Czy renderowanie neuronowe zastąpi rasteryzację w grafice 3D? Dokąd zaprowadzą nas technologie generatywnej AI

Czy się to komuś podoba, czy nie – technologie oparte na sztucznej inteligencji, a dokładniej na modelach głębokiego uczenia maszynowego, stały się dziś standardem zarówno w grach komputerowych, jak i w pracy z grafiką 2D oraz 3D. Nikogo nie zaskakują już rozwiązania takie jak NVIDIA DLSS, AMD FSR, Intel XeSS czy generowanie dodatkowych klatek za pomocą sieci neuronowych. Choć wciąż nie brakuje przeciwników takich metod, spróbujmy na chwilę odłożyć emocje na bok i przeanalizować, gdzie obecnie znajduje się technologia renderowania neuronowego oraz dokąd może nas zaprowadzić w najbliższych latach i w dalszej przyszłości. Czy rasteryzacja rzeczywiście zostanie wyparta przez grupę współpracujących ze sobą sieci neuronowych? A może nadejdzie era, w której każdy gracz otrzyma nieco inną wersję tej samej gry? Spróbujmy znaleźć na to odpowiedź.

Autor: Mateusz Szlęzak

Technologie związane ze sztuczną inteligencją, a dokładniej pierwsze modele uczenia maszynowego, pojawiły się w grafice 3D już w pierwszej dekadzie XXI wieku, choć koncepcje i podstawy matematyczne wypracowywano ponad dwie dekady wcześniej. Chodzi m.in. o matematyczny opis fraktali, heurystyki proceduralne oraz wykorzystanie obliczeń tensorowych. Jednak dopiero rozwój głębokiego uczenia maszynowego i sieci neuronowych w latach 2010–2019 przyniósł znaczący postęp w tej dziedzinie, przyczyniając się do obecnego boomu na AI w trzeciej dekadzie XXI wieku. W efekcie zaawansowane i obliczeniowo wymagające rozwiązania stały się dostępne na bardziej „przyziemnych” urządzeniach, takich jak komputery osobiste czy gry wideo. Cała rewolucja rozpoczęła się wraz z układami z rodziny Turing, czyli kartami graficznymi NVIDIA GeForce RTX 2000 i rdzeniami Tensor. Niewątpliwie wprowadzenie realistycznego śledzenia promieni w czasie rzeczywistym (Ray Tracing), które zwiększa realizm scen dzięki symulacji rzeczywistego zachowania światła i generowaniu realistycznych cieni, znacząco podniosło wymagania sprzętowe. Więcej o historii kształtowania się grafiki 3D możecie przeczytać w odrębnym materiale, który stanowi niejako wprowadzenie do niniejszego felietonu.

Generatywna sztuczna inteligencja, a dokładniej technologia renderowania neuronowego, rozwija się w niesamowitym tempie. Spróbujmy przeanalizować, dokąd może nas to zaprowadzić w najbliższych latach i w dalszej przyszłości. Czy rasteryzacja rzeczywiście zostanie wyparta przez grupę współpracujących ze sobą sieci neuronowych?

Jak zmieniał się rozwój grafiki na przestrzeni lat? API DirectX, Ray Tracing i Path Tracing, a w końcu software górujący nad hardware

Standardowa rasteryzacja nie była i nadal nie jest w stanie sprostać rosnącym oczekiwaniom, dlatego w nowoczesnych GPU pojawiły się rdzenie RT (NVIDIA, Intel) lub wyspecjalizowane bloki w ramach jednostek cieniujących (AMD), odpowiedzialne za obliczenia ray tracingu. Ponieważ nawet to okazało się niewystarczające, kolejnym krokiem było wykorzystanie rdzeni Tensor, przeznaczonych do obliczeń macierzowych i wektorowych wykorzystywanych w modelach AI. Pozwoliło to na rozwój technik skalowania obrazu, dzięki którym możliwe jest renderowanie scen w niższej rozdzielczości i rekonstrukcja szczegółów przez model neuronowy, przy zachowaniu obrazu zbliżonego do natywnego. Umożliwiło to projektowanie bardziej złożonych scen, zwiększenie liczby śledzonych promieni oraz wykorzystanie ray tracingu nie tylko do odbić, lecz także do cieni, kaustyki wody, okluzji otoczenia i globalnego oświetlenia świata w grach.

AMD FSR 3.1 kontra FSR 4 na karcie graficznej AMD Radeon RX 7900 XT. Testy wydajności i porównanie jakości obrazu

Mimo tego ponownie zabrakło mocy obliczeniowej, dlatego pojawiły się techniki generowania klatek oparta na modelach AI, które poprawiają płynność animacji poprzez tworzenie jednej lub kilku klatek pośrednich pomiędzy dwiema rzeczywiście renderowanymi przez rasteryzację. Rozwiązanie to pozwoliło kartom graficznym dotrzymać kroku rozwojowi monitorów, gdzie dla wielu graczy standardem stało się 120 Hz, a na rynku dostępne są już modele 360–500 Hz. Wyższa płynność przekłada się na naturalniejszy odbiór obrazu, niższy czas reakcji i większą satysfakcję z rozgrywki, szczególnie w dynamicznych grach. Jednak rozwojowi temu towarzyszy pewien koszt: producenci GPU koncentrują się przede wszystkim na technikach opartych na uczeniu maszynowym, przez co przyrost „surowej” mocy rasteryzacji z generacji na generację jest coraz mniejszy, co wyraźnie widać w najnowszych generacjach GPU od NVIDIA.

Test karty graficznej PNY GeForce RTX 5090 EPIC-X RGB – Możecie go obejrzeć, jednak nigdzie nie kupicie. A miał kosztować 9999 złotych…

Tradycyjnie po tym nieco zbyt długim wstępie dochodzimy do momentu, w którym warto zadać sobie pytanie, dlaczego rozwój grafiki komputerowej w zakresie czystej rasteryzacji zwalnia. Głównym ograniczeniem jest krzem, a dokładniej fakt, że zwiększanie wydajności wymaga większej liczby tranzystorów, co prowadzi do wyższego poboru mocy oraz większych układów. W pewnym stopniu równoważą to coraz bardziej zaawansowane litografie, czyli miniaturyzacja tranzystorów, ale nie są one w stanie zapewnić wystarczających przyrostów gęstości, aby sprostać rosnącym potrzebom grafiki komputerowej. Z roku na rok coraz trudniej jest tworzyć mniejsze układy, a koszty produkcji chipów rosną. Dodatkowo nad inżynierami wisi granica minimalnego wymiaru tranzystora, a tę można opisać przez realną długość kanału tranzystora, która według analiz teoretycznych mogłaby osiągnąć nawet około 1,2 nm.

Prawo Moore’a: narodziny, życie i ciągłe przepowiednie śmierci

Jednak badania naukowe, m.in. praca „Fundamental constraints for the length of the MOSFET conduction channel based on the realistic form of the potential barrier” autorstwa Maksym V. Strikha, Anatolii I. Kurchaka i Anny N. Morozovskiej, pokazują, że realna minimalna długość kanału kończy się w okolicach 5 nm. Według tych wyników przy długości kanału rzędu 3 nm zaczyna pojawiać się intensywne tunelowanie kwantowe elektronów, czyli sytuacja, w której elektrony częściowo ignorują barierę potencjału tworzoną przez bramkę. Dokładnie rzecz biorąc, rośnie prawdopodobieństwo pojawienia się elektronów po drugiej stronie tej bariery, co można uprościć do stwierdzenia, że elektrony niejako ją „przeskakują”. W takim przypadku tranzystor przestaje poprawnie działać, ponieważ zanika wyraźne rozróżnienie stanów logicznych 1 i 0.

Intel 18A – Omówienie nowej litografii dla procesorów Panther Lake. Lepsza efektywność energetyczna dzięki RibbonFET i PowerVia

Można w tym momencie zapytać, jak to możliwe, skoro litografie 2 nm, a nawet zapowiadane procesy Intel 18A i 14A czy TSMC A16 i A14 wydają się przeczyć tym ograniczeniom. W praktyce jednak nazwy te są głównie elementem marketingu, a nie odwzorowaniem rzeczywistych wymiarów tranzystora. Potwierdza to chociażby dokumentacja Intela, w której odnajdujemy rzeczywistą długość bramki tranzystora RibbonFET (GAA), wynoszącą około 6 nm. Biorąc pod uwagę, że długość kanału zazwyczaj jest zbliżona do długości bramki, można zauważyć, że realnie znajdujemy się bardzo blisko fizycznej granicy dalszej miniaturyzacji. Istnieją jeszcze możliwości związane ze zmianą geometrii kanału oraz bramki, co poprawia kontrolę elektrostatyczną i ogranicza tunelowanie, czego przykładem są tranzystory GAA, gdzie bramka otacza kanał z każdej strony. Jednak nawet te konstrukcje najprawdopodobniej reprezentują już ostatnie etapy rozwoju tradycyjnego krzemowego tranzystora typu MOSFET.

Litografia EUV od kuchni. Poznaj zasady funkcjonowania, wyzwania i przyszłość technologii półprzewodników

Konkluzja jest taka, że mając przed sobą rosnące koszty produkcji, malejące tempo miniaturyzacji i fizyczne ograniczenia technologii krzemowej, mamy dwie drogi: albo pogodzić się z coraz wolniejszym postępem i próbować wyciskać mikroprocenty z ulepszania architektur oraz litografii albo poszukać całkowicie nowych rozwiązań dla tych samych problemów. Idąc w tym drugim kierunku, można zmienić sam proces tworzenia rezultatów obliczeniowych, tak by osiągnąć to samo mniejszym kosztem. Tym procesem są właśnie modele sztucznej inteligencji, które wyewoluowały z wieloletniej automatyzacji i optymalizacji software’u, a dziś reprezentują jakościowo nowe podejście. Nie da się tego jednak zrobić od razu, dlatego obecnie znajdujemy się w okresie przejściowym, w epoce hybrydowego łączenia obu światów, co doskonale widać choćby po kierunku obranym przez firmę NVIDIA.

NVIDIA Vera Rubin Superchip – prezentacja prototypu wielkości płyty głównej, który wejdzie do produkcji już w przyszłym roku

Nowa technologia wymaga nowych jednostek obliczeniowych, czyli rdzeni wyspecjalizowanych do operacji tensorowych. Choć również potrzebują zasilania, ich przewaga polega na tym, że to model AI definiuje sposób wykorzystania rdzenia, dzięki czemu jego możliwości znacznie wykraczają poza ograniczenia samej fizycznej mocy obliczeniowej. Tworzy się w ten sposób warstwa abstrakcji, w której zadanie nie jest wykonywane bezpośrednio przez GPU, lecz przez model AI, a akcelerator pełni funkcję uniwersalnego narzędzia obliczeniowego, możliwego do zastosowania w wielu różnych zadaniach. Przy zbliżonym poborze energii i kosztach produkcji pozwala to osiągać znacznie większe przyrosty wydajności, częściowo oderwany od twardych ograniczeń klasycznej grafiki i rasteryzacji. Nic zatem dziwnego, że świat elektroniki i informatyki tak mocno zwrócił się w stronę modeli AI i sieci neuronowych, które stanowią realną i praktyczną odpowiedź na coraz bardziej widoczne ograniczenia klasycznej mikroelektroniki.

NVIDIA udostępniła zaawansowane demo technologiczne Zorah, wykorzystujące renderowanie neuronowe i silnik Unreal Engine

W erze hybrydowej warto zadać sobie pytanie, na jakim etapie znajduje się rozwój renderowania neuronowego, które w przyszłości może w dużej mierze zastąpić klasyczną rasteryzację. Obecnie jesteśmy dopiero na początku tej drogi, ale w ciągu kilku lat możemy znaleźć się w samym środku jej rozwoju. Analizując postęp w generowaniu obrazu w grach i grafice 3D, można wyróżnić trzy nieformalne poziomy technologii: pierwszy obejmuje obecnie stosowane rozwiązania, takie jak FSR, DLSS i XeSS wraz z generatorami klatek, które wspierają klasyczną rasteryzację; drugi poziom obejmuje technologie wnikające głębiej w proces tworzenia klatek i obrazów 2D, na przykład NeRF, NVIDIA Neural Radiance Cache czy Intel 5D Direction; trzeci poziom to eksperymentalne podejścia, takie jak NVIDIA 3D Guided Generative AI Blueprint, które generują obrazy 2D na podstawie uproszczonych scen 3D tworzonych w programie Blender.

NVIDIA RTX Kit – neuronowe renderowanie w praktyce. Czy czeka nas kolejny skok w jakości grafiki w grach?

O pierwszym poziomie nie warto się rozwodzić, ponieważ obejmuje on szeroko wdrożone i dobrze znane rozwiązania. Drugi poziom natomiast zasługuje na uwagę, gdyż stoimy dopiero na progu jego wdrażania. NVIDIA rozwija Neural Texture Compression (NTC) – algorytmy oparte na sieciach neuronowych do kompresji tekstur, które pozwalają zmniejszyć objętość danych z 520 MB do zaledwie 80 MB. Kosztem może być nieco dłuższy czas renderowania: przy rozdzielczości 4K NTC wymaga około 1,15 ms, podczas gdy standardowy format BC zajmuje 0,49 ms. Powiązaną technologią jest RTX Neural Materials, umożliwiająca kompresję kodu shaderów przy użyciu AI, co pozwala nawet na pięciokrotnie szybsze przetwarzanie. Rozwijane są również pokrewne techniki, takie jak RTX Texture Filter, RTX Neural Shaders czy Mega Geometry, a także systemy odpowiedzialne za realistyczne odwzorowanie postaci w grach, w tym Character Rendering, Neural Faces oraz Neural Hair.

NVIDIA udostępnia demo Bonsai Diorama z RTX Mega Geometry i pełnym path tracingiem w Unreal Engine 5.6.1

Tuż za rogiem pojawiają się także rozwiązania oparte na Neural Radiance Fields (NeRF) – nie mylić z producentem karabinów na strzałki – reprezentowane m.in. przez NVIDIA Neural Radiance Cache czy Intel 5D Direction. Obie technologie pozwalają sieci neuronowej analizować model 3D z różnych perspektyw, wyodrębniając współrzędne przestrzenne (x, y, z) oraz kąty widzenia kamery (θ, φ). Na podstawie tych danych sieć generuje dla każdego punktu kolor (RGB) oraz gęstość światła (σ), co umożliwia przewidywanie oświetlenia i cieni w czasie rzeczywistym. Pokazuje to, że przyszłe gry mogą w dużym stopniu wykorzystać AI do odciążania klasycznej rasteryzacji i obliczeń związanych z ray tracingiem. Sama technologia NeRF w niektórych wariantach potrafi wygenerować realistyczny model 3D na podstawie licznych zdjęć lub skanów danej sceny, np. terenów z fotografii satelitarnych czy lotniczych. W praktyce NeRF nie tworzy typowego meshu 3D (siatki z wierzchołkami), lecz reprezentację wolumetryczną, co sprawia, że taki „model 3D” różni się od klasycznego. Jest to raczej obszerny zbiór funkcji, z którego można wygenerować realistyczny obiekt na obrazie 2D z różnych kątów widzenia. Może to utrudniać stosowanie fizyki czy kolizji w grach, ograniczając użyteczność w silnikach gier wideo, jednak w kontekście generowania realistycznej grafiki jest to technologia bardzo obiecująca.

Intel Xe3 – Analiza nowej architektury dla układów graficznych w Intel Panther Lake. Zapowiedź XeSS Multi Frame Generation

Trzecim poziomem, który częściowo łagodzi niektóre ograniczenia NeRF, są obecnie eksperymentalne podejścia, takie jak NVIDIA 3D Guided Generative AI Blueprint. Technologie te generują obrazy 2D na podstawie uproszczonych scen 3D stworzonych w programie Blender. W tym przypadku scena nie wymaga szczegółowych modeli ani tekstur – wystarczy szkic i mapa głębi, które kierują działaniem modelu AI. Można to porównać do wczesnego etapu tworzenia lokacji w grach: rozmieszczasz obiekty, definiujesz kompozycję i zachowanie kamery, a AI generuje finalny obraz. Technika wymaga użycia promptów, które mogą być powiązane z konkretną lokalizacją, co zapewnia powtarzalność efektów w grach. Obecnie generowane grafiki są już bardzo realistyczne, choć czasem nadmiernie wyedytowane fotograficznie, a wraz z postępem technologii możliwe będzie tworzenie nie tylko pojedynczych obrazów, ale także dłuższych wideo opartych na scenach 3D.

Test NVIDIA GeForce RTX 4090 Laptop pod kątem wykorzystania w generatywnej AI: NVIDIA NIM, Blueprint oraz Blender

W tym miejscu omówiliśmy obecny poziom tej technologii, ale patrząc w niedaleką przyszłość, zastosowanie takich technik w grach mogłoby znacząco przyspieszyć tworzenie tła czy elementów świata 3D, ograniczając czas pracy grafików, przy jednoczesnym zachowaniu pełnej modyfikowalności sceny dzięki prostym modelom. Warto zauważyć, że aby technologia w pełni mogła zastąpić rasteryzację w renderowaniu neuronowym, konieczne byłoby opracowanie sposobu generowania map głębi, które dziś powstają przy użyciu klasycznej rasteryzacji. Długofalowo i hipotetycznie połączenie technik opartych na AI mogłoby umożliwić generowanie całych gier w czasie rzeczywistym, gdzie świat powstaje krok po kroku na bazie szkiców 3D. Nie oznacza to jednak, że każdy gracz otrzymałby unikalny i losowy świat w tym samym tytule – wyzwaniem pozostaje utrzymanie dokładności i powtarzalności generowanego świata względem wizji twórców. Odpowiednio zaprojektowane sceny i starannie skonstruowane, skryptowane prompty powinny pozwolić uzyskać niemal identyczny wynik.

Jensen Huang z NVIDII spodziewa się dalszego dynamicznego rozwoju AI. Apeluje o inwestycje w infrastrukturę obliczeniową

W bardziej zaawansowanych i przewidywalnych scenariuszach możliwe będzie całkowite ograniczenie roli promptów poprzez trenowanie modeli AI na podstawie grafik koncepcyjnych, obrazów 2D oraz modelów 3D powstałych z generacji w sieciach neuronowych NVIDIA GET3D, Stable Point Aware 3D, czy OpenAI Point‑E, a nawet scen wygenerowanych przy użyciu technik takich jak NeRF. Dzięki temu model mógłby samodzielnie teksturować, symulować światło i uzupełniać obiekty 3D zgodnie z wizją deweloperów gier, bez stałego polegania na warunkowaniu tekstowym. Można również spodziewać się, że FLUX.1‑dev od Black Forest Labs (model bazowy dla NVIDIA 3D Guided Generative AI Blueprint) będzie dalej rozwijany, potencjalnie z możliwością fine-tuningu bezpośrednio na modelach 3D, a nie tylko 2D, jak ma to miejsce obecnie. Łącząc obecnie rozwijane technologie, modele NeRF, modele dyfuzji (np. SIGNeRF, DiffusioNeRF) i FLUX.1‑dev, w przyszłości możliwe będzie osiągnięcie rekonstrukcji scen 3D z dokładnością bliską 1:1 na podstawie jedynie uproszczonych modeli 3D, co pozwoli uzyskać maksymalną deterministyczność generowanego świata, praktycznie eliminując losowość.

AMD i Sony prezentują trzy nowe rozwiązania, które trafią do przyszłych układów SoC dla konsol i kart graficznych Radeon

Kolejnym zagadnieniem pozostaje fizyka obiektów i kolizje w grach, choć w praktyce problem jest częściowo ograniczony: dzięki mapowaniu sceny w silniku gry dla modeli AI, obliczenia fizyki i kolizji nadal mogą być realizowane na CPU dla uproszczonych modeli 3D. Podobnie w przypadku postaci, bowiem ich fizyczne modele i animacje mogłyby być symulowane tradycyjnie, a AI odpowiadałaby za generowanie warstwy wizualnej oraz zachowań w obrębie widocznego pola gry. Warto dodać, że istnieją już wyszkolone sieci neuronowe do generowania animacji. W efekcie ta część pozostaje w dużej mierze niezmieniona, choć pojawia się pytanie o dokładność kolizji w sytuacjach, gdy AI wygeneruje np. cegłę lekko odsuniętą od ściany, podczas gdy dla fizyki będzie to prosty blok. Takie rozbieżności nie są nowością, gdyż obecnie wiele wypukłości w grach jest jedynie złudzeniem nakładanych tekstur, dlatego trudno jednoznacznie ocenić, czy stanowi lub będzie to stanowić realny problem.

Audio2Face 3D udostępniony za darmo. NVIDIA otwiera kod źródłowy zaawansowanego systemu lip-sync wspomaganego AI

Co ciekawe, specjalnie wyszkolone modele LLM mogłyby odpowiadać za interakcje z NPC, co już dziś jest technicznie wykonalne w ograniczonych środowiskach, choć temat ten wymagałby osobnego omówienia. Kolejnym istotnym wyzwaniem pozostaje wydajność sprzętu, a w szczególności ograniczenia VRAM i opóźnienia w generowaniu klatek. W miarę odchodzenia od klasycznej rasteryzacji coraz więcej pamięci GPU może być zajmowane przez modele AI. Przykład tego można już zaobserwować przy włączaniu technik upscalingu z generowaniem klatek, gdzie zajętość VRAM wzrasta średnio o 0,5 GB. Jednostki cieniujące stopniowo ustępują miejsca jednostkom dedykowanym obliczeniom neuronowym. Choć nie przekłada się to automatycznie na niższy pobór energii, pozwala uzyskać większą elastyczność i wyższe przyrosty wydajności w liczbie klatek na sekundę, a także zwiększa potencjał realistycznego odwzorowania świata. Pewnym wyzwaniem pozostają opóźnienia, jednak wraz ze wzrostem wydajności modeli AI, akceleratorów oraz szybszych połączeń (PCIe i interkonekty w chipach) problem ten powinien stopniowo maleć. Istnieje jednak ryzyko, że postęp w przesyle danych może zostać ograniczony przez fizyczne granice miniaturyzacji tranzystorów.

Rasteryzacja stopniowo traci na znaczeniu, a w przyszłości coraz więcej zadań związanych z generowaniem grafiki przejmą systemy AI. W perspektywie kolejnych dekad możemy spodziewać się koordynacji wielu sieci neuronowych będących ekosystemem do tworzenia gier. Najbliższe lata pokażą, czy ta wizja rzeczywiście się spełni.

AMD potwierdza prace nad mikroarchitekturą Zen 6 i Zen 7. Nowa generacja kart Radeon skupi się na Ray Tracingu i AI

Podsumowując, rasteryzacja będzie stopniowo tracić znaczenie, a coraz więcej zadań związanych z generowaniem grafiki przejmą AI i sieci neuronowe. Obecnie wspierają klasyczną rasteryzację (DLSS/FSR), w niedalekiej przyszłości będą uzupełniały ją przy generowaniu oświetlenia i ray tracingu, aż w końcu mogą ją w pełni zastąpić w procesie tworzenia klatek. Obecnie jest to jeszcze eksperymentalne, ale kierunek rozwoju branży jest wyraźny: hybryda rasteryzacji i AI ewoluuje w stronę świata, w którym większość generowania grafiki będzie oparta na modelach neuronowych. Rasteryzacja w najprostszych zadaniach najprawdopodobniej pozostanie obecna, jednak straci rolę wiodącą i będzie pełnić funkcję dostarczania danych dla AI, np. map głębi.

Sztuczna inteligencja w grach wchodzi na nowy poziom. NVIDIA pokazuje, że małe modele mogą więcej niż wielkie LLM-y

W perspektywie kolejnych dekad bardziej prawdopodobna wydaje się koordynacja wielu sieci neuronowych tworzących ekosystem do tworzenia gier zamiast polegania na pojedynczym modelu AI wykonującym wszystko. Nie oznacza to jednak odciążenia deweloperów gier, a raczej istotną zmianę w charakterze ich pracy. Graficy mogą w większym stopniu skupiać się na tworzeniu modeli obiektów nie bezpośrednio do gier, lecz do nauki sieci neuronowych, dostarczając dane wsadowe i poprawiając generowane przez AI treści, zamiast tradycyjnego rzeźbienia w Blenderze. Programiści, oprócz obsługi silników fizyki, logiki gry i skryptów, mogą odpowiadać za przygotowanie sekwencji promptów oraz wdrożenie i fine-tuning modeli AI na bazie wcześniej opracowanych modeli 3D i grafik.

AMD FSR Redstone w końcu doczeka się oficjalnej prezentacji. Pakiet technologii AI trafi do kart Radeon RX 9000 w grudniu

Oczywiście, jest to scenariusz hipotetyczny, oparty na analizie badań i obserwacji obecnego rozwoju technologii, łączący dostępne informacje i moje własne przemyślenia dotyczące przyszłości AI w grafice. Najbliższe lata pokażą, czy wizja ta się ziści, czy też jak ostrzegają niektórzy, może okazać się bańką AI. Nie ulega wątpliwości, że kurs obrany przez największe firmy technologiczne stanowi praktyczne remedium na coraz wolniejszy przyrost wydajności typowej rasteryzacji i ograniczenia miniaturyzacji tranzystorów.