Mod Nvidia DLSS 5 przenosi renderowanie neuronowe na drugi GPU, ale 127% wymaga kontekstu
Scena modów Nvidia DLSS 5 przyniosła uderzający eksperyment: przeniesienie renderowania neuronowego na drugi GPU i odzyskanie nawet 127% wydajności. Deweloper Marcelo Guibout przetestował ten pomysł z dwiema kartami GeForce RTX 5060 Ti. Jedna karta renderowała grę, a druga przetwarzała gotowy obraz.
Taki podział zmienia równanie wydajności wokół DLSS 5. Nvidia zaprojektowała swój nowy renderer neuronowy, aby poprawiać oświetlenie, materiały, skórę, włosy i inne złożone elementy wizualne. Model zużywa jednak znaczną część czasu GPU, gdy konkuruje z tradycyjnym renderowaniem na tej samej karcie.
Dodatek MGPU Bridge autorstwa Guibouta przenosi tę konkurencję poza GPU renderujący. Podejście przypomina konfiguracje z dedykowanymi kartami PhysX, używane przez niektórych entuzjastów PC przed laty. Nie odtwarza jednak SLI, ponieważ obie karty nie dzielą zwykłej pracy renderowania.
Wczesne wyniki są zachęcające, ale nie stanowią konwencjonalnych benchmarków gamingowych. Demonstracje obejmują ograniczony sprzęt, krótkie sesje oraz implementację wstrzykiwaną bez natywnych danych silnika. Ścieżka z drugim GPU wprowadza też do równania dodatkowe wyświetlacze, opóźnienia, ograniczenia kompatybilności i kolejną kartę graficzną.
Mod Nvidia DLSS 5 rozdziela dwa kosztowne zadania
MGPU Bridge traktuje renderowanie neuronowe jako odłączalny etap końcowy, a nie kolejne zadanie konkurujące w głównym potoku renderowania.
Eksperyment pojawił się 7 września, tydzień po opublikowaniu przez Nvidia szczegółów technicznych DLSS 5. Guibout pokazał system przetwarzający materiał z The Blood of Dawnwalker oraz rozgrywkę z Cyberpunk 2077.
Demonstracja z dwoma GPU wykorzystywała dwie karty RTX 5060 Ti 16GB. Obie działały przez połączenia PCIe 5.0 x8 w głównej maszynie testowej. System zawierał także procesor Ryzen 7 7800X3D i 32GB pamięci DDR5.
MGPU Bridge jest dodatkiem do ReShade, co oznacza, że podłącza się do wyjścia graficznego gry za pośrednictwem frameworka ReShade. Identyfikuje adapter renderujący grę i tworzy oddzielne urządzenie Direct3D 12 na drugim GPU.
Karta renderująca najpierw tworzy gotową klatkę. MGPU Bridge następnie kopiuje tę klatkę przez współdzieloną między adapterami alokację pamięci. Drugi GPU stosuje DLSS Neural Rendering i wyświetla wynik przez własne wyjście.
Taki układ eliminuje konieczność odsyłania przetworzonego obrazu z powrotem do pierwszej karty. W obecnej konstrukcji każdy GPU wymaga więc podłączonego wyświetlacza. Wynik neuronowy pojawia się na monitorze podłączonym do drugiego GPU.
Ten aspekt odróżnia eksperyment od tradycyjnego renderowania wielo-GPU. SLI dzieliło pracę renderowania między karty, zanim klatka została ukończona. MGPU Bridge pozostawia obciążenie renderowania gry na jednej karcie i przenosi jedynie końcowy etap neuronowy.
Dokumentacja projektu określa oprogramowanie jako kod badawczy, a nie produkt konsumencki. Podkreśla również, że pierwotny proces renderowania gry pozostaje nienaruszony. Most odczytuje ukończoną klatkę i wykonuje swoją pracę gdzie indziej.
Ten projekt jest możliwy, ponieważ etap neuronowy znajduje się blisko końca potoku graficznego. Przyjmuje obraz i zwraca zmieniony obraz. Operację końcową łatwiej umieścić na innym procesorze niż pracę osadzoną w całym silniku.
Koncepcja przywodzi na myśl dedykowane karty PhysX, które przetwarzały fizykę, podczas gdy osobny GPU obsługiwał grafikę. Porównanie opisuje jednak wyłącznie podział pracy. MGPU Bridge nie korzysta ze starej architektury PhysX ani nie wskrzesza porzuconego przez Nvidia modelu SLI.
Guibout testował również osobną maszynę z Ryzen 5 5600 i pamięcią DDR4. Wynik ten sugeruje, że most nie wymaga flagowego procesora. Oba mierzone systemy nadal jednak wykorzystywały dwie karty RTX 5060 Ti w głównych porównaniach.
Eksperyment tworzy istotne napięcie dla Nvidia. DLSS początkowo miał odzyskiwać wydajność poprzez renderowanie mniejszej liczby pikseli. DLSS 5 dodaje kosztowny etap neuronowy, który może pochłonąć znaczną część możliwości zaoszczędzonych dzięki skalowaniu obrazu.
Przeniesienie tego etapu na inne urządzenie ponownie uwidacznia pierwotną korzyść wydajnościową. Ujawnia też, jak wymagające pozostaje renderowanie generatywne przy budżecie czasowym klatki w czasie rzeczywistym.
Dlaczego raportowany wzrost o 127% wymaga uważnej lektury
Najwyższy odsetek opisuje poprawę względem mocno ograniczonego wyniku renderowania neuronowego, a nie uniwersalny zysk względem zwykłej wydajności DLSS.
Opublikowane dane pochodziły z The Blood of Dawnwalker w rozdzielczości 1920 na 1080. Guibout porównał trzy konfiguracje w trybach DLAA, Quality, Performance i Ultra Performance.
DLSS super resolution pozostawał aktywny przez całe porównanie. Pierwsza konfiguracja wyłączała wyłącznie etap renderowania neuronowego DLSS 5. Reprezentowała przybliżony pułap wydajności dla każdego wybranego trybu renderowania.
W trybie DLAA test osiągał od 67 do 70 klatek na sekundę bez renderowania neuronowego. Uruchomienie etapu neuronowego na karcie renderującej obniżyło wydajność do 44 FPS. Przeniesienie go przywróciło raportowany wynik między 67 a 70 FPS.
Tryb Quality zapewnił od 98 do 99 FPS bez etapu neuronowego. Wynik spadł do 54–55 FPS, gdy jedna karta obsługiwała oba obciążenia. Konfiguracja z drugim GPU osiągnęła 91 FPS.
Tryb Performance pokazał większą różnicę. System generował od 127 do 131 FPS bez renderowania neuronowego, 59 FPS z pracą neuronową na karcie renderującej oraz od 106 do 107 FPS po przeniesieniu zadania.
Tryb Ultra Performance osiągnął 172 FPS przy wyłączonym etapie neuronowym. Zapewniał od 69 do 71 FPS, gdy karta renderująca przetwarzała również renderowanie neuronowe. Konfiguracja z drugą kartą osiągnęła 157 FPS.
Wynik nagłówkowy, wynoszący do 127%, pochodzi z porównania około 69 FPS z 157 FPS. To znaczne odzyskanie wydajności. Konfiguracja z przeniesionym obciążeniem nie działała jednak o 127% szybciej niż pułap bez renderowania neuronowego.
Odzyskała natomiast większość wydajności utraconej, gdy renderowanie neuronowe zajmowało główny GPU. W trybie Ultra Performance 157 FPS pozostawało poniżej pułapu 172 FPS. Tryby Quality i Performance wykazały podobne pozostałe różnice.
Guibout twierdzi, że ważniejsze ustalenie dotyczy skalowania między trybami. Obniżenie wewnętrznej rozdzielczości renderowania zwykle zmniejsza obciążenie tradycyjnego renderowania. Etap neuronowy nadal jednak działa w finalnej rozdzielczości wyjściowej.
Jego koszt spada więc znacznie mniej niż koszt renderowania. Na pojedynczej karcie przetwarzanie neuronowe zajmuje coraz większą część czasu klatki, gdy tradycyjne renderowanie staje się tańsze.
To zachowanie wyjaśnia, dlaczego konfiguracja jednokartowa wykorzystała jedynie 39% dostępnego wzrostu wydajności między DLAA a Ultra Performance. Ścieżka z przeniesionym obciążeniem zachowała podobno 86% tego dostępnego wzrostu.
Wyniki ujawniają wąskie gardło, a nie darmową wydajność. Drugi GPU przejmuje obciążenie, które już istniało. Główna karta może dzięki temu poświęcić większą część budżetu klatki na grę.
Raportowane temperatury wspierają tę interpretację. Przeniesienie etapu neuronowego obniżyło temperaturę karty renderującej o 21 stopni Celsjusza na jednej maszynie. Inna konfiguracja wykazała różnicę wynoszącą około 10 stopni.
Są to pomiary wewnątrz konkretnych systemów, a nie uniwersalne prognozy termiczne. Chłodniejsza praca nie oznacza też, że cała maszyna zużywa mniej energii. Obciążenie działa teraz na dwóch procesorach i dwóch układach chłodzenia.
Guibout wyraźnie opisuje filmy jako demonstracje techniczne, a nie benchmarki. Cyberpunk 2077 posłużył do obserwacji kompatybilności, stabilności i poboru energii. Opublikowane wyniki liczby klatek na sekundę pochodziły z The Blood of Dawnwalker.
Projekt nie oceniał też jakości obrazu. W konsekwencji liczby nie mogą odpowiedzieć na pytanie, czy wstrzykiwany wynik neuronowy zachował szczegóły, stabilność ruchu, kierunek artystyczny lub kolor w szerszej rozgrywce.
Wynik nadal ma znaczenie, ponieważ jego mechanizm jest spójny. Nasycony GPU musi harmonogramować renderowanie i inferencję neuronową w tych samych ograniczonych zasobach. Przeniesienie jednego obciążenia gdzie indziej daje pierwotnemu procesorowi przestrzeń do odzyskania wydajności.
Niepewne pozostaje, jak takie odzyskiwanie skaluje się na szybszych kartach, w wyższych rozdzielczościach, różnych grach i natywnych integracjach. Zmienne te mogą zmienić zarówno koszt neuronowy, jak i podstawowy koszt renderowania.
Neuronowe postprzetwarzanie jest prawdziwym konfliktem wydajnościowym
Eksperyment ma znaczenie, ponieważ DLSS 5 przekształca AI z asystenta rekonstrukcji w ważny etap renderowania z własnym trwałym zapotrzebowaniem na moc obliczeniową.
Wcześniejsze wersje DLSS przede wszystkim rekonstruowały obrazy o wyższej rozdzielczości z wejść o niższej rozdzielczości. Późniejsze wydania dodały rekonstrukcję promieni i generowane klatki pośrednie. Systemy te wykorzystywały uczenie maszynowe do poprawy wyniku przy jednoczesnym ograniczaniu części pracy tradycyjnego renderowania.
DLSS 5 zmienia rolę tego modelu. Nvidia opisuje go jako renderer generatywny, który współtworzy ostateczny wyświetlany wygląd. Uczy się wzorców wizualnych z danych ze świata rzeczywistego i stosuje je do tradycyjnej grafiki.
Według technicznego omówienia Nvidia model wykorzystuje jednoetapowy proces dyfuzji w przestrzeni pikseli. Modele dyfuzyjne generują lub przekształcają obrazy, ucząc się, jak powiązane są struktury wizualne, choć Nvidia dostosowała ten proces do pracy w czasie rzeczywistym.
Natywny system otrzymuje aktualnie wyrenderowaną klatkę, wektory ruchu, stan czasowy i kontrolki artystyczne. Wektory ruchu opisują, gdzie elementy obrazu przemieściły się między klatkami. Stan czasowy pomaga modelowi zachować spójność wyniku w czasie.
Nvidia twierdzi, że model pozostaje przyczynowy i deterministyczny. W tym kontekście przyczynowość oznacza, że nie potrzebuje przyszłych klatek. Deterministyczność oznacza, że identyczne wejścia powinny dawać ten sam wynik, co ma znaczenie dla przewidywalnej oprawy wizualnej gier.
Firma twierdzi również, że DLSS 5 może działać w rozdzielczościach do 4K na sprzęcie z serii RTX 50. Model celuje w efekty, które tradycyjne renderowanie w czasie rzeczywistym z trudem odtwarza niskim kosztem, w tym rozpraszanie światła w skórze i przenikanie światła przez liście.
To obciążenie różni się od zwykłego skalowania obrazu. Generowanie szczegółowych zmian materiałów i oświetlenia w rozdzielczości wyjściowej może pozostawać kosztowne nawet wtedy, gdy gra renderuje początkowy obraz z mniejszej liczby pikseli.
MGPU Bridge wykorzystuje ten podział. Tradycyjne renderowanie staje się tańsze, gdy gracze wybierają bardziej agresywne tryby DLSS. Etap postprzetwarzania nadal zajmuje się końcowym obrazem, przez co jego obciążenie pozostaje względnie stałe.
Rezultat prowadzi do nietypowego odwrócenia sytuacji. Funkcja kojarzona z wydajnością może zużywać wystarczająco dużo czasu GPU, by osłabić zyski zapewniane przez własny komponent super resolution.
Celem Nvidia nie są wyłącznie wyższe liczby klatek na sekundę. Jej ogłoszenie DLSS 5 przedstawia renderowanie neuronowe jako funkcję jakości obrazu. Firma chce, by model poprawiał oświetlenie i materiały ponad to, co deweloperzy mogą symulować w ramach zwykłej klatki.
To rozróżnienie ma znaczenie przy interpretowaniu wyników na pojedynczym GPU. Niższa liczba klatek na sekundę nie oznacza automatycznie, że DLSS 5 zawiódł. Gracze wymienialiby wydajność na ulepszenia neuronowe, podobnie jak już wymieniają wydajność na ray tracing.
Pozostaje pytanie, czy ten kompromis nadal jest atrakcyjny. Wymagająca funkcja musi zapewniać widoczne ulepszenia, które uzasadniają niższą natywną liczbę klatek na sekundę, większe opóźnienia lub silniejsze poleganie na generowanych klatkach.
Wczesne oficjalne testy potwierdzają te obawy. Pierwsze natywne wdrożenie pojawiło się w NBA 2K27, gdzie testy RTX 50 wykazały istotny wpływ na wydajność. Mimo to niemal każda testowana karta Blackwell zbliżała się do poziomu grywalności w 1080p.
Natywna integracja powinna mieć przewagę nad mostem Guibouta. Silnik gry może dostarczyć precyzyjne wektory ruchu, informacje o głębi oraz maski. Maski pozwalają deweloperom stosować przetwarzanie neuronowe wyłącznie tam, gdzie wnosi ono użyteczne szczegóły wizualne.
MGPU Bridge nie ma dostępu do takich informacji. Widzi końcowy obraz kolorowy po zakończeniu pracy przez silnik. Drugi GPU wyprowadza ruch za pomocą przepływu optycznego — metody szacującej ruch przez porównywanie zawartości obrazów.
Most nie dostarcza modelowi bufora głębi silnika. Nie może też uzyskać dostępu do masek zdefiniowanych przez deweloperów ani pełnych artystycznych elementów sterowania dostępnych w oficjalnej integracji.
To ograniczenie sprawia, że eksperyment jest jednocześnie mniej reprezentatywny i bardziej odkrywczy. Nie może pokazać, jak będzie działać prawidłowo zintegrowana gra. Pokazuje jednak, że końcowe obciążenie neuronowe może działać niezależnie od urządzenia renderującego.
Dla projektantów GPU rodzi to szersze pytanie architektoniczne. Czy przyszły sprzęt gamingowy powinien przeznaczać więcej odizolowanych zasobów na neuronowe przetwarzanie końcowe? Alternatywą jest dalsza konkurencja między inferencją neuronową a renderowaniem wewnątrz jednego dużego procesora.
Drugi konsumencki GPU jest dla większości graczy niepraktycznym rozwiązaniem. Dedykowany blok neuronowy, lepsze harmonogramowanie asynchroniczne lub ściślejsza koordynacja między zintegrowanymi procesorami rozwiązałyby ten sam konflikt wydajniej.
Poprawka z drugim GPU zwiększa opóźnienia, koszty i ograniczenia zgodności
MGPU Bridge odzyskuje wydajność renderowania kosztem komplikacji na poziomie systemu, które obecnie uniemożliwiają mu stanie się powszechnym rozwiązaniem dla DLSS 5.
Najbardziej bezpośrednim ograniczeniem jest sprzęt. Udokumentowane pomiary wykorzystały dwie karty RTX 5060 Ti 16GB. Nvidia początkowo pozycjonowała oficjalne wsparcie DLSS 5 wokół serii RTX 50, choć entuzjaści eksperymentowali ze zmodyfikowanymi ścieżkami na starszym sprzęcie.
W testach społeczności zaczęły pojawiać się konfiguracje mieszanych generacji. Repozytorium informuje o użytkowniku korzystającym z RTX 4080 Super jako karty renderującej i RTX 5060 Ti jako procesora neuronowego. Ta obserwacja pozostaje jednak węższa niż kontrolowany przegląd sprzętu.
Kolejnym wymogiem jest Direct3D 12. MGPU Bridge tworzy urządzenie D3D12 i łączy się ze ścieżką D3D12 ReShade. Gry korzystające z Direct3D 11 i Vulkan nie działają w obecnej implementacji.
Dodatek wymaga również ReShade 6.8.0 lub nowszego z pełnym wsparciem dla dodatków. Standardowa wersja wyłącznie z efektami nie załaduje wymaganego pliku. Użytkownicy muszą także dostarczyć komponent renderowania neuronowego Nvidia za pośrednictwem własnej kompatybilnej instalacji.
Dwa monitory stanowią większą praktyczną przeszkodę. Druga karta graficzna wyświetla przetworzony obraz bezpośrednio, zapobiegając kolejnemu transferowi przez połączenie PCIe. Druga karta działająca bez monitora może funkcjonować, ale Guibout zmierzył o 33% niższą przepustowość i około dwukrotnie większe opóźnienie.
Nawet przy dwóch wyświetlaczach kwestia opóźnień pozostaje nierozstrzygnięta. Projekt zmierzył około 8,3 milisekundy dla każdego neuronowego przebiegu 1080p na drugiej karcie. Nie zmierzono pełnego opóźnienia photon-to-photon, obejmującego cały okres od działania wejściowego do momentu, gdy zaktualizowane światło opuszcza wyświetlacz.
To rozróżnienie uniemożliwia formułowanie stanowczych twierdzeń o responsywności. Czas transferu, przetwarzanie neuronowe, synchronizacja, prezentacja na ekranie i kolejki klatek mogą wpływać na odczuwane opóźnienie.
Artykuł źródłowy twierdzi, że ścieżka wyświetlania podwaja opóźnienie wyświetlania. Dokumentacja Guibouta używa jednak ostrożniejszego języka, ponieważ pomiary end-to-end pozostają niedostępne. Wynik podobno sprawiał wrażenie grywalnego podczas krótkich sesji, lecz subiektywne odczucia nie mogą zastąpić testów instrumentalnych.
Oprogramowanie ma też inne eksperymentalne ograniczenia. Najdłuższa udokumentowana stabilna sesja Cyberpunk 2077 trwała 20 minut w 1440p. Długoterminowa stabilność pozostaje nieprzetestowana.
Zmiana rozdzielczości, trybu DLSS lub ustawień graficznych podczas działania może przerwać bieżące połączenie. Takie zmiany przebudowują swapchain gry, czyli strukturę zarządzającą klatkami oczekującymi na wyświetlenie. MGPU Bridge wiąże się z oryginalnymi wymiarami i formatem.
Generowanie klatek również nie zostało scharakteryzowane. Połączenie mostu z generowanymi klatkami wprowadziłoby kolejny etap harmonogramowania i prawdopodobnie następną kolejkę. Ta interakcja wymaga kontrolowanych testów, zanim ktokolwiek stwierdzi, że obie techniki dobrze współpracują.
Zarządzanie kolorem jest niekompletne. Jedna z testowanych gier zwracała wyblakły obraz, a obniżenie ustawienia tonu skorygowało go na komputerze dewelopera. To obejście nie potwierdza prawidłowego zachowania kolorów na różnych monitorach, w różnych formatach ani przy wyjściu o wysokim zakresie dynamicznym.
Zewnętrzne nakładki mogą powodować dalsze problemy, ponieważ proces zawiera teraz dwa swapchainy. Narzędzia monitorujące mogą przełączać się między strumieniem wyświetlania gry a strumieniem mostu. Takie zachowanie może utrudniać interpretację podstawowych odczytów wydajności.
Ograniczenia te wyjaśniają, dlaczego Guibout twierdzi, że projekt nie jest wizją Nvidia dla DLSS 5. Nie jest też powodem, by kupować kolejną kartę graficzną. Eksperyment izoluje zasadę techniczną w wąskim zestawie warunków.
Uzasadnienie finansowe byłoby trudne nawet przy poprawie zgodności. Drugi GPU wymaga dodatkowego slotu, wystarczającego zasilania, przepływu powietrza i przepustowości płyty głównej. Kompaktowe komputery stacjonarne oraz większość laptopów gamingowych nie są w stanie pomieścić takiej konfiguracji.
Znaczenie ma również całkowite zużycie energii. Karta renderująca działa chłodniej, ponieważ przekazuje część pracy, ale drugi procesor wykonuje ją zamiast niej. Pomiary poboru energii całego systemu muszą uwzględniać oba urządzenia, zanim ktokolwiek opisze przenoszenie obciążenia jako bardziej wydajne.
Natywna integracja pozostaje lepszą drogą dla zwykłych gier. Deweloperzy mogą wykorzystywać wektory ruchu silnika, głębię, informacje semantyczne i maski, aby ograniczać niepotrzebne przetwarzanie neuronowe. Zespoły sterowników mogą również optymalizować synchronizację bez polegania na układzie wyświetlania innej firmy.
Natywna integracja nie unieważnia jednak eksperymentu. Czyni jego wkład bardziej konkretnym. MGPU Bridge pokazuje, że neuronowe przetwarzanie końcowe nie musi z definicji współdzielić karty renderującej.
Co zmieniłoby eksperyment DLSS 5 z drugim GPU w realny kierunek rozwoju
Trzy sygnały zdecydują o tym, czy koprocesory neuronowe staną się trwałą architekturą, czy pozostaną demonstracją dla entuzjastów.
Pierwszym sygnałem są niezależne testy opóźnień. Recenzenci potrzebują pomiarów photon-to-photon dla natywnego DLSS 5 na pojedynczym GPU oraz konfiguracji z drugim GPU. Same średnie liczby klatek na sekundę nie opisują responsywności, gdy ukończone klatki przechodzą przez kolejne urządzenie przetwarzające.
Testy powinny również obejmować rozkłady czasu klatek. Wysoka średnia może ukrywać nieregularne dostarczanie, przestoje synchronizacji lub utracone wyjście neuronowe. Stabilne tempo wyświetlania ma podczas aktywnej rozgrywki takie samo znaczenie jak szczytowa przepustowość.
Jeśli niezależne testy wykażą niewielkie i konsekwentne opóźnienie, koncepcja koprocesora stanie się bardziej wiarygodna. Duże lub nieprzewidywalne opóźnienia osłabiłyby ją, zwłaszcza w grach akcji, gdzie znaczenie ma reakcja na sterowanie.
Drugim sygnałem jest szersze skalowanie sprzętowe. Dwie identyczne karty RTX 5060 Ti stanowią tylko jeden punkt na dużej krzywej wydajności. Szybsze karty renderujące mogą ujawnić ograniczenia wolniejszego procesora neuronowego, podczas gdy wyższe rozdzielczości wyjściowe mogą znacząco zwiększyć obciążenie przebiegu neuronowego.
Systemy z mieszanymi kartami zasługują na szczególną uwagę. Wielu entuzjastów posiada starszy zapasowy GPU, lecz obecna ścieżka nadal zależy od kompatybilnego sprzętu neuronowego. Użyteczna architektura wymagałaby przewidywalnych zasad łączenia, a nie kombinacji metodą prób i błędów.
Testy w 1440p i 4K wyjaśniłyby również, czy głównym ograniczeniem stają się transfery PCIe, czy inferencja neuronowa. Konfiguracje linii PCIe znacznie różnią się między konsumenckimi płytami głównymi, zwłaszcza po zainstalowaniu dwóch dużych urządzeń.
Jeśli metoda działa na kilku kartach i w różnych konfiguracjach linii, wesprze podstawowy model rozdzielenia obciążeń. Jeśli zyski znikną poza dopasowanymi kartami ze średniej półki, jej praktyczne znaczenie się zawęzi.
Trzecim sygnałem jest odpowiedź Nvidia poprzez oprogramowanie lub sprzęt. Firma mogłaby poprawić harmonogramowanie na jednym GPU, obniżyć koszt modelu neuronowego albo udostępnić obsługę wielu adapterów przez Streamline. Przyszłe GPU mogłyby także dodać więcej odizolowanej mocy neuronowej.
Oficjalny projekt Nvidia już otrzymuje bogatsze dane silnika niż mod. Lepsze maski i informacje o ruchu powinny ograniczyć marnowane przetwarzanie, jednocześnie poprawiając stabilność obrazu. Deweloperzy mogą więc rozwiązać znaczną część konfliktu bez drugiego urządzenia.
Mimo to eksperyment MGPU Bridge wskazuje granicę obciążenia, którą warto obserwować. Renderowanie neuronowe zużywa obecnie wystarczająco dużo stałej mocy obliczeniowej, by wpływać na sposób podziału potoku klatek.
Najbardziej prawdopodobna przyszłość nie jest powrotem do grania na dwóch kartach. To bardziej świadome rozdzielenie między konwencjonalną grafiką a generatywnym przetwarzaniem obrazu w obrębie jednego systemu.
To rozdzielenie może nastąpić poprzez dedykowane bloki sprzętowe, chiplety, zintegrowane procesory lub jawne interfejsy API wielu adapterów. Dokładna forma ma mniejsze znaczenie niż zasada harmonogramowania ujawniona przez mod Nvidia DLSS 5.
Dla graczy obecna rada pozostaje prosta. Traktuj opublikowane wyniki jako dowód istnienia mechanizmu, a nie rekomendację zakupową czy uniwersalny test porównawczy.
Dla deweloperów i badaczy sprzętu eksperyment stawia bardziej precyzyjne pytanie. Jeśli renderowanie neuronowe stanie się stałym etapem końcowym, czy powinno nadal konkurować z rendererem o te same zasoby?
Kolejna runda niezależnych danych o opóźnieniach, szersze testy GPU i aktualizacje integracji Nvidia powinny odpowiedzieć na to pytanie. Do tego czasu MGPU Bridge pozostaje pomysłową prezentacją techniczną z rzeczywistymi dowodami wydajności i równie rzeczywistymi ograniczeniami.
