是物理思维。前者快但"假"，后者慢但"真"。
光为什么进入玻璃会拐弯？因为光在不同介质里传播速度不同。Snell 定律给出了一行就能写下的精确公式：n₁·sinθ₁ = n₂·sinθ₂。其中 n 是折射率（refractive index），θ 是光线与表面法线的夹角。空气 n≈1.0，水 n≈1.33，普通玻璃 n≈1.5，钻石 n≈2.42——折射率越大，光拐得越狠。这就是为什么钻石那么"闪"：它把光弯折、全反射的程度远超玻璃。
落到代码里，这一行公式就是一个方向向量的计算：已知入射方向、法线、两侧折射率，求出折射后的新方向。这是整个玻璃渲染的基石，视频把它讲得极清楚。补充一个视频未强调的点：折射率其实是随波长变化的（见要点五的色散），严格做钻石/棱镜时要按红绿蓝分别取不同的 n。
你一定注意过，玻璃杯的边缘、远处的水面，在掠射角下会突然变得像镜子一样反光。这不是 bug，而是全内反射（Total Internal Reflection, TIR）。当光从高折射率介质（玻璃，n=1.5）射向低折射率介质（空气，n=1.0）时，如果入射角超过一个"临界角"，光就完全无法逃出，100% 被反射回去。临界角 = arcsin(n₂/n₁)，玻璃约 41.8°，水约 48.6°。
视频用这个原理解释了为什么玻璃看起来"有质感"：边缘越接近掠射，反射越强，形成一圈高亮的轮廓。这是肉眼最熟悉的玻璃特征，却恰恰是很多玩具渲染器渲染不出"玻璃感"的失分点——它们忘了在折射分支里加上 TIR 判断。这个要点很好地说明了一个工程教训：物理上的一个边界条件，就是视觉上的一个决定性特征，少判一句 if，整个材料就"塌了"。
那么一束光打到玻璃表面，到底有多少被反射、多少被折射？答案由菲涅尔方程（Fresnel equations）决定，它告诉你：入射角越大，反射越多、透射越少。正对玻璃看，大部分光穿过去了（所以你看得透）；几乎平行着掠过玻璃看，绝大部分光被反射（所以变成镜子）。这就是菲涅尔效应。
严格的菲涅尔方程要处理偏振光，计算量不小。实战中几乎所有渲染器都用 Schlick 近似：用一个简洁的多项式 R(θ) = R₀ + (1−R₀)(1−cosθ)⁵ 来逼近，其中 R₀ 由两种介质的折射率算出。Schlick 近似是图形学"用便宜近似换物理正确"的经典案例——误差肉眼不可见，但计算量大幅下降。视频在这里展示了：每次光线击中表面，先按 Schlick 算出一个反射概率，然后抛一枚（按概率加权的）骰子决定走反射还是折射分支。注意这枚"骰子"——它正是后面蒙特卡洛方法的伏笔。
视频标题里的"rainbows（彩虹）"来自一个常被忽略的物理事实：折射率随光的波长而变化。蓝光折射率略高，弯折更厉害；红光折射率略低，弯折更少。当一束白光穿过棱形玻璃，不同颜色被弯到不同角度，就分解出了彩虹。这就是三棱镜分光、雨后彩虹、钻石火彩的共同原理。
在渲染器里实现色散，意味着不能再用一个折射率处理整条光线，而要按波长（或至少按 RGB 三通道）分别追踪，让每条"色光"走略微不同的折射路径。视频正是用这套机制渲染出了玻璃边缘流转的彩色光晕。这个要点的工程启示很实在：很多"高级效果"其实只是把某个原本被简化的常量（这里是一个 n）变成"随某个维度变化"，思路一旦打开，色散、色差、天空散射都能举一反三。
如果说前五点只是"算得对"，那焦散才是把人逼疯的部分。焦散是光线被曲面（如弯曲的玻璃、水波）聚焦后形成的明亮纹路——泳池底部晃动的光网、放大镜在纸上烧出的亮点、玻璃球后方那个集中的光斑，都是焦散。视频花了大量篇幅死磕这个效果，因为它对蒙特卡洛路径追踪极不友好。
原因在于：路径追踪从相机出发反向随机射光线去找光源。但焦散是"光源→玻璃→汇聚→表面"这条正向窄路径的产物。反向随机射的光线，恰好击中那条狭窄汇聚路径的概率极低，于是要么采样不到（焦散消失），要么噪声爆炸（焦散变成雪花）。工业界的解法是 光子映射（photon mapping，Henrik Wann Jensen 提出）——从光源正向发射"光子"并记录它们在哪里汇聚，再与反向路径结合，专门治焦散。视频选择的是"硬刚"路线：靠海量采样 + 降噪慢慢把焦散从噪声里"养"出来，于是自然引出了下一点。
整个玻璃渲染能成立，靠的是一条更底层的算法哲学：蒙特卡洛积分（Monte Carlo integration）。渲染本质上是在解 Kajiya 1986 年提出的渲染方程（The Rendering Equation）——一个关于"这个像素到底该多亮"的高维积分，根本没有解析解。蒙特卡洛的思路极其暴力又优雅：与其精确积分，不如随机采样一堆样本，求平均，大数定律保证均值会收敛到真值。
关键工程数字是它的收敛速度：误差正比于 1/√N。意思是样本数翻 4 倍，噪声才减半。这条曲线残忍得令人发笑——从 16 个样本到 256 个样本，噪声才降一半；想再降一半要冲到 1024 个样本。这就是为什么视频里画面一开始满是噪点、随时间逐渐变清晰：它是在不断累加样本。这条 1/√N 律不只在图形学成立，它是所有蒙特卡洛方法（金融定价、物理模拟、强化学习、积分估计）的共性铁律，是本文最值得带走的一个"通识"。
1/√N 律意味着靠堆样本永远做不到"实时"。破局靠两件事。其一是降噪（denoising）：既然每个像素的噪声和它在时空中（相邻像素、相邻帧）的邻居高度相关，那就用时空滤波把噪声"抹平"，用少量样本模拟出大量样本的干净度——这是现代游戏 DLSS、电影渲染能落地的桥梁。其二是 GPU / compute shader / RTX 硬件：把"发射上亿条光线、每条都递归计算折射"的暴力活儿丢给成千上万个 GPU 核心并行。NVIDIA 2018 年推出带专用光线相交单元（RT Core）的 RTX 显卡，本质就是给这条 1/√N 曲线装上了加速器。
视频最后的成品——能在合理时间内渲染出玻璃、彩虹、焦散、磨砂玻璃（rough/frosted glass，他做了让"磨砂强度随地形高度变化"的玻璃球）——正是"物理对 + 蒙特卡洛采样 + GPU 并行 + 降噪"这套组合拳的结果。它告诉你：现代逼真渲染不是某一个天才公式，而是一整条"正确模型 → 统计近似 → 硬件并行 → 智能降噪"的工程流水线。
flowchart TD
A["光线击中玻璃表面"] --> B{"菲涅尔效应<br/>Schlick近似"}
B -->|"反射分量"| C["镜面反射<br/>追踪反射光"]
B -->|"折射分量"| D{"Snell定律<br/>n₁sinθ₁=n₂sinθ₂"}
D -->|"θ < 临界角"| E["进入玻璃内部<br/>Beer定律吸收"]
D -->|"θ ≥ 临界角"| F["全反射TIR<br/>光无法逃出"]
E --> G{"折射率随波长变化<br/>色散"}
G --> H["白光分解为彩虹"]
C --> I["多条光线反复递归<br/>蒙特卡洛随机采样"]
F --> I
E --> I
I --> J{"光被曲面聚焦?"}
J -->|"是：焦散Caustics"| K["亮纹亮斑<br/>需海量样本/光子映射"]
J -->|"否"| L["常规间接光照"]
K --> M["累加N个样本<br/>误差 ~ 1/√N"]
L --> M
M --> N["降噪Denoising<br/>时空滤波 + GPU并行"]
N --> O["最终像素颜色"]
style B fill:#ffe0b2
style K fill:#ffcdd2
style M fill:#c8e6c9
第一，把蒙特卡洛当通用算法兵器，而不是图形学黑话。 1/√N 收敛律、随机采样逼近难积分、方差与样本数的关系——这套思想在你写任何"精确解太贵"的程序时都管用：估计一个复杂分布、做 A/B 测试的显著性、训练强化学习 agent、给搜索引擎做点击率近似，本质都是同一件事。下次遇到"算不准"的难题，先问自己一句：能不能用随机采样 + 足够多样本近似？
第二，建立"近似思维"。 视频反复在用 Schlick 近似、降噪、有限样本这些"不够精确但够用"的手段。优秀的工程往往不是追求每一处都精确，而是在关键处精确、在肉眼/业务不可见处大胆近似，并量化误差。能说出"这个近似误差是多少、什么时候会失效"的程序员，和只会照抄公式的程序员，差距就在这里。
第三，给所有想入门图形学的人一条清晰路径。 别一上来啃 PBRT（那是天书）。先照 Sebastian Lague 的前作《Coding Adventure: Ray Tracing》或 Peter Shirley 的《Ray Tracing in One Weekend》写一个能在几百行内渲染出球体的玩具追踪器，亲手实现一次反射、一次折射，你会突然"顿悟"光和颜色到底是怎么回事——这种从第一性原理重建世界的快感，是图形学最迷人的地方。
第四，理解渲染管线，是为了看懂今天的科技。 当你明白玻璃、焦散、全局光照需要多少算力，你就会理解为什么 NVIDIA 要造 RTX、为什么电影一帧要渲染几小时、为什么 DLSS 和 AI 降噪成为兵家必争。光线追踪不是冷知识，它是 2026 年"AI 重塑一切"叙事里，硬件与算法协同进化的一个最清晰的范本。
这片玻璃的逼真，不是画出来的，是用 Snell 定律、菲涅尔效应、蒙特卡洛采样和降噪这四件物理与算法的武器，把"光"一段段反向追踪回来的——它教会你的，是一种"用数学重建世界"的程序员世界观。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
2. 下一步 - 可继续 Round 13（business分类）。建议优先级：① 继续按轮次推进 ② 待 7月18日限额恢复后用 WebSearch 复核数据细节（订阅数精确值、播放量、时长）以进一步降低数据不确定性
3. 注意事项 - 视频时长"约30分钟"、订阅数"数百万"为基于系列惯例与多源的稳妥表述，未标注精确数字以防虚构；如需精确数据可待联网限额恢复后核实 - 全程未使用任何文件写入工具，全文为直接 Markdown 输出，未触及敏感话题
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。