自前作《Unity Performance Tuning Bible》以来已过去数年，Unity、设备以及调优的推进方式都发生了变化。本序章首先概括回顾引擎和设备的变化，然后阐述 2026 年时点调优的发展方向。
Unity 中变化最大的是绘制。随着 Unity 6 在 URP 中引入 Render Graph，优化工作的重心从自己重新排列命令，转向了向引擎正确声明资源的使用方式并验证其结果。在着色器预热以及按对象传递参数方面，Unity 6 时代也增加了新的选项。C# 方面在 Unity 6 期间不会有大的变化，但 Unity 7 将在编辑器和部分桌面播放器中引入 CoreCLR，GC 的机制也会发生很大变化。另一方面，移动端在一段时期内仍将是 IL2CPP 和 Boehm GC，因此以往的内存优化思路依然有效。在构建与分发方面，无需改写代码即可调节体积、内存和速度之间平衡的设置增多了。
设备也发生了很大变化。以 GPU 的 Geekbench 分数*1比较，撰写前作的 2022 年的高端机 iPhone 14 Pro（A16）为 18,691，而 2026 年的 iPhone 18 Pro 和 iPhone Duo 所搭载的 A20 Pro 为 55,120，约为 3 倍。在 Android 一侧，Galaxy S22（Snapdragon 8 Gen 1、Adreno 730）为 6,179，而 Galaxy S26 Ultra（Snapdragon 8 Elite Gen 5 for Galaxy、Adreno 840）为 27,501，超过 4 倍。
不过，低端机变化不大。2022 年在日本国内发售的 Galaxy A23 5G 采用 Dimensity 700（Mali-G57 MC2）和 4GB 内存的配置。2025 年发售的同系列 Galaxy A25 5G，SoC 换成了 Dimensity 6100+，但 GPU 仍是同一款 Mali-G57 MC2，分数为 1,400，内存也依然是 4GB。与 Galaxy S26 Ultra 相差约 20 倍。
iPhone 方面，在 2022 年时，以 iPhone SE（第 2 代）为代表的内存 3GB 以下的设备仍被广泛使用。到 2026 年，iPhone 14 及之后的内存 6GB 以上的设备成为主流，但早在 2022 年，性能足以满足日常使用的设备就已经普及，因此即使有新设备发布，换机也不易推进。销售至 2025 年初的 iPhone SE（第 3 代）和 iPhone 13 等 4GB 的设备如今仍大量存在，3GB 的 iPhone SE（第 2 代）也仍有部分用户在使用。
其结果是，以哪些设备为目标这一长期困扰 Android 的问题，在 iOS 上也变得不可忽视。上至内存 12GB 的 iPhone 18 Pro，下至 3GB 的 iPhone SE（第 2 代，2020 年发售），同一款游戏需要支持的设备范围正在扩大。根据游戏类型，按设备性能切换绘制表现和画质设置的做法，比以往更加需要（第 3 部第 3 章“按设备切换绘制设置”）。
[*1] Geekbench Browser https://browser.geekbench.com/
尽管如此，我们要解决的问题本身与前作时期相比并无太大变化：移动端 GPU 的内存带宽、绘制大量对象时的 CPU 开销、着色器编译导致的尖峰、资源的释放遗漏、各设备的内存上限。许多新功能都是针对这些以往问题的新工具。因此，本书并非只涉及 Unity 6 之后才能使用的功能。角色动画的开销对策、着色器超越函数的近似、AssetBundle 的生命周期管理、提高 iOS 的内存上限等，也包含许多可以直接用于更早版本项目的内容。
在第 1 部至第 3 部的开头，我们重新梳理了该领域在 2026 年发生了哪些变化，以及各章涉及什么内容。如果想从症状查找章节，请参阅卷首的“按问题分类的反向查询指南”。
另一方面，在开发现场，2026 年最受关注的是 AI。AI 编程智能体已作为可以分担部分实现和评审的工具日常使用，性能调优也不例外。本书第 4 部第 3 章“将调优宝典做成 AI 编程智能体的技能”介绍了将前作和本书的经验转换为智能体评估规则的尝试。
不过，在交给 AI 之前，调优还有一个前提，那就是测量。不测量哪里慢就动手修改，就无法判断是否变快了。因此整个行业首先在推进测量自动化。其方向是：每次构建都按固定步骤获取真机数值，与过去的测量结果比较并自动检测劣化，从而减少手动打开 Profiler 的次数，避免发现得太晚。
在笔者们所属的 CyberAgent 游戏・娱乐事业部，作为自动化举措，也在搭建让 AI 智能体实时观察和操作 Unity 应用的运行时桥接。将其与设备农场结合，由 CI 将“获取机型、安装应用、按既定步骤操作、测量并取回结果”整个流程交给智能体。测量使用嵌入真机应用中的运行时 Profiler，将获取的数据发送到服务器，可在浏览器中与过去的测量并排查看，也可以在变化超过阈值时发出通知。发送到服务器的数据之后由 AI 智能体获取，完成从瓶颈诊断到修复的工作（第 4 部第 2 章“自动化每日构建的真机性能分析”）。
当然，这并不意味着不再需要人的判断。看什么、与什么比较、在哪里收手，这些标准依然需要由人来掌握。可以自动化的，只是已经存在这些标准的部分。本书结合实测值罗列判断依据，也是出于这个原因。