多年來，圖形管線一直依賴于成熟且固定的功能工作負載，如幾何處理、光柵化、紋理貼圖和著色。這種傳統方法為渲染提供了可預測的結構，每個階段都提供特定且易于理解的功能。

然而，這種模式已經悄然發生了深刻轉變?，F代渲染的特點如今是計算驅動流程、神經推理以及對AI輔助圖像形成的日益依賴。AI在圖形學中的作用已超越了輔助功能的范疇；它正逐漸成為圖像渲染、增強、重建和合成方式中不可或缺的一部分。

因此，GPU的未來方向是明確的：它們必須在桌面平臺、云平臺和邊緣設備中融入高效的AI加速能力。如今的芯片負責處理從幾何處理到圖像增強和重建的各種工作負載。這一轉變使AI加速成為現代渲染的核心支柱，推動著當代系統圖形質量與能力的提升。

在整個行業中，現代圖形引擎正從以片段處理為主的管線轉向以計算為主導的模式，這一點在高端PC引擎和主機級工作負載中尤為明顯。對比早期引擎與當代管線可以清晰看到這一變化：傳統管線由片段著色主導，而現代引擎將越來越多的幀時間分配給計算工作負載。光照、材質評估、可見性處理以及后處理正不斷遷移到計算驅動階段。

當代渲染管線越來越依賴計算著色器來驅動光照、材質、可見性和后期處理。傳統片段著色的比例正在穩步下降；計算著色器以及超分辨率、降噪和增強技術已經占據了GPU幀處理時間的很大一部分。像DLSS和FSR這樣的技術，曾經被視為高端特性，現在已成為現代引擎中的標準配置。它們利用神經網絡從較低分辨率的輸入重建高分辨率幀，應用高質量降噪，并在嚴格的延遲限制下保持時間穩定性。

我們內部分析清晰地反映了這一轉變。在現代渲染管線中，越來越多的幀延遲不再直接花費在“繪制”像素上，而是花費在通過神經方法，從一個稀疏的基礎（較低分辨率輸入、較少的著色樣本和激進的時間復用）來推斷出一個感知上完整的圖像。

商業硬件決策也體現了這一模式。例如，索尼從PlayStation 5向PlayStation 5 Pro的升級中，GPU子系統的硅面積大約增加了4倍，其中絕大部分用于神經計算，而非傳統著色或固定功能光線追蹤。這反映了行業的明確判斷：未來圖像質量的提升將主要來自重建與推理，而非單純提高片段吞吐量。

從架構角度看，實時3D圖形始終是一門“近似科學”，而非數學上的完全精確。其核心約束從來不是正確性，而是受限的延遲和能耗，這迫使引擎必須激進地剔除那些對感知畫質提升不明顯的計算?？梢娦圆眉?、細節層次（LOD）、時間復用和重建技術，本質上都遵循同一原則：去除不必要的計算，將硅面積和功耗預算集中用于真正能帶來差異化體驗的部分。

這一理念對GPU設計產生了直接影響。隨著工作負載越來越由重建、推理和近似計算主導，架構重點從最大化原始片段吞吐量轉向在渲染流水線內部高效執行中小規模神經網絡。神經著色器正是這一趨勢的自然演進：將緊湊的神經網絡嵌入著色階段，使近似過程以數據驅動的方式被“學習”，并與現有著色執行和內存訪問模式緊密耦合。

要高效支持這一點，就需要GPU將神經執行視為頭等架構關注點，而非輔助性的計算任務。需要針對低延遲、高利用率以及與傳統著色進行細粒度集成進行優化，而不是將其視為孤立的、面向批處理的推理任務。

雖然神經超分辨率已經成為主流，但神經著色器（直接嵌入在著色管線內部的小型網絡）正涌現為實時圖形學的下一個重大變革。行業技術成熟度分析表明，神經著色正從早期創新階段邁向本十年后期的更廣泛應用。我們已經發布了神經近似技術的相關研究，預計未來GPU需要將高效神經執行作為常規著色工作負載的一部分，而非獨立的計算路徑。

研發趨勢也支持這一判斷。預測圖形工作負載未來方向的最快方式之一，就是關注SIGGRAPH。過去兩年中，神經驅動圖形研究的數量顯著激增，例如：

神經材質和神經隱式表面，為復雜資產提供實時、可學習的表示。

基于擴散的資產提取和內容合成，使用生成模型來生成和優化3D內容。

神經降噪、重建和混合生成工作流，在最近的SIGGRAPH出版物中隨處可見。

神經驅動的藝術和設計工具，將AI直接嵌入內容創作管線。

規劃多年架構的硬件團隊必須認識到這一時間線，因為今天設計的GPU模塊必須支持2028年及以后的工作負載。涵蓋材質、動畫、渲染和工具的神經圖形研究，其數量和廣度都確鑿無疑地表明，AI已成為計算機圖形學中的基礎學科。綜上所述，行業信號是一致的：渲染不再是關于最大化FP32片段吞吐量，而是關于靈活的、通用的計算。

而當未來的圖形工作負載嚴重依賴神經處理時，GPU架構師就不能依賴標量或傳統的著色器核心來高效運行它們。神經工作負載需要更高的計算密度、更低的單次推理能耗，并支持與著色器緊密集成且具有互補內存訪問模式的中小型網絡。

正因如此，Imagination正將AI加速直接集成到GPU架構中，使客戶能夠支持計算機圖形的前沿發展。我們的E-Series GPU IP同時支持圖形處理和通用推理應用，通過AI加速單元與傳統著色集群的緊密融合，在低功耗下提供高吞吐性能。

在未來，實時圖形將由重建、近似和神經執行來定義，將AI視為渲染管線中的頭等部分不是可有可無的——而是必不可少的。

欲深入了解Imagination高效能GPU IP如何應對先進制程挑戰，請立即預約與團隊會面。

作者：Ed Plowman

英文鏈接：https://blog.imaginationtech.com/the-transformation-of-graphics-pipelines

聲明：本文為原創文章，轉載需注明作者、出處及原文鏈接。