Những năm gần đây, người ta bàn luận rất nhiều về độ phân giải 4K, dò tia và DLSS, nhưng một trong những hạn chế lớn, thường bị bỏ qua, vẫn là bộ nhớ đồ họa. kết cấu đồ họa ngày càng nặng và các trò chơi đòi hỏi cấu hình cao hơn.Ngay cả nhiều card đồ họa tầm trung ở châu Âu cũng nhanh chóng hết VRAM, buộc người dùng phải giảm chất lượng đồ họa hoặc chấp nhận hiện tượng giật hình và giảm hiệu năng.
Trong bối cảnh đó có vẻ như Công nghệ nén kết cấu thần kinh NVIDIA (NTC)Đây là công nghệ nén kết cấu dựa trên mạng nơ-ron, được giới thiệu chi tiết tại GTC và GDC năm 2026. Đề xuất của nó rất đơn giản: giảm mạnh mức tiêu thụ bộ nhớ của các kết cấu, nhưng không làm giảm chất lượng hình ảnh hiển thị trên màn hình, thậm chí còn cải thiện chất lượng trong một số trường hợp so với các phương pháp cổ điển.
Cách thức hoạt động của nén kết cấu thần kinh (Neural Texture Compression) và điều gì làm nên sự khác biệt của nó
Nền tảng của NTC là việc sử dụng mạng nơ-ron nhỏ được huấn luyện đặc biệt cho kết cấu bề mặtThay vì chỉ dựa vào các định dạng nén khối BCn (BC5, BC6, BC7, v.v.) mà ngành công nghiệp đã sử dụng trong nhiều năm. Theo truyền thống, các texture này được lưu trữ ở dạng đã nén trong VRAM và GPU sẽ xử lý chúng ngay lập tức, nhưng chúng vẫn chiếm một lượng bộ nhớ đáng kể.
Với công nghệ nén kết cấu thần kinh (Neural Texture Compression), Thông tin về kết cấu được lưu trữ dưới dạng biểu diễn nhỏ gọn hơn nhiều.Đây là một dạng mã hóa tiềm ẩn mà mạng nơ-ron giải mã trong thời gian thực khi hiển thị từng khung hình. Thay vì xử lý hàng gigabyte dữ liệu về bản đồ khuếch tán, pháp tuyến, độ nhám, v.v., GPU chỉ làm việc với một tập dữ liệu nhỏ hơn nhiều.
Theo giải thích của NVIDIA, các mô hình thần kinh này có được đào tạo để hiểu hình dạng của một texel trông như thế nào. (Điểm ảnh của một họa tiết) cho một chất liệu nhất định: đá, gỗ, kết cấu kim loạiGốm sứ, dệt may, v.v. Từ quá trình học hỏi này, mạng lưới có thể tái tạo hình ảnh cuối cùng từ dữ liệu đã nén, mô phỏng kết quả hình ảnh mà chúng ta có được với các kết cấu có khối lượng lớn hơn nhiều.
Kết quả thực tế là các kết cấu không còn là "gánh nặng" cố định trong trí nhớ mà trở nên phụ thuộc vào... mã nguồn nhỏ gọn hơn và khả năng suy luận AIĐiều này phù hợp với xu hướng chung của NVIDIA trong việc chuyển tải bộ nhớ và băng thông sang điện toán thông minh trong GPU của hãng.
Bản demo "Tuscan Wheels / Tuscan Villa": từ 6,5 GB xuống dưới 1 GB VRAM
Để minh họa tiềm năng của công nghệ, NVIDIA đã trình diễn một số ví dụ kỹ thuật, bao gồm cả cảnh tượng nổi tiếng hiện nay. “Những bánh xe kiểu Tuscan” hay “Biệt thự kiểu Tuscan”Một biệt thự kiểu Địa Trung Hải với nội thất được thiết kế tỉ mỉ, đóng vai trò là nơi thử nghiệm cao cấp về độ chi tiết.
Trong cấu hình truyền thống, sử dụng các định dạng Cấu hình BCn tiêu chuẩn yêu cầu khoảng 6,5 GB VRAM. Điều này chỉ áp dụng cho các họa tiết. Bằng cách bật Nén họa tiết thần kinh (Neural Texture Compression), môi trường tương tự sẽ chạy với độ nhạy xấp xỉ. Bộ nhớ đồ họa 970 MBTức là, mức giảm khoảng 85% so với mức sử dụng ban đầu. Các con số tương tự đã được ghi nhận trong các bản trình diễn khác, với mức giảm khoảng 80% (xuống còn khoảng 670 MB trong một số biến thể cảnh).
Điều quan trọng không chỉ là mức độ giảm dung lượng VRAM, mà còn là... Về mặt hình ảnh, sự khác biệt giữa hai phiên bản gần như không đáng kể. Đối với người dùng thông thường. Theo NVIDIA, nếu duy trì cùng "ngân sách" bộ nhớ, NTC thậm chí còn có khả năng giữ lại nhiều chi tiết hơn so với các kết cấu BCn được thu nhỏ hoặc thay đổi kích thước.
Một ví dụ cụ thể có thể thấy bên trong biệt thự, với một chiếc bàn được bày biện đầy đủ bát đĩa, chai lọ và đồ trang trí. Trong sự so sánh đó, Phần được xử lý bằng NTC, với cùng lượng bộ nhớ, cho thấy độ sắc nét và chi tiết vi mô tốt hơn. Phần được hiển thị với kết cấu BCn giảm bớt để phù hợp với cùng dung lượng VRAM.
Những kết quả này cho thấy công nghệ có thể được sử dụng theo hai cách: các nghiên cứu có thể lựa chọn Giảm đáng kể mức tiêu thụ bộ nhớ mà không làm giảm chất lượng. hoặc duy trì mức tiêu thụ và nâng cao chất lượng hình ảnh lên một tầm cao mới, điều này đặc biệt hấp dẫn đối với các dự án hướng đến vẻ ngoài gần như chân thực như ảnh chụp.
Ưu điểm thiết thực cho các trò chơi và công cụ đồ họa
Từ góc độ phát triển, hậu quả chính của tất cả những điều này là: Các loại họa tiết không còn quá hạn chế khi thiết kế các cảnh phức tạp nữa.Việc giảm lượng VRAM bị chiếm dụng bởi các bản đồ bề mặt đồng nghĩa với việc có thêm không gian lưu trữ cho các hệ thống khác hoặc để tăng lượng nội dung hiển thị đồng thời.
Đối với các trò chơi PC nhắm đến thị trường châu Âu, nơi một phần đáng kể người dùng vẫn... GPU tầm trung hoặc những GPU có 8 GB bộ nhớ.Việc nén mạnh mẽ như vậy mở ra khả năng hiển thị kết cấu độ phân giải cao trên các hệ thống hiện đang buộc phải giảm chất lượng để tránh vượt quá giới hạn VRAM.
Trong số những ưu điểm mà NVIDIA đã nhấn mạnh có thể kể đến:
- Giảm đáng kể mức sử dụng VRAM.Tối đa bảy lần trong những trường hợp cụ thể.
- Khả năng xử lý kết cấu độ phân giải cao hơn mà không gây ra yêu cầu về bộ nhớ.
- Giải quyết tắc nghẽn liên quan đến băng thông bộ nhớ và truyền tải dữ liệu.
- Tiềm năng kích thước cài đặt và bản vá nhỏ hơnbằng cách đóng gói các kết cấu nhỏ gọn hơn vào đĩa.
- Sử dụng tốt hơn thiết bị di động và máy chơi game thế hệ tương laitrong trường hợp bộ nhớ là một nguồn tài nguyên hạn chế hơn.
Tất cả những điều này phù hợp với một thị trường mà ngay cả ở châu Âu, các trò chơi cũng dễ dàng vượt quá 100 GB dung lượng tải xuống và băng thông khả dụng không phải lúc nào cũng đủ, đặc biệt là ở các vùng nông thôn hoặc với các kết nối yếu hơn. Giảm kích thước họa tiết mà không làm giảm chất lượng. Điều này có thể tạo ra sự khác biệt về thời gian tải xuống và cập nhật.
Hơn nữa, bằng cách dựa nhiều hơn vào điện toán thông minh, một phần áp lực lên bộ nhớ vật lý được giảm bớt và khả năng tính toán của các GPU hiện đại được sử dụng hiệu quả hơn, điều mà NVIDIA đã thúc đẩy trong một thời gian với các giải pháp AI khác.
Vật liệu thần kinh: ít kênh hơn, tốc độ cao hơn
Cùng với NTC, NVIDIA cũng đã trình bày ý tưởng về Vật liệu thần kinh, một sự mở rộng tự nhiên của ý tưởng nén thần kinh, được áp dụng không chỉ cho kết cấu mà còn cho mô hình vật lý của các vật liệu được sử dụng trong quá trình kết xuất.
Trong quy trình làm việc truyền thống, để mô tả cách một bề mặt phản ứng với ánh sáng, người ta kết hợp các yếu tố sau: nhiều kênh và bản đồMàu cơ bản, pháp tuyến, độ nhám, độ kim loại, độ che khuất và các dữ liệu cụ thể khác liên quan đến phương trình BRDF được sử dụng bởi công cụ đồ họa. Điều này dẫn đến rất nhiều dữ liệu, nhiều lần truy cập bộ nhớ và khá nhiều phép toán trên mỗi pixel.
Với Vật liệu thần kinh, Tập hợp các kênh này được thu gọn thành một biểu diễn tiềm ẩn nhỏ gọn hơn. Một mạng nơ-ron nhỏ chịu trách nhiệm giải mã trong thời gian thực, tái tạo các thuộc tính hình ảnh của vật liệu trong quá trình hiển thị.
Trong các bài kiểm tra do NVIDIA chia sẻ, một cấu hình của Số lượng kênh nội dung từ 19 kênh đã được giảm xuống chỉ còn 8 kênh., điều này, trong các cảnh thử nghiệm ở độ phân giải 1080p, đã được thể hiện thành gia tốc từ 1,4 đến 7,7 lần Thời gian hiển thị có thể khác nhau tùy từng trường hợp cụ thể.
Cách tiếp cận này không chỉ tiết kiệm bộ nhớ mà còn Nó đơn giản hóa số lần truy cập dữ liệu và các thao tác trên mỗi pixel.Điều này đặc biệt quan trọng trong các cấu hình dò tia và dò đường đi, nơi chi phí cho mỗi lần phản xạ ánh sáng được nhân lên.
NTC nằm trong quy trình xử lý đồ họa hỗ trợ trí tuệ nhân tạo mới của NVIDIA.
Công nghệ nén kết cấu thần kinh không tồn tại độc lập. Nó là một phần của chiến lược rộng hơn, trong đó... NVIDIA đang thiết kế lại các phần quan trọng của quy trình xử lý đồ họa bằng cách tận dụng mạng nơ-ron.Các công nghệ như DLSS, tạo khung hình, hoặc DLSS 5 sắp ra mắt đều dựa trên cùng một ý tưởng cơ bản: chuyển một số công việc "khó khăn" truyền thống của quá trình kết xuất hình ảnh sang các mô hình AI được tối ưu hóa.
Trong một số bài thuyết trình kỹ thuật của GTC, người ta đã giải thích rằng, ngoài việc xử lý hậu kỳ hình ảnh đơn giản, Nén và kết xuất thần kinh của kết cấu và vật liệu là những thành phần quan trọng. Để hệ sinh thái đó hoạt động tốt, việc giảm bộ nhớ, giảm thiểu tắc nghẽn và giải phóng tài nguyên cho phép các giai đoạn khác, chẳng hạn như tái tạo hình ảnh DLSS, có nhiều không gian hơn.
Một điểm mà NVIDIA nhấn mạnh là, trong trường hợp của NTC và Neural Materials, Trí tuệ nhân tạo tạo sinh không được sử dụng để "sáng tạo" nội dung nghệ thuật.Thay vào đó, chúng là các mô hình suy luận được thiết kế để tái tạo một cách trung thực hình thức của các họa tiết và chất liệu đã được nhóm thiết kế đồ họa định nghĩa trước đó. Điều này nhằm giải quyết một số chỉ trích đã nảy sinh trong cộng đồng về tác động tiềm tàng của trí tuệ nhân tạo đối với ý đồ hình ảnh ban đầu của trò chơi.
Trên thực tế, mục tiêu đã nêu là để các công cụ thần kinh hoạt động như... máy gia tốc công nghệvà không phải là sự thay thế cho công việc sáng tạo của các nghệ sĩ và xưởng phim, điều chắc chắn sẽ tiếp tục gây tranh luận khi những giải pháp này được thương mại hóa.
Theo NVIDIA, Các mạng nơ-ron hỗ trợ NTC đã được huấn luyện để nhận diện nhiều loại nội dung thường thấy trong các trò chơi điện tử.Về mặt lý thuyết, điều này sẽ tạo điều kiện thuận lợi cho việc tích hợp nó vào các công cụ thương mại một khi công nghệ này được mở cho các nhà phát triển.
Tác động tiềm tàng đến thị trường châu Âu và việc triển khai trong tương lai
Cho đến nay, NVIDIA vẫn chưa ấn định ngày cụ thể cho việc triển khai rộng rãi công nghệ nén kết cấu thần kinh (Neural Texture Compression) trong các trò chơi thương mại. Các cuộc trình diễn kỹ thuật chỉ ra một kịch bản trong đó việc sử dụng VRAM có thể trở nên ít bị hạn chế hơn., đặc biệt là trên PC.
Tại châu Âu, nơi mà hệ sinh thái phần cứng rất đa dạng, loại giải pháp này có thể tạo ra tác động rõ rệt. Nhiều người dùng chơi game từ... Máy tính xách tay hoặc máy tính để bàn chơi game với GPU có 6 hoặc 8 GB VRAM.Lượng bộ nhớ này hiện đang bắt đầu không đủ trong một số tựa game AAA với chất lượng đồ họa "siêu cao". Nếu NTC thực hiện đúng lời hứa, nó có thể cho phép duy trì các thiết lập cao này mà không gặp phải tình trạng trao đổi dữ liệu không cần thiết hoặc giảm hiệu năng đột ngột.
Từ góc độ các nghiên cứu, cũng có những động lực thực tiễn: Ít dữ liệu kết cấu hơn đồng nghĩa với việc cài đặt nhẹ hơn.Dung lượng tải xuống bản dùng thử nhỏ hơn và thời gian cập nhật hợp lý hơn. Đối với game thủ châu Âu, nơi không phải ai cũng có quyền truy cập vào kết nối cáp quang tốc độ cao, điều này có thể giúp trải nghiệm cài đặt hoặc cập nhật các trò chơi dung lượng lớn bớt khó chịu hơn.
Tuy nhiên, cũng sẽ có những yếu tố cần theo dõi. Việc áp dụng thực tế công nghệ nén kết cấu thần kinh (Neural Texture Compression) sẽ phụ thuộc vào... Khả năng tích hợp dễ dàng vào các công cụ như Unreal Engine, Unity hoặc các công cụ nội bộ khác.Điều này phụ thuộc vào sự hỗ trợ được cung cấp bởi các thế hệ GPU khác nhau và sự cân bằng giữa chất lượng, hiệu năng và chi phí triển khai đối với mỗi studio.
Trong mọi trường hợp, điều có vẻ rõ ràng là Bộ nhớ đồ họa đã trở thành mục tiêu ưu tiên để tối ưu hóa.và các đề xuất như NTC phù hợp với xu hướng rộng hơn hướng tới "kết xuất thần kinh", nơi điện toán thông minh thay thế một số giải pháp truyền thống chỉ dựa trên phương pháp vét cạn.
Nhìn vào bức tranh tổng thể, nén kết cấu thần kinh (Neural Texture Compression), vật liệu thần kinh (Neural Materials) và các kỹ thuật khác được công bố xung quanh DLSS cho thấy một thế hệ công cụ đồ họa mà trong đó... Trí tuệ nhân tạo không chỉ tạo ra các điểm ảnh mà còn quyết định cách lưu trữ, nén và tái tạo chúng.Nếu những lời hứa về tiết kiệm VRAM, cải thiện chi tiết và giảm thời gian hiển thị trở thành hiện thực trong các trò chơi thương mại, chúng ta có thể chứng kiến một trong những thay đổi quan trọng nhất trong những năm gần đây về cách thức sản xuất và thực thi đồ họa thời gian thực.
