What Is Neural Rendering? How AI Is Replacing the Graphics Pipeline

Cuando NVIDIA mostró DLSS 4 generando quince de cada dieciséis píxeles con IA, una buena parte del público no vio un avance. Vieron "fotogramas falsos" y "basura de IA": detalle generado que parece correcto hasta que deja de serlo, y que no puedes depurar como depurarías un polígono fuera de lugar. Un informe de PCGuide sobre una encuesta de la comunidad halló que el 54% de las respuestas fueron un simple "No" sobre DLSS 5, con buena parte de las críticas dirigidas a los rasgos faciales y a la reacción de "basura de IA". Esa reacción merece tomarse en serio, y volveremos a ella.

Pero el problema mayor en cada uno de esos argumentos es que "renderizado neuronal" se usa para al menos cinco cosas distintas: escalado, fotogramas generados por IA, reconstrucción de escenas a partir de fotos, las demos de NeRF y Gaussian Splatting que has visto en redes sociales, y los sistemas de investigación que renderizan una imagen entera con una sola red. La gente discute sin entenderse porque cada uno señala una capa distinta usando la misma palabra. Jensen Huang, de NVIDIA, ha llamado a este cambio un "momento GPT para los gráficos." Esa es la afirmación. La pregunta útil es qué ocurre por debajo de ella.

Este es el hilo conductor que hace legible todo el asunto: la GPU cada vez predice más la imagen en lugar de calcularla. Tradicionalmente, la GPU calcula cada píxel simulando geometría, iluminación y materiales (rasterización y, más recientemente, trazado de rayos encima). El renderizado neuronal cambia lo que se calcula frente a lo que se predicho mediante una red entrenada. Esa única distinción es la columna vertebral de este artículo. Al final podrás situar cualquier técnica en un espectro, saber cuáles funcionan en tiempo real y en qué hardware, y distinguir lo que ya está en un juego hoy de lo que es un artículo de investigación o una demo de GTC. Esto es un mapa, no un tutorial. La mecánica profunda de cada técnica concreta da para artículos propios.

La versión corta

• El renderizado neuronal es un espectro, no un sinónimo de DLSS. Abarca la investigación en reconstrucción de escenas (NeRF, Gaussian Splatting), los componentes en tiempo real que se sitúan dentro de la canalización de renderizado (DLSS, Ray Reconstruction, caché de radiancia neuronal) y los métodos generativos que inventan detalle que el fotograma nunca tuvo.
• El hilo conductor es "predecir en lugar de calcular." Cada técnica sustituye una etapa costosa y calculada de la canalización por una red que predice el resultado para el que fue entrenada.
• La mayoría de lo que se lanza hoy es híbrido. El escalado, la generación de fotogramas y el reducción de ruido por IA ya funcionan en juegos en tiempo real, mientras que la compresión neuronal de texturas y los shaders neuronales están surgiendo a través de kits para desarrolladores. Los renderizadores neuronales completos que dibujan toda la imagen con una red siguen en fase de investigación.
• Está volviéndose multifabricante, no solo una historia de NVIDIA. El trabajo de Microsoft sobre ML a nivel de shader en DirectX comenzó con Cooperative Vectors en Shader Model 6.9 y avanza hacia un soporte de álgebra lineal más amplio en Shader Model 6.10, dando a los motores una vía para abordar cargas de trabajo de shaders de estilo neuronal más allá del stack de un solo fabricante.

Por qué "renderizado neuronal" significa cinco cosas distintas

El renderizado neuronal es una clase de métodos que usan redes neuronales para predecir partes de una imagen (píxeles, iluminación, materiales, incluso fotogramas enteros) que la GPU calcularía de otro modo desde cero. El estudio de Tewari et al. lo define como la combinación de gráficos por computadora clásicos con modelos generativos profundos para obtener resultados fotorrealistas. El término abarca un amplio espectro, y "DLSS" es un punto dentro de él.

La razón de que la conversación sea un lío es que el espectro tiene al menos tres capas distintas, y el público usa una sola palabra para todas ellas.

La primera capa es el renderizado neuronal académico / de reconstrucción: NeRF, 3D Gaussian Splatting y el renderizado diferenciable. Estos toman fotografías o mediciones de una escena real y aprenden una representación desde la que puedes renderizar nuevos ángulos de cámara. El artículo original de NeRF (Mildenhall et al., 2020) entrena una red pequeña para asignar una coordenada 3D y una dirección de visión a color y densidad, y luego renderiza vistas nuevas consultándola. Esta capa es mayormente fuera de línea. Reconstruye escenas; no impulsa el bucle de fotogramas de tu juego.

La segunda capa es el renderizado neuronal de canalización en tiempo real: redes que se ejecutan dentro o junto a un fotograma rasterizado normal. El escalado DLSS, Ray Reconstruction y la caché de radiancia neuronal viven aquí. La canalización sigue rasterizando y trazando rayos; una red se encarga de una etapa costosa de ella. Esta es la capa que se lanza hoy en los juegos.

La tercera capa es el renderizado neuronal generativo: la red produce contenido de imagen que el fotograma nunca llegó a calcular. Los fotogramas generados de DLSS 4 se sitúan en el borde de esto, y DLSS 5 (que NVIDIA ha anunciado para el otoño de 2026) avanza más en ello al generar detalle de iluminación y materiales en lugar de solo interpolar entre fotogramas renderizados.

Estas tres capas se comportan de forma distinta, funcionan a velocidades distintas y necesitan hardware distinto. Tratarlas como una sola cosa es la razón de que dos personas puedan decir a la vez "el renderizado neuronal está sobrevalorado" y "el renderizado neuronal es el futuro" y ambas tengan algo de razón.

Conclusión de la sección: El término es anterior a DLSS y no es sinónimo de él. DLSS es una aplicación (en tiempo real, dentro de la canalización) dentro de un espectro mucho más amplio que va desde la reconstrucción de escenas fuera de línea hasta los fotogramas totalmente generados.

Cómo el renderizado neuronal está reemplazando partes de la canalización por fuerza bruta

Con la generación multifotograma completa de DLSS 4, aproximadamente quince de cada dieciséis píxeles en pantalla son producidos por IA en lugar de renderizados de forma tradicional (según las cifras de DLSS 4 de NVIDIA). Esa cifra es todo el cambio comprimido en una sola estadística: el renderizador calcula una fracción de la imagen y predice el resto.

El renderizado tradicional se gana cada píxel. La GPU rasteriza la geometría, ejecuta shaders para calcular iluminación y materiales y (con trazado de rayos) simula la luz rebotando por la escena. El trazado de rayos en particular es brutalmente costoso, porque la luz realista necesita muchos rebotes y muchas muestras por píxel, y el ruido del submuestreo hay que limpiarlo después. A medida que las escenas se volvieron más ambiciosas, las etapas más costosas se convirtieron en los objetivos obvios: en lugar de calcularlas, entrenar una red para predecir su resultado.

La progresión ha sido constante en lugar de repentina:

• 2018, DLSS 1.0. El primer paso comercial: renderizar a baja resolución, predecir la imagen de alta resolución. Pasar el escalado de "calcular más píxeles" a "predecir más píxeles."
• 2020, NeRF. Reconstrucción de escenas a partir de imágenes mediante un campo de radiancia aprendido. Predecir vistas nuevas en lugar de modelar y renderizar geometría.
• 2021, caché de radiancia neuronal. Predecir la luz rebotada durante el trazado de caminos para que el renderizador pueda dejar de trazar antes.
• 2022, generación de fotogramas de DLSS 3. Generar fotogramas intermedios enteros en lugar de renderizarlos.
• 2023, 3D Gaussian Splatting. Una alternativa más rápida y orientada al tiempo real frente a NeRF para escenas reconstruidas.
• 2025, DLSS 4 + RTX Kit. Generación multifotograma más un conjunto de componentes neuronales (compresión de texturas, caché de radiancia, shaders neuronales).
• 2025, DirectX Cooperative Vectors (versión preliminar). Una API multifabricante para el cálculo matricial que necesitan los shaders neuronales (presentada en versión preliminar como parte de Shader Model 6.9).
• 2026, DLSS 4.5. Mejoras incrementales de calidad y de Ray Reconstruction (descritas por NVIDIA en Computex).
• Otoño de 2026, DLSS 5 (anunciado). El siguiente impulso hacia el renderizado neuronal generativo.

Leído de arriba abajo, cada fila es el mismo movimiento aplicado a una etapa distinta: tomar algo que la canalización solía calcular y hacer que una red lo prediga en su lugar.

Las seis capas: qué reemplaza la IA en cada etapa de la canalización

Seis técnicas concentran la mayor parte del renderizado neuronal en tiempo real de hoy, y cada una reemplaza una etapa calculada concreta: escalado (resolución), generación de fotogramas (número de fotogramas), reconstrucción de rayos (reducción de ruido), caché de radiancia neuronal (iluminación global), compresión neuronal de texturas (almacenamiento de materiales) y shaders neuronales (cálculo dentro del shader). Saber qué etapa toca cada una es casi toda la batalla.

Estas se dividen según en qué punto de la canalización se ejecuta la red. Algunas operan al final del todo como un posprocesado sobre un fotograma terminado; otras se ejecutan a mitad de la canalización junto al trazado de rayos; otras viven dentro del propio shader. Esa ubicación no es un detalle. Determina la rapidez con que puede funcionar la técnica y qué hardware necesita. La tabla mapea esas seis técnicas; las subsecciones siguientes explican el mecanismo que no encajaba bien en cada celda.

Escalado por IA (superresolución)

El escalado por IA renderiza el fotograma a una resolución menor y predice el resultado de alta resolución, de modo que la GPU dibuja muchos menos píxeles y una red rellena la estructura. DLSS, el FSR 4 de AMD y el XeSS de Intel hacen todos esto mediante sobremuestreo temporal: muestrean píxeles distintos a lo largo de fotogramas consecutivos y combinan ese historial con vectores de movimiento para reconstruir detalle que un único fotograma de baja resolución no contiene.

Esta es la capa más madura y desplegada de forma más amplia, y es donde la realidad multifabricante es más clara. DLSS 4 cambió su escalador de una red convolucional a un transformer para una mayor estabilidad del detalle. FSR 4 es el primer escalador basado en ML de AMD, que funciona en RDNA 4 con inferencia FP8 en lugar de las heurísticas escritas a mano de versiones anteriores de FSR. XeSS usa las unidades matriciales XMX de Intel. Tres fabricantes, la misma idea de fondo: predecir los píxeles que no renderizaste.

Generación de fotogramas y generación multifotograma

La generación de fotogramas predice fotogramas enteros entre los que la GPU realmente renderiza, combinando datos del juego como los vectores de movimiento con estimación de flujo óptico e IA. DLSS 3 usaba el Acelerador de Flujo Óptico de la serie RTX 40 para insertar un fotograma generado entre fotogramas renderizados; la generación multifotograma de DLSS 4 en hardware de la serie RTX 50 puede generar hasta tres fotogramas adicionales por cada fotograma renderizado de forma tradicional, y NVIDIA afirma que DLSS 4 sustituye el paso de flujo óptico por hardware por un modelo de IA más eficiente.

Esta es la capa de la que realmente trata el argumento de los "fotogramas falsos", y aquí importa el encuadre. Un fotograma generado es una interpolación plausible de hacia dónde iba la escena: te muestra contenido visual aprovechable. Pero es predicho, no renderizado a partir del estado real del juego, y no acarrea lógica de juego ni entradas nuevas. Crucialmente, la generación de fotogramas se ejecuta después de que se renderiza un fotograma, lo que añade latencia en lugar de eliminarla; el Reflex 2 de NVIDIA existe específicamente para recuperar esa latencia. Así que "la generación de fotogramas hace el juego más rápido" es una verdad parcial: aumenta la fluidez percibida (más fotogramas mostrados) sin aumentar la tasa a la que el juego realmente se actualiza y responde. Esa brecha entre lo que ves y lo que el juego sabe es todo el debate, y para el juego competitivo, donde la latencia de entrada decide los resultados, es un compromiso que conviene sopesar.

Ray Reconstruction (reducción de ruido por IA)

Ray Reconstruction sustituye la pila de filtros de reducción de ruido ajustados a mano de la que depende el renderizado por trazado de rayos por una única red neuronal entrenada para reconstruir una imagen limpia a partir de una entrada por trazado de rayos ruidosa y submuestreada. El trazado de caminos solo puede permitirse unas pocas muestras de luz por píxel en tiempo real, lo que deja la salida en bruto ruidosa; algo tiene que limpiarla antes de que la veas.

El enfoque tradicional era una cadena de reductores de ruido especializados, cada uno ajustado a mano para un efecto concreto. Cambiar eso por una única red entrenada tiende a preservar detalle que los filtros ajustados a mano emborronaban, sobre todo en reflejos e iluminación fina, y es una red que mantener en lugar de una frágil canalización de ellas. Este es un ejemplo claro del hilo conductor: la etapa de reducción de ruido pasó de "calcular con heurísticas escritas a mano" a "predecir con un modelo entrenado."

Caché de radiancia neuronal (iluminación global)

La caché de radiancia neuronal (NRC) predice cómo rebota la luz por una escena para que el trazador de caminos pueda dejar de trazar la mayoría de los rayos antes, en lugar de seguir cada rebote hasta el final. La iluminación global (la luz suave e indirecta que rebota en paredes y suelos) es una de las cosas más costosas en los gráficos en tiempo real, y el mecanismo que hace funcionar la NRC rara vez se explica en lenguaje llano, así que vale la pena detenerse en él.

Este es el mecanismo. Un trazador de caminos normalmente sigue cada rayo de luz a través de muchos rebotes, que es donde el coste se dispara. La NRC entrena una red pequeña durante el renderizado (no de antemano) para predecir la luz que llega a un punto tras rebotes posteriores. Así, el trazador de caminos traza un rayo durante un rebote o dos, luego pregunta a la red "¿cuál es el resto de la luz aquí?" y termina el camino antes; el artículo sobre caché de radiancia neuronal en tiempo real (Müller et al., 2021) reporta terminar de este modo la gran mayoría de los caminos. Piénsalo como una caché que no almacena respuestas exactas que ha visto antes, sino que aprende el patrón de la iluminación de la escena lo bastante bien como para responder a consultas que no ha visto, y sigue reaprendiendo a medida que la escena cambia. NVIDIA reporta que la NRC funciona con aproximadamente 2,6 ms de sobrecarga, que es lo que la hace viable en tiempo real en lugar de una curiosidad de investigación.

Compresión neuronal de texturas

La compresión neuronal de texturas (NTC) comprime todos los canales de textura de un material juntos con una red, alcanzando hasta 8 veces de ahorro de VRAM frente a la compresión por bloques tradicional con una calidad visual similar (según la documentación del RTX Kit de NVIDIA). Un material moderno no es una sola textura. Es una pila de ellas (color, normales, rugosidad, metalicidad y más), y esos canales están correlacionados de maneras que la compresión por bloques, que comprime cada canal de forma independiente, descarta.

La NTC aprovecha esa correlación. Al aprender la estructura conjunta de todos los canales de un material a la vez, almacena el mismo material en mucha menos memoria y lo decodifica al vuelo en el momento del renderizado. La VRAM es una restricción persistente a medida que los juegos suben el detalle de las texturas, así que "meter 8 veces más material en la misma memoria" es una ventaja directa y práctica en lugar de un truco visual.

Shaders neuronales y DirectX Cooperative Vectors

Los shaders neuronales ejecutan redes neuronales pequeñas dentro de un shader programable (los programas por píxel/por vértice que la GPU ya ejecuta) para que una red pueda aproximar un efecto calculado costoso justo donde se necesita ese efecto. En lugar de acoplar la IA como un paso aparte, el MLP se ejecuta como parte del shader en las unidades matriciales de la GPU (Tensor Cores en el hardware de NVIDIA).

Los Tensor Cores manejan el cálculo matricial sobre el que se ejecutan estas redes, distintos de los núcleos de propósito general que manejan el resto del trabajo. Lo que convierte a los shaders neuronales de una función de un solo fabricante en una capacidad más amplia de la industria es la capa de API que hay debajo de ellos. Microsoft presentó DirectX Cooperative Vectors en versión preliminar con Shader Model 6.9 en 2025 para exponer operaciones vectoriales/matriciales dentro de los shaders HLSL. Para 2026, Shader Model 6.9 había pasado a la versión final, y Microsoft dijo que Cooperative Vector quedaba obsoleto en favor de un diseño de álgebra lineal más amplio previsto para Shader Model 6.10. La conclusión segura no es que Cooperative Vectors sea la API definitiva, sino que DirectX avanza hacia un soporte de ML a nivel de shader multifabricante.

Conclusión de la sección: Las seis técnicas se ordenan según dónde se ejecuta la red: posprocesado al final del fotograma, a mitad de la canalización junto al trazado de rayos, o dentro del propio shader. Esa ubicación es lo que determina si una técnica puede funcionar en tiempo real y qué hardware necesita.

Qué funciona en tiempo real, y en qué hardware

La línea del tiempo real es más nítida de lo que sugiere el bombo: el escalado por IA suele funcionar con baja sobrecarga, la NRC añade aproximadamente 2,6 ms, y el 3D Gaussian Splatting se acerca al tiempo real para escenas estáticas. El NeRF original y los renderizadores neuronales completos como RenderFormer son firmemente solo de investigación, tardando demasiado por fotograma para un uso interactivo. "El renderizado neuronal es en tiempo real" es cierto para la capa dentro de la canalización y falso para las capas de reconstrucción y de renderizador completo.

Esa división sigue el espectro con exactitud. Algunos componentes dentro de la canalización, especialmente el escalado, la generación de fotogramas y Ray Reconstruction, ya funcionan en juegos publicados. Otros, como la NRC, la NTC y los shaders neuronales, se describen mejor como tecnologías para desarrolladores y funciones de kits emergentes que como funciones de producción comunes. La capa de reconstrucción es un caso mixto: el NeRF original es lento, pero el 3D Gaussian Splatting fue un empuje deliberado hacia el tiempo real y lo logra para escenas estáticas. La capa de renderizador totalmente neuronal (una sola red produciendo la imagen entera) es donde vive la investigación y los tiempos por fotograma están muy lejos de ser interactivos.

El hardware es la otra mitad de la respuesta, y aquí es donde aterriza la historia multifabricante. Cada técnica aquí funciona sobre las unidades de cálculo matricial que las GPU modernas incorporan para la inferencia de IA:

• NVIDIA tiene Tensor Cores en cada tarjeta RTX desde la serie 20 en adelante, que es la razón de que la mayoría de estas técnicas debutaran allí.
• AMD orienta actualmente su FSR Upscaling basado en ML a las GPU RDNA 4 / serie Radeon RX 9000 para la vía de ML; en hardware anterior, el SDK de AMD recurre a las vías analíticas de FSR 3.1.5. Trata un soporte más amplio de GPU antiguas como un punto de hoja de ruta en movimiento, no como una función garantizada de FSR 4 salvo que cites un anuncio concreto de AMD.
• Intel usa los motores matriciales XMX en las GPU Arc para XeSS.

El propio DLSS está condicionado por generación: el escalado funciona hasta la serie RTX 20, la generación de fotogramas original necesita la serie RTX 40, y la generación multifotograma es solo de la serie RTX 50. Si intentas razonar sobre lo que puede hacer una tarjeta dada, ese condicionamiento por generación es la respuesta práctica, no el nivel de marketing.

Lo que puedes usar hoy frente a lo que está por venir: el escalado, la generación de fotogramas y Ray Reconstruction están disponibles en juegos hoy. Los componentes del RTX Kit como la NRC, la NTC y los shaders neuronales están disponibles como tecnologías y herramientas para desarrolladores, pero no deberías dar a entender que todos ellos ya son comunes en los juegos publicados. Gaussian Splatting tiene herramientas abiertas usables para la captura de escenas. Lo que aún no está aquí: los renderizadores neuronales completos que dibujan un fotograma entero con una sola red, los shaders neuronales multifabricante maduros (el soporte de AMD es incipiente) y las funciones generativas de DLSS 5 (anunciadas para el otoño de 2026). Si quieres experimentar con el lado de la reconstrucción (ejecutar NeRF o cargas de inferencia tú mismo), eso es un trabajo de cómputo en GPU , no algo que tu juego haga por ti.

Lo que el renderizado neuronal no es: cinco conceptos erróneos

La mayoría de los argumentos sobre renderizado neuronal se vuelven más fáciles una vez que identificas de qué capa del espectro trata la afirmación. Cinco conceptos erróneos aparecen una y otra vez.

1. "El escalado DLSS es renderizado neuronal." DLSS es an aplicación del renderizado neuronal, la capa en tiempo real dentro de la canalización, no todo el campo. El término es anterior a DLSS e incluye NeRF, Gaussian Splatting y los métodos generativos. Equiparar ambos es como llamar a "bases de datos" un sinónimo de un producto que casualmente usas.

2. "La generación de fotogramas hace los juegos más rápidos." Aumenta el número de fotogramas que ves, lo que hace que el movimiento se vea más fluido, pero se ejecuta después del renderizado y añade latencia. La tasa a la que el juego se actualiza y responde a tus entradas no aumenta. Para el juego competitivo esa latencia es un compromiso real; para la fluidez visual es una ventaja genuina. "Más rápido" confunde las dos cosas.

3. "DLSS 5 es consciente del 3D / lee la escena 3D." Este es el que más vale la pena entender bien, porque la cobertura tecnológica sigue caracterizándolo mal. Tal como lo describe NVIDIA, DLSS 5 toma como entradas los datos de color y los vectores de movimiento de cada fotograma, y luego usa su modelo entrenado para inferir la semántica de la escena, como personajes, cabello, tela, piel y condiciones de iluminación. Está anclado en el contenido del juego, pero NVIDIA no lo describe como una lectura directa del archivo de escena 3D completo del juego. "Guiado por 3D" significa que la inferencia es coherente con la geometría (respeta cómo se mueven y se relacionan las superficies), no que la red lea la geometría de la escena directamente. La distinción importa porque acota lo que la técnica puede y no puede saber.

4. "NeRF ya es en tiempo real." Depende de qué técnica te refieras, que es justo el problema del espectro. El NeRF original no es en tiempo real. El 3D Gaussian Splatting se acerca al tiempo real para escenas estáticas. Los sistemas de investigación que renderizan un fotograma completo con una sola red (RenderFormer y similares) no son en tiempo real en absoluto. "NeRF" se ha convertido en un cajón de sastre para media docena de métodos con velocidades muy dispares.

5. "El renderizado neuronal reemplazará pronto a la rasterización." Los sistemas de hoy son híbridos: los componentes neuronales se sitúan dentro de una canalización de rasterización y trazado de rayos, no en su lugar. Reemplazar por completo la canalización clásica con un solo renderizador generativo es un objetivo de investigación a largo plazo, no una dirección de producto a corto plazo. Toma "el futuro es totalmente neuronal" como una dirección de avance, no como una predicción con fecha.

Conclusión de la sección: La única causa raíz de casi todo desacuerdo sobre renderizado neuronal es que la gente usa la misma palabra para distintas capas del espectro. Sitúa la afirmación en el espectro primero, y la mayor parte de la discusión desaparece.

Hacia dónde va esto

La trayectoria es coherente con todo lo anterior: canalizaciones híbridas hoy, más etapas pasando de calcular a predecir, shaders neuronales multifabricante ampliando quién puede lanzar esto, y la frontera del renderizador totalmente neuronal todavía a años de distancia. El siguiente paso para el consumidor es DLSS 5, anunciado para el otoño de 2026, que entra en el renderizado neuronal generativo al producir detalle de iluminación y materiales que el juego nunca calculó, en lugar de solo interpolar entre fotogramas renderizados. NVIDIA ha mostrado la tecnología en contextos de la serie RTX 50, pero sus requisitos finales de hardware de consumo deberían tratarse como no confirmados hasta que NVIDIA publique una lista de compatibilidad clara.

La mirada al futuro tiene dos mitades. En el lado cercano, el movimiento que más importa no es ninguna técnica concreta. Es la estandarización. La vía DirectX de Microsoft pasa de Cooperative Vectors hacia un álgebra lineal a nivel de shader más amplia, lo que podría permitir a los motores abordar cargas de trabajo de estilo neuronal sin apostar por una sola marca de GPU. En el lado lejano, los investigadores de NVIDIA han descrito un punto final de futuro lejano, a veces planteado como un hipotético "DLSS 10," donde el renderizador es totalmente neuronal y la canalización clásica ha desaparecido (reportado de segunda mano de una mesa redonda de Digital Foundry; trátalo como una dirección declarada, no como una hoja de ruta). El punto final de la escalera es un sistema que genera un mundo coherente en lugar de dibujar uno.

Conviene mantener el escepticismo, eso sí. El detalle generado puede desviarse de la intención artística, y una red puede alucinar imágenes plausibles pero erróneas que no tienen equivalente tradicional que depurar: un problema de control de calidad señalado en la GDC 2026, y la sustancia detrás de buena parte de la reacción de "basura de IA". Construir para hacia dónde van los gráficos no significa fingir que la salida actual está terminada. Significa observar qué etapas pasan de calcular a predecir a continuación, y juzgar cada una por lo que le hace a la imagen en lugar de por la palabra que tiene pegada.

Preguntas frecuentes

¿Es DLSS renderizado neuronal?

Sí, pero es solo un tipo. DLSS es una aplicación del renderizado neuronal: en concreto la capa en tiempo real dentro de la canalización, que abarca el escalado por IA y la generación de fotogramas. El término más amplio es anterior a DLSS y también incluye métodos de reconstrucción de escenas como NeRF y Gaussian Splatting y métodos generativos que inventan detalle de imagen nuevo. Así que toda función de DLSS es renderizado neuronal, pero mucho renderizado neuronal no es DLSS.

¿Cuál es la diferencia entre el renderizado neuronal y el trazado de rayos?

El trazado de rayos simula la luz calculando cómo rebotan los rayos por una escena; el renderizado neuronal predice resultados a partir de una red entrenada en lugar de calcularlos. No son rivales. Se combinan. Ray Reconstruction, por ejemplo, usa una red neuronal para reducir el ruido de una salida ruidosa por trazado de rayos, y la caché de radiancia neuronal predice la luz rebotada para que el trazador de rayos pueda parar antes. Las técnicas neuronales hacen que el trazado de rayos sea asequible en tiempo real.

¿La generación de fotogramas de DLSS añade latencia?

Sí. La generación de fotogramas se ejecuta después de que se renderiza un fotograma e inserta fotogramas predichos entre los renderizados, lo que añade latencia en lugar de eliminarla: el Reflex 2 de NVIDIA existe específicamente para compensar. Aumenta la fluidez percibida (más fotogramas mostrados) sin aumentar la rapidez con que el juego se actualiza y responde a las entradas. Para el juego competitivo es un compromiso; para la fluidez en un jugador suele ser una ganancia neta.

¿Es NeRF en tiempo real?

Depende de qué técnica te refieras. El NeRF original no es en tiempo real. El 3D Gaussian Splatting, un método posterior, se acerca al tiempo real para escenas estáticas. Los renderizadores neuronales completos que dibujan un fotograma entero con una sola red son solo de investigación y están lejos de las velocidades interactivas. "NeRF" se usa a menudo de forma laxa para abarcar varios métodos con rendimientos muy distintos, que es la fuente de la mayor parte de la confusión.

¿Reemplazará el renderizado neuronal a la rasterización?

No pronto. Los sistemas de hoy son híbridos: los componentes neuronales se ejecutan dentro de una canalización de rasterización y trazado de rayos, no en su lugar. Reemplazar la canalización clásica por completo con un solo renderizador generativo es un objetivo de investigación a largo plazo, no un producto a corto plazo. La dirección realista es que más etapas de la canalización pasen de calculadas a predichas con el tiempo, con la rasterización todavía haciendo trabajo real durante años.

¿Qué es la compresión neuronal de texturas?

La compresión neuronal de texturas (NTC) es un método neuronal que comprime todos los canales de textura de un material juntos (color, normales, rugosidad y el resto), alcanzando hasta 8 veces de ahorro de VRAM frente a la compresión por bloques tradicional con una calidad visual similar, según NVIDIA. Funciona aprendiendo las correlaciones entre canales que la compresión por bloques, que comprime cada canal por separado, descarta. El material comprimido se decodifica al vuelo en el momento del renderizado.