{"id":124615,"date":"2025-11-29T18:05:19","date_gmt":"2025-11-29T18:05:19","guid":{"rendered":"https:\/\/www.europesays.com\/pl\/124615\/"},"modified":"2025-11-29T18:05:19","modified_gmt":"2025-11-29T18:05:19","slug":"czy-renderowanie-neuronowe-zastapi-rasteryzacje-w-grafice-3d-dokad-zaprowadza-nas-technologie-generatywnej-ai","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/pl\/124615\/","title":{"rendered":"Czy renderowanie neuronowe zast\u0105pi rasteryzacj\u0119 w grafice 3D? Dok\u0105d zaprowadz\u0105 nas technologie generatywnej AI"},"content":{"rendered":"

\"CzyCzy si\u0119 to komu\u015b podoba, czy nie – technologie oparte na sztucznej inteligencji, a dok\u0142adniej na modelach g\u0142\u0119bokiego uczenia maszynowego, sta\u0142y si\u0119 dzi\u015b standardem zar\u00f3wno w grach komputerowych, jak i w pracy z grafik\u0105 2D oraz 3D. Nikogo nie zaskakuj\u0105 ju\u017c rozwi\u0105zania takie jak NVIDIA DLSS, AMD FSR, Intel XeSS czy generowanie dodatkowych klatek za pomoc\u0105 sieci neuronowych. Cho\u0107 wci\u0105\u017c nie brakuje przeciwnik\u00f3w takich metod, spr\u00f3bujmy na chwil\u0119 od\u0142o\u017cy\u0107 emocje na bok i przeanalizowa\u0107, gdzie obecnie znajduje si\u0119 technologia renderowania neuronowego oraz dok\u0105d mo\u017ce nas zaprowadzi\u0107 w najbli\u017cszych latach i w dalszej przysz\u0142o\u015bci. Czy rasteryzacja rzeczywi\u015bcie zostanie wyparta przez grup\u0119 wsp\u00f3\u0142pracuj\u0105cych ze sob\u0105 sieci neuronowych? A mo\u017ce nadejdzie era, w kt\u00f3rej ka\u017cdy gracz otrzyma nieco inn\u0105 wersj\u0119 tej samej gry? Spr\u00f3bujmy znale\u017a\u0107 na to odpowied\u017a.<\/p>\n

Autor: Mateusz Szl\u0119zak<\/p>\n

Technologie zwi\u0105zane ze sztuczn\u0105 inteligencj\u0105, a dok\u0142adniej pierwsze modele uczenia maszynowego, pojawi\u0142y si\u0119 w grafice 3D ju\u017c w pierwszej dekadzie XXI wieku, cho\u0107 koncepcje i podstawy matematyczne wypracowywano ponad dwie dekady wcze\u015bniej. Chodzi m.in. o matematyczny opis fraktali, heurystyki proceduralne oraz wykorzystanie oblicze\u0144 tensorowych. Jednak dopiero rozw\u00f3j g\u0142\u0119bokiego uczenia maszynowego i sieci neuronowych w latach 2010\u20132019 przyni\u00f3s\u0142 znacz\u0105cy post\u0119p w tej dziedzinie, przyczyniaj\u0105c si\u0119 do obecnego boomu na AI w trzeciej dekadzie XXI wieku. W efekcie zaawansowane i obliczeniowo wymagaj\u0105ce rozwi\u0105zania sta\u0142y si\u0119 dost\u0119pne na bardziej \u201eprzyziemnych\u201d urz\u0105dzeniach, takich jak komputery osobiste czy gry wideo. Ca\u0142a rewolucja rozpocz\u0119\u0142a si\u0119 wraz z uk\u0142adami z rodziny Turing, czyli kartami graficznymi NVIDIA GeForce RTX 2000<\/a> i rdzeniami Tensor. Niew\u0105tpliwie wprowadzenie realistycznego \u015bledzenia promieni w czasie rzeczywistym (Ray Tracing<\/a>), kt\u00f3re zwi\u0119ksza realizm scen dzi\u0119ki symulacji rzeczywistego zachowania \u015bwiat\u0142a i generowaniu realistycznych cieni, znacz\u0105co podnios\u0142o wymagania sprz\u0119towe. Wi\u0119cej o historii kszta\u0142towania si\u0119 grafiki 3D mo\u017cecie przeczyta\u0107 w odr\u0119bnym materiale<\/a>, kt\u00f3ry stanowi niejako wprowadzenie do niniejszego felietonu.<\/p>\n

Generatywna sztuczna inteligencja, a dok\u0142adniej technologia renderowania neuronowego, rozwija si\u0119 w niesamowitym tempie. Spr\u00f3bujmy przeanalizowa\u0107, dok\u0105d mo\u017ce nas to zaprowadzi\u0107 w najbli\u017cszych latach i w dalszej przysz\u0142o\u015bci. Czy rasteryzacja rzeczywi\u015bcie zostanie wyparta przez grup\u0119 wsp\u00f3\u0142pracuj\u0105cych ze sob\u0105 sieci neuronowych?<\/p>\n

\"Czy<\/a><\/p>\n

Jak zmienia\u0142 si\u0119 rozw\u00f3j grafiki na przestrzeni lat? API DirectX, Ray Tracing i Path Tracing, a w ko\u0144cu software g\u00f3ruj\u0105cy nad hardware<\/a><\/p>\n

Standardowa rasteryzacja nie by\u0142a i nadal nie jest w stanie sprosta\u0107 rosn\u0105cym oczekiwaniom, dlatego w nowoczesnych GPU pojawi\u0142y si\u0119 rdzenie RT (NVIDIA, Intel) lub wyspecjalizowane bloki w ramach jednostek cieniuj\u0105cych (AMD), odpowiedzialne za obliczenia ray tracingu. Poniewa\u017c nawet to okaza\u0142o si\u0119 niewystarczaj\u0105ce, kolejnym krokiem by\u0142o wykorzystanie rdzeni Tensor, przeznaczonych do oblicze\u0144 macierzowych i wektorowych wykorzystywanych w modelach AI. Pozwoli\u0142o to na rozw\u00f3j technik skalowania obrazu, dzi\u0119ki kt\u00f3rym mo\u017cliwe jest renderowanie scen w ni\u017cszej rozdzielczo\u015bci i rekonstrukcja szczeg\u00f3\u0142\u00f3w przez model neuronowy, przy zachowaniu obrazu zbli\u017conego do natywnego. Umo\u017cliwi\u0142o to projektowanie bardziej z\u0142o\u017conych scen, zwi\u0119kszenie liczby \u015bledzonych promieni oraz wykorzystanie ray tracingu nie tylko do odbi\u0107, lecz tak\u017ce do cieni,\u00a0kaustyki wody,\u00a0okluzji otoczenia i globalnego o\u015bwietlenia \u015bwiata w grach.<\/p>\n

\"Czy<\/a><\/p>\n

AMD FSR 3.1 kontra FSR 4 na karcie graficznej AMD Radeon RX 7900 XT. Testy wydajno\u015bci i por\u00f3wnanie jako\u015bci obrazu<\/a><\/p>\n

Mimo tego ponownie zabrak\u0142o mocy obliczeniowej, dlatego pojawi\u0142y si\u0119 techniki generowania klatek oparta na modelach AI, kt\u00f3re poprawiaj\u0105 p\u0142ynno\u015b\u0107 animacji poprzez tworzenie jednej lub kilku klatek po\u015brednich pomi\u0119dzy dwiema rzeczywi\u015bcie renderowanymi przez rasteryzacj\u0119. Rozwi\u0105zanie to pozwoli\u0142o kartom graficznym dotrzyma\u0107 kroku rozwojowi monitor\u00f3w, gdzie dla wielu graczy standardem sta\u0142o si\u0119 120 Hz, a na rynku dost\u0119pne s\u0105 ju\u017c modele 360\u2013500 Hz. Wy\u017csza p\u0142ynno\u015b\u0107 przek\u0142ada si\u0119 na naturalniejszy odbi\u00f3r obrazu, ni\u017cszy czas reakcji i wi\u0119ksz\u0105 satysfakcj\u0119 z rozgrywki, szczeg\u00f3lnie w dynamicznych grach. Jednak rozwojowi temu towarzyszy pewien koszt: producenci GPU koncentruj\u0105 si\u0119 przede wszystkim na technikach opartych na uczeniu maszynowym, przez co przyrost \u201esurowej\u201d mocy rasteryzacji z generacji na generacj\u0119 jest coraz mniejszy, co wyra\u017anie wida\u0107 w najnowszych generacjach GPU od NVIDIA.<\/p>\n

\"Czy<\/a><\/p>\n

Test karty graficznej PNY GeForce RTX 5090 EPIC-X RGB – Mo\u017cecie go obejrze\u0107, jednak nigdzie nie kupicie. A mia\u0142 kosztowa\u0107 9999 z\u0142otych…<\/a><\/p>\n

Tradycyjnie po tym nieco zbyt d\u0142ugim wst\u0119pie dochodzimy do momentu, w kt\u00f3rym warto zada\u0107 sobie pytanie, dlaczego rozw\u00f3j grafiki komputerowej w zakresie czystej rasteryzacji zwalnia. G\u0142\u00f3wnym ograniczeniem jest krzem, a dok\u0142adniej fakt, \u017ce zwi\u0119kszanie wydajno\u015bci wymaga wi\u0119kszej liczby tranzystor\u00f3w, co prowadzi do wy\u017cszego poboru mocy oraz wi\u0119kszych uk\u0142ad\u00f3w. W pewnym stopniu r\u00f3wnowa\u017c\u0105 to coraz bardziej zaawansowane litografie, czyli miniaturyzacja tranzystor\u00f3w, ale nie s\u0105 one w stanie zapewni\u0107 wystarczaj\u0105cych przyrost\u00f3w g\u0119sto\u015bci, aby sprosta\u0107 rosn\u0105cym potrzebom grafiki komputerowej. Z roku na rok coraz trudniej jest tworzy\u0107 mniejsze uk\u0142ady, a koszty produkcji chip\u00f3w rosn\u0105. Dodatkowo nad in\u017cynierami wisi granica minimalnego wymiaru tranzystora, a t\u0119 mo\u017cna opisa\u0107 przez realn\u0105 d\u0142ugo\u015b\u0107 kana\u0142u tranzystora, kt\u00f3ra wed\u0142ug analiz teoretycznych mog\u0142aby osi\u0105gn\u0105\u0107 nawet oko\u0142o 1,2 nm.<\/p>\n

\"Czy<\/a><\/p>\n

Prawo Moore’a: narodziny, \u017cycie i ci\u0105g\u0142e przepowiednie \u015bmierci<\/a><\/p>\n

Jednak badania naukowe, m.in. praca \u201eFundamental constraints for the length of the MOSFET conduction channel based on the realistic form of the potential barrier<\/a>\u201d autorstwa Maksym V. Strikha, Anatolii I. Kurchaka i Anny N. Morozovskiej, pokazuj\u0105, \u017ce realna minimalna d\u0142ugo\u015b\u0107 kana\u0142u ko\u0144czy si\u0119 w okolicach 5 nm. Wed\u0142ug tych wynik\u00f3w przy d\u0142ugo\u015bci kana\u0142u rz\u0119du 3 nm zaczyna pojawia\u0107 si\u0119 intensywne tunelowanie kwantowe elektron\u00f3w, czyli sytuacja, w kt\u00f3rej elektrony cz\u0119\u015bciowo ignoruj\u0105 barier\u0119 potencja\u0142u tworzon\u0105 przez bramk\u0119. Dok\u0142adnie rzecz bior\u0105c, ro\u015bnie prawdopodobie\u0144stwo pojawienia si\u0119 elektron\u00f3w po drugiej stronie tej bariery, co mo\u017cna upro\u015bci\u0107 do stwierdzenia, \u017ce elektrony niejako j\u0105 „przeskakuj\u0105”. W takim przypadku tranzystor przestaje poprawnie dzia\u0142a\u0107, poniewa\u017c zanika wyra\u017ane rozr\u00f3\u017cnienie stan\u00f3w logicznych 1 i 0.<\/p>\n

\"Czy<\/a><\/p>\n

Intel 18A – Om\u00f3wienie nowej litografii dla procesor\u00f3w Panther Lake. Lepsza efektywno\u015b\u0107 energetyczna dzi\u0119ki RibbonFET i PowerVia<\/a><\/p>\n

Mo\u017cna w tym momencie zapyta\u0107, jak to mo\u017cliwe, skoro litografie 2 nm, a nawet zapowiadane procesy Intel 18A<\/a> i 14A<\/a> czy TSMC A16<\/a> i A14<\/a> wydaj\u0105 si\u0119 przeczy\u0107 tym ograniczeniom. W praktyce jednak nazwy te s\u0105 g\u0142\u00f3wnie elementem marketingu, a nie odwzorowaniem rzeczywistych wymiar\u00f3w tranzystora. Potwierdza to chocia\u017cby dokumentacja Intela, w kt\u00f3rej odnajdujemy rzeczywist\u0105 d\u0142ugo\u015b\u0107 bramki tranzystora RibbonFET (GAA)<\/a>, wynosz\u0105c\u0105 oko\u0142o 6 nm. Bior\u0105c pod uwag\u0119, \u017ce d\u0142ugo\u015b\u0107 kana\u0142u zazwyczaj jest zbli\u017cona do d\u0142ugo\u015bci bramki, mo\u017cna zauwa\u017cy\u0107, \u017ce realnie znajdujemy si\u0119 bardzo blisko fizycznej granicy dalszej miniaturyzacji. Istniej\u0105 jeszcze mo\u017cliwo\u015bci zwi\u0105zane ze zmian\u0105 geometrii kana\u0142u oraz bramki, co poprawia kontrol\u0119 elektrostatyczn\u0105 i ogranicza tunelowanie, czego przyk\u0142adem s\u0105 tranzystory GAA, gdzie bramka otacza kana\u0142 z ka\u017cdej strony. Jednak nawet te konstrukcje najprawdopodobniej reprezentuj\u0105 ju\u017c ostatnie etapy rozwoju tradycyjnego krzemowego tranzystora typu MOSFET.<\/p>\n

\"Czy<\/a><\/p>\n

Litografia EUV od kuchni. Poznaj zasady funkcjonowania, wyzwania i przysz\u0142o\u015b\u0107 technologii p\u00f3\u0142przewodnik\u00f3w<\/a><\/p>\n

Konkluzja jest taka, \u017ce maj\u0105c przed sob\u0105 rosn\u0105ce koszty produkcji, malej\u0105ce tempo miniaturyzacji i fizyczne ograniczenia technologii krzemowej, mamy dwie drogi: albo pogodzi\u0107 si\u0119 z coraz wolniejszym post\u0119pem i pr\u00f3bowa\u0107 wyciska\u0107 mikroprocenty z ulepszania architektur oraz litografii albo poszuka\u0107 ca\u0142kowicie nowych rozwi\u0105za\u0144 dla tych samych problem\u00f3w. Id\u0105c w tym drugim kierunku, mo\u017cna zmieni\u0107 sam proces tworzenia rezultat\u00f3w obliczeniowych, tak by osi\u0105gn\u0105\u0107 to samo mniejszym kosztem. Tym procesem s\u0105 w\u0142a\u015bnie modele sztucznej inteligencji, kt\u00f3re wyewoluowa\u0142y z wieloletniej automatyzacji i optymalizacji software\u2019u, a dzi\u015b reprezentuj\u0105 jako\u015bciowo nowe podej\u015bcie. Nie da si\u0119 tego jednak zrobi\u0107 od razu, dlatego obecnie znajdujemy si\u0119 w okresie przej\u015bciowym, w epoce hybrydowego \u0142\u0105czenia obu \u015bwiat\u00f3w, co doskonale wida\u0107 cho\u0107by po kierunku obranym przez firm\u0119 NVIDIA.<\/p>\n

\"Czy<\/a><\/p>\n

NVIDIA Vera Rubin Superchip – prezentacja prototypu wielko\u015bci p\u0142yty g\u0142\u00f3wnej, kt\u00f3ry wejdzie do produkcji ju\u017c w przysz\u0142ym roku<\/a><\/p>\n

Nowa technologia wymaga nowych jednostek obliczeniowych, czyli rdzeni wyspecjalizowanych do operacji tensorowych. Cho\u0107 r\u00f3wnie\u017c potrzebuj\u0105 zasilania, ich przewaga polega na tym, \u017ce to model AI definiuje spos\u00f3b wykorzystania rdzenia, dzi\u0119ki czemu jego mo\u017cliwo\u015bci znacznie wykraczaj\u0105 poza ograniczenia samej fizycznej mocy obliczeniowej. Tworzy si\u0119 w ten spos\u00f3b warstwa abstrakcji, w kt\u00f3rej zadanie nie jest wykonywane bezpo\u015brednio przez GPU, lecz przez model AI, a akcelerator pe\u0142ni funkcj\u0119 uniwersalnego narz\u0119dzia obliczeniowego, mo\u017cliwego do zastosowania w wielu r\u00f3\u017cnych zadaniach. Przy zbli\u017conym poborze energii i kosztach produkcji pozwala to osi\u0105ga\u0107 znacznie wi\u0119ksze przyrosty wydajno\u015bci, cz\u0119\u015bciowo oderwany od twardych ogranicze\u0144 klasycznej grafiki i rasteryzacji. Nic zatem dziwnego, \u017ce \u015bwiat elektroniki i informatyki tak mocno zwr\u00f3ci\u0142 si\u0119 w stron\u0119 modeli AI i sieci neuronowych, kt\u00f3re stanowi\u0105 realn\u0105 i praktyczn\u0105 odpowied\u017a na coraz bardziej widoczne ograniczenia klasycznej mikroelektroniki.<\/p>\n

\"Czy<\/a><\/p>\n

NVIDIA udost\u0119pni\u0142a zaawansowane demo technologiczne Zorah, wykorzystuj\u0105ce renderowanie neuronowe i silnik Unreal Engine<\/a><\/p>\n

W erze hybrydowej warto zada\u0107 sobie pytanie, na jakim etapie znajduje si\u0119 rozw\u00f3j renderowania neuronowego, kt\u00f3re w przysz\u0142o\u015bci mo\u017ce w du\u017cej mierze zast\u0105pi\u0107 klasyczn\u0105 rasteryzacj\u0119. Obecnie jeste\u015bmy dopiero na pocz\u0105tku tej drogi, ale w ci\u0105gu kilku lat mo\u017cemy znale\u017a\u0107 si\u0119 w samym \u015brodku jej rozwoju. Analizuj\u0105c post\u0119p w generowaniu obrazu w grach i grafice 3D, mo\u017cna wyr\u00f3\u017cni\u0107 trzy nieformalne poziomy technologii: pierwszy obejmuje obecnie stosowane rozwi\u0105zania, takie jak FSR, DLSS i XeSS wraz z generatorami klatek, kt\u00f3re wspieraj\u0105 klasyczn\u0105 rasteryzacj\u0119; drugi poziom obejmuje technologie wnikaj\u0105ce g\u0142\u0119biej w proces tworzenia klatek i obraz\u00f3w 2D, na przyk\u0142ad NeRF, NVIDIA Neural Radiance Cache czy Intel 5D Direction; trzeci poziom to eksperymentalne podej\u015bcia, takie jak NVIDIA\u202f3D Guided Generative AI Blueprint, kt\u00f3re generuj\u0105 obrazy 2D na podstawie uproszczonych scen 3D tworzonych w programie Blender.<\/p>\n

\"Czy<\/a><\/p>\n

NVIDIA RTX Kit – neuronowe renderowanie w praktyce. Czy czeka nas kolejny skok w jako\u015bci grafiki w grach?<\/a><\/p>\n

O pierwszym poziomie nie warto si\u0119 rozwodzi\u0107, poniewa\u017c obejmuje on szeroko wdro\u017cone i dobrze znane rozwi\u0105zania. Drugi poziom natomiast zas\u0142uguje na uwag\u0119, gdy\u017c stoimy dopiero na progu jego wdra\u017cania. NVIDIA rozwija Neural Texture Compression (NTC)<\/a> – algorytmy oparte na sieciach neuronowych do kompresji tekstur, kt\u00f3re pozwalaj\u0105 zmniejszy\u0107 obj\u0119to\u015b\u0107 danych z 520 MB do zaledwie 80 MB. Kosztem mo\u017ce by\u0107 nieco d\u0142u\u017cszy czas renderowania: przy rozdzielczo\u015bci 4K NTC wymaga oko\u0142o 1,15 ms, podczas gdy standardowy format BC zajmuje 0,49 ms. Powi\u0105zan\u0105 technologi\u0105 jest RTX Neural Materials, umo\u017cliwiaj\u0105ca kompresj\u0119 kodu shader\u00f3w przy u\u017cyciu AI, co pozwala nawet na pi\u0119ciokrotnie szybsze przetwarzanie. Rozwijane s\u0105 r\u00f3wnie\u017c pokrewne techniki, takie jak RTX Texture Filter, RTX Neural Shaders czy Mega Geometry<\/a>, a tak\u017ce systemy odpowiedzialne za realistyczne odwzorowanie postaci w grach, w tym Character Rendering, Neural Faces oraz Neural Hair.<\/p>\n

\n

NVIDIA udost\u0119pnia demo Bonsai Diorama z RTX Mega Geometry i pe\u0142nym path tracingiem w Unreal Engine 5.6.1<\/a><\/p>\n

Tu\u017c za rogiem pojawiaj\u0105 si\u0119 tak\u017ce rozwi\u0105zania oparte na Neural Radiance Fields (NeRF)<\/a> – nie myli\u0107 z producentem karabin\u00f3w na strza\u0142ki – reprezentowane m.in. przez NVIDIA Neural Radiance Cache<\/a> czy Intel 5D Direction<\/a>. Obie technologie pozwalaj\u0105 sieci neuronowej analizowa\u0107 model 3D z r\u00f3\u017cnych perspektyw, wyodr\u0119bniaj\u0105c wsp\u00f3\u0142rz\u0119dne przestrzenne (x, y, z) oraz k\u0105ty widzenia kamery (\u03b8, \u03c6). Na podstawie tych danych sie\u0107 generuje dla ka\u017cdego punktu kolor (RGB) oraz g\u0119sto\u015b\u0107 \u015bwiat\u0142a (\u03c3), co umo\u017cliwia przewidywanie o\u015bwietlenia i cieni w czasie rzeczywistym. Pokazuje to, \u017ce przysz\u0142e gry mog\u0105 w du\u017cym stopniu wykorzysta\u0107 AI do odci\u0105\u017cania klasycznej rasteryzacji i oblicze\u0144 zwi\u0105zanych z ray tracingiem. Sama technologia NeRF w niekt\u00f3rych wariantach potrafi wygenerowa\u0107 realistyczny model 3D na podstawie licznych zdj\u0119\u0107 lub skan\u00f3w danej sceny, np. teren\u00f3w z fotografii satelitarnych czy lotniczych. W praktyce NeRF nie tworzy typowego meshu 3D (siatki z wierzcho\u0142kami), lecz reprezentacj\u0119 wolumetryczn\u0105, co sprawia, \u017ce taki \u201emodel 3D\u201d r\u00f3\u017cni si\u0119 od klasycznego. Jest to raczej obszerny zbi\u00f3r funkcji, z kt\u00f3rego mo\u017cna wygenerowa\u0107 realistyczny obiekt na obrazie 2D z r\u00f3\u017cnych k\u0105t\u00f3w widzenia. Mo\u017ce to utrudnia\u0107 stosowanie fizyki czy kolizji w grach, ograniczaj\u0105c u\u017cyteczno\u015b\u0107 w silnikach gier wideo, jednak w kontek\u015bcie generowania realistycznej grafiki jest to technologia bardzo obiecuj\u0105ca.<\/p>\n

\"Czy<\/a><\/p>\n

Intel Xe3 – Analiza nowej architektury dla uk\u0142ad\u00f3w graficznych w Intel Panther Lake. Zapowied\u017a XeSS Multi Frame Generation<\/a><\/p>\n

Trzecim poziomem, kt\u00f3ry cz\u0119\u015bciowo \u0142agodzi niekt\u00f3re ograniczenia NeRF, s\u0105 obecnie eksperymentalne podej\u015bcia, takie jak NVIDIA\u202f3D Guided Generative AI Blueprint<\/a>. Technologie te generuj\u0105 obrazy 2D na podstawie uproszczonych scen 3D stworzonych w programie Blender. W tym przypadku scena nie wymaga szczeg\u00f3\u0142owych modeli ani tekstur – wystarczy szkic i mapa g\u0142\u0119bi, kt\u00f3re kieruj\u0105 dzia\u0142aniem modelu AI. Mo\u017cna to por\u00f3wna\u0107 do wczesnego etapu tworzenia lokacji w grach: rozmieszczasz obiekty, definiujesz kompozycj\u0119 i zachowanie kamery, a AI generuje finalny obraz. Technika wymaga u\u017cycia prompt\u00f3w, kt\u00f3re mog\u0105 by\u0107 powi\u0105zane z konkretn\u0105 lokalizacj\u0105, co zapewnia powtarzalno\u015b\u0107 efekt\u00f3w w grach. Obecnie generowane grafiki s\u0105 ju\u017c bardzo realistyczne, cho\u0107 czasem nadmiernie wyedytowane fotograficznie, a wraz z post\u0119pem technologii mo\u017cliwe b\u0119dzie tworzenie nie tylko pojedynczych obraz\u00f3w, ale tak\u017ce d\u0142u\u017cszych wideo opartych na scenach 3D.<\/p>\n

\"Czy<\/a><\/p>\n

Test NVIDIA GeForce RTX 4090 Laptop pod k\u0105tem wykorzystania w generatywnej AI: NVIDIA NIM, Blueprint oraz Blender<\/a><\/p>\n

W tym miejscu om\u00f3wili\u015bmy obecny poziom tej technologii, ale patrz\u0105c w niedalek\u0105 przysz\u0142o\u015b\u0107, zastosowanie takich technik w grach mog\u0142oby znacz\u0105co przyspieszy\u0107 tworzenie t\u0142a czy element\u00f3w \u015bwiata 3D, ograniczaj\u0105c czas pracy grafik\u00f3w, przy jednoczesnym zachowaniu pe\u0142nej modyfikowalno\u015bci sceny dzi\u0119ki prostym modelom. Warto zauwa\u017cy\u0107, \u017ce aby technologia w pe\u0142ni mog\u0142a zast\u0105pi\u0107 rasteryzacj\u0119 w renderowaniu neuronowym, konieczne by\u0142oby opracowanie sposobu generowania map g\u0142\u0119bi, kt\u00f3re dzi\u015b powstaj\u0105 przy u\u017cyciu klasycznej rasteryzacji. D\u0142ugofalowo i hipotetycznie po\u0142\u0105czenie technik opartych na AI mog\u0142oby umo\u017cliwi\u0107 generowanie ca\u0142ych gier w czasie rzeczywistym, gdzie \u015bwiat powstaje krok po kroku na bazie szkic\u00f3w 3D. Nie oznacza to jednak, \u017ce ka\u017cdy gracz otrzyma\u0142by unikalny i losowy \u015bwiat w tym samym tytule – wyzwaniem pozostaje utrzymanie dok\u0142adno\u015bci i powtarzalno\u015bci generowanego \u015bwiata wzgl\u0119dem wizji tw\u00f3rc\u00f3w. Odpowiednio zaprojektowane sceny i starannie skonstruowane, skryptowane prompty powinny pozwoli\u0107 uzyska\u0107 niemal identyczny wynik.<\/p>\n

\n

Jensen Huang z NVIDII spodziewa si\u0119 dalszego dynamicznego rozwoju AI. Apeluje o inwestycje w infrastruktur\u0119 obliczeniow\u0105<\/a><\/p>\n

W bardziej zaawansowanych i przewidywalnych scenariuszach mo\u017cliwe b\u0119dzie ca\u0142kowite ograniczenie roli prompt\u00f3w poprzez trenowanie modeli AI na podstawie grafik koncepcyjnych, obraz\u00f3w 2D oraz model\u00f3w 3D powsta\u0142ych z generacji w sieciach neuronowych NVIDIA GET3D<\/a>, Stable Point Aware 3D<\/a>, czy OpenAI Point\u2011E, a nawet scen wygenerowanych przy u\u017cyciu technik takich jak NeRF. Dzi\u0119ki temu model m\u00f3g\u0142by samodzielnie teksturowa\u0107, symulowa\u0107 \u015bwiat\u0142o i uzupe\u0142nia\u0107 obiekty 3D zgodnie z wizj\u0105 deweloper\u00f3w gier, bez sta\u0142ego polegania na warunkowaniu tekstowym. Mo\u017cna r\u00f3wnie\u017c spodziewa\u0107 si\u0119, \u017ce FLUX.1\u2011dev od Black Forest Labs (model bazowy dla NVIDIA\u202f3D Guided Generative AI Blueprint) b\u0119dzie dalej rozwijany, potencjalnie z mo\u017cliwo\u015bci\u0105 fine-tuningu bezpo\u015brednio na modelach 3D, a nie tylko 2D, jak ma to miejsce obecnie. \u0141\u0105cz\u0105c obecnie rozwijane technologie, modele NeRF, modele dyfuzji (np. SIGNeRF, DiffusioNeRF) i FLUX.1\u2011dev, w przysz\u0142o\u015bci mo\u017cliwe b\u0119dzie osi\u0105gni\u0119cie rekonstrukcji scen 3D z dok\u0142adno\u015bci\u0105 blisk\u0105 1:1 na podstawie jedynie uproszczonych modeli 3D, co pozwoli uzyska\u0107 maksymaln\u0105 deterministyczno\u015b\u0107 generowanego \u015bwiata, praktycznie eliminuj\u0105c losowo\u015b\u0107.<\/p>\n

\"Czy<\/a><\/p>\n

AMD i Sony prezentuj\u0105 trzy nowe rozwi\u0105zania, kt\u00f3re trafi\u0105 do przysz\u0142ych uk\u0142ad\u00f3w SoC dla konsol i kart graficznych Radeon<\/a><\/p>\n

Kolejnym zagadnieniem pozostaje fizyka obiekt\u00f3w i kolizje w grach, cho\u0107 w praktyce problem jest cz\u0119\u015bciowo ograniczony: dzi\u0119ki mapowaniu sceny w silniku gry dla modeli AI, obliczenia fizyki i kolizji nadal mog\u0105 by\u0107 realizowane na CPU dla uproszczonych modeli 3D. Podobnie w przypadku postaci, bowiem ich fizyczne modele i animacje mog\u0142yby by\u0107 symulowane tradycyjnie, a AI odpowiada\u0142aby za generowanie warstwy wizualnej oraz zachowa\u0144 w obr\u0119bie widocznego pola gry. Warto doda\u0107, \u017ce istniej\u0105 ju\u017c wyszkolone sieci neuronowe do generowania animacji. W efekcie ta cz\u0119\u015b\u0107 pozostaje w du\u017cej mierze niezmieniona, cho\u0107 pojawia si\u0119 pytanie o dok\u0142adno\u015b\u0107 kolizji w sytuacjach, gdy AI wygeneruje np. ceg\u0142\u0119 lekko odsuni\u0119t\u0105 od \u015bciany, podczas gdy dla fizyki b\u0119dzie to prosty blok. Takie rozbie\u017cno\u015bci nie s\u0105 nowo\u015bci\u0105, gdy\u017c obecnie wiele wypuk\u0142o\u015bci w grach jest jedynie z\u0142udzeniem nak\u0142adanych tekstur, dlatego trudno jednoznacznie oceni\u0107, czy stanowi lub b\u0119dzie to stanowi\u0107 realny problem.<\/p>\n

\n

Audio2Face 3D udost\u0119pniony za darmo. NVIDIA otwiera kod \u017ar\u00f3d\u0142owy zaawansowanego systemu lip-sync wspomaganego AI<\/a><\/p>\n

Co ciekawe, specjalnie wyszkolone modele LLM<\/a> mog\u0142yby odpowiada\u0107 za interakcje z NPC, co ju\u017c dzi\u015b jest technicznie wykonalne w ograniczonych \u015brodowiskach, cho\u0107 temat ten wymaga\u0142by osobnego om\u00f3wienia. Kolejnym istotnym wyzwaniem pozostaje wydajno\u015b\u0107 sprz\u0119tu, a w szczeg\u00f3lno\u015bci ograniczenia VRAM i op\u00f3\u017anienia w generowaniu klatek. W miar\u0119 odchodzenia od klasycznej rasteryzacji coraz wi\u0119cej pami\u0119ci GPU mo\u017ce by\u0107 zajmowane przez modele AI. Przyk\u0142ad tego mo\u017cna ju\u017c zaobserwowa\u0107 przy w\u0142\u0105czaniu technik upscalingu z generowaniem klatek, gdzie zaj\u0119to\u015b\u0107 VRAM wzrasta \u015brednio o 0,5 GB. Jednostki cieniuj\u0105ce stopniowo ust\u0119puj\u0105 miejsca jednostkom dedykowanym obliczeniom neuronowym. Cho\u0107 nie przek\u0142ada si\u0119 to automatycznie na ni\u017cszy pob\u00f3r energii, pozwala uzyska\u0107 wi\u0119ksz\u0105 elastyczno\u015b\u0107 i wy\u017csze przyrosty wydajno\u015bci w liczbie klatek na sekund\u0119, a tak\u017ce zwi\u0119ksza potencja\u0142 realistycznego odwzorowania \u015bwiata. Pewnym wyzwaniem pozostaj\u0105 op\u00f3\u017anienia, jednak wraz ze wzrostem wydajno\u015bci modeli AI, akcelerator\u00f3w oraz szybszych po\u0142\u0105cze\u0144 (PCIe i interkonekty w chipach) problem ten powinien stopniowo male\u0107. Istnieje jednak ryzyko, \u017ce post\u0119p w przesyle danych mo\u017ce zosta\u0107 ograniczony przez fizyczne granice miniaturyzacji tranzystor\u00f3w.<\/p>\n

Rasteryzacja stopniowo traci na znaczeniu, a w przysz\u0142o\u015bci coraz wi\u0119cej zada\u0144 zwi\u0105zanych z generowaniem grafiki przejm\u0105 systemy AI. W perspektywie kolejnych dekad mo\u017cemy spodziewa\u0107 si\u0119 koordynacji wielu sieci neuronowych b\u0119d\u0105cych ekosystemem do tworzenia gier. Najbli\u017csze lata poka\u017c\u0105, czy ta wizja rzeczywi\u015bcie si\u0119 spe\u0142ni.<\/p>\n

\"Czy<\/a><\/p>\n

AMD potwierdza prace nad mikroarchitektur\u0105 Zen 6 i Zen 7. Nowa generacja kart Radeon skupi si\u0119 na Ray Tracingu i AI<\/a><\/p>\n

Podsumowuj\u0105c, rasteryzacja b\u0119dzie stopniowo traci\u0107 znaczenie, a coraz wi\u0119cej zada\u0144 zwi\u0105zanych z generowaniem grafiki przejm\u0105 AI i sieci neuronowe. Obecnie wspieraj\u0105 klasyczn\u0105 rasteryzacj\u0119 (DLSS\/FSR), w niedalekiej przysz\u0142o\u015bci b\u0119d\u0105 uzupe\u0142nia\u0142y j\u0105 przy generowaniu o\u015bwietlenia i ray tracingu, a\u017c w ko\u0144cu mog\u0105 j\u0105 w pe\u0142ni zast\u0105pi\u0107 w procesie tworzenia klatek. Obecnie jest to jeszcze eksperymentalne, ale kierunek rozwoju bran\u017cy jest wyra\u017any: hybryda rasteryzacji i AI ewoluuje w stron\u0119 \u015bwiata, w kt\u00f3rym wi\u0119kszo\u015b\u0107 generowania grafiki b\u0119dzie oparta na modelach neuronowych. Rasteryzacja w najprostszych zadaniach najprawdopodobniej pozostanie obecna, jednak straci rol\u0119 wiod\u0105c\u0105 i b\u0119dzie pe\u0142ni\u0107 funkcj\u0119 dostarczania danych dla AI, np. map g\u0142\u0119bi.<\/p>\n

\"Czy<\/a><\/p>\n

Sztuczna inteligencja w grach wchodzi na nowy poziom. NVIDIA pokazuje, \u017ce ma\u0142e modele mog\u0105 wi\u0119cej ni\u017c wielkie LLM-y<\/a><\/p>\n

W perspektywie kolejnych dekad bardziej prawdopodobna wydaje si\u0119 koordynacja wielu sieci neuronowych tworz\u0105cych ekosystem do tworzenia gier zamiast polegania na pojedynczym modelu AI wykonuj\u0105cym wszystko. Nie oznacza to jednak odci\u0105\u017cenia deweloper\u00f3w gier, a raczej istotn\u0105 zmian\u0119 w charakterze ich pracy. Graficy mog\u0105 w wi\u0119kszym stopniu skupia\u0107 si\u0119 na tworzeniu modeli obiekt\u00f3w nie bezpo\u015brednio do gier, lecz do nauki sieci neuronowych, dostarczaj\u0105c dane wsadowe i poprawiaj\u0105c generowane przez AI tre\u015bci, zamiast tradycyjnego rze\u017abienia w Blenderze. Programi\u015bci, opr\u00f3cz obs\u0142ugi silnik\u00f3w fizyki, logiki gry i skrypt\u00f3w, mog\u0105 odpowiada\u0107 za przygotowanie sekwencji prompt\u00f3w oraz wdro\u017cenie i fine-tuning modeli AI na bazie wcze\u015bniej opracowanych modeli 3D i grafik.<\/p>\n

\"Czy<\/a><\/p>\n

AMD FSR Redstone w ko\u0144cu doczeka si\u0119 oficjalnej prezentacji. Pakiet technologii AI trafi do kart Radeon RX 9000 w grudniu<\/a><\/p>\n

Oczywi\u015bcie, jest to scenariusz hipotetyczny, oparty na analizie bada\u0144 i obserwacji obecnego rozwoju technologii, \u0142\u0105cz\u0105cy dost\u0119pne informacje i moje w\u0142asne przemy\u015blenia dotycz\u0105ce przysz\u0142o\u015bci AI w grafice. Najbli\u017csze lata poka\u017c\u0105, czy wizja ta si\u0119 zi\u015bci, czy te\u017c jak ostrzegaj\u0105 niekt\u00f3rzy, mo\u017ce okaza\u0107 si\u0119 ba\u0144k\u0105 AI. Nie ulega w\u0105tpliwo\u015bci, \u017ce kurs obrany przez najwi\u0119ksze firmy technologiczne stanowi praktyczne remedium na coraz wolniejszy przyrost wydajno\u015bci typowej rasteryzacji i ograniczenia miniaturyzacji tranzystor\u00f3w.<\/p>\n","protected":false},"excerpt":{"rendered":"Czy si\u0119 to komu\u015b podoba, czy nie – technologie oparte na sztucznej inteligencji, a dok\u0142adniej na modelach g\u0142\u0119bokiego…\n","protected":false},"author":2,"featured_media":124616,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[20],"tags":[323,26556,5986,1168,2074,4811,26557,120,118,119,26558,26559,455,42,38,40,39,41,26560,26561,26562,26563,116,114,115,777,121,117],"class_list":{"0":"post-124615","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-nauka-i-technika","8":"tag-amd","9":"tag-blueprint","10":"tag-grafika-3d","11":"tag-grafika-komputerowa","12":"tag-gry","13":"tag-intel","14":"tag-modele-ai","15":"tag-nauka","16":"tag-nauka-i-technika","17":"tag-naukatechnika","18":"tag-nerf","19":"tag-nim","20":"tag-nvidia","21":"tag-pl","22":"tag-poland","23":"tag-polish","24":"tag-polska","25":"tag-polski","26":"tag-przewidywania","27":"tag-rasteryzacja","28":"tag-renderowanie-neuronowe","29":"tag-rozwoj-technologiczny","30":"tag-science","31":"tag-science-and-technology","32":"tag-sciencetechnology","33":"tag-sztuczna-inteligencja","34":"tag-technika","35":"tag-technology"},"share_on_mastodon":{"url":"https:\/\/pubeurope.com\/@pl\/115634315738321824","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/pl\/wp-json\/wp\/v2\/posts\/124615","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/pl\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/pl\/wp-json\/wp\/v2\/comments?post=124615"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/pl\/wp-json\/wp\/v2\/posts\/124615\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/pl\/wp-json\/wp\/v2\/media\/124616"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/pl\/wp-json\/wp\/v2\/media?parent=124615"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/pl\/wp-json\/wp\/v2\/categories?post=124615"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/pl\/wp-json\/wp\/v2\/tags?post=124615"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}