Durante décadas, la industria del videojuego ha seguido una regla bastante sencilla: si quieres mejores gráficos, necesitas más potencia.
Más resolución.
Más polígonos.
Más efectos.
Más ray tracing.
Más memoria.
Y, por supuesto, una tarjeta gráfica más potente.
Sin embargo, algo está cambiando.
La inteligencia artificial está entrando directamente en el proceso de renderizado y está modificando la relación entre potencia de hardware y resultado visual.
Uno de los ejemplos más conocidos es DLSS, la tecnología de NVIDIA que utiliza modelos de IA para reconstruir imágenes, generar fotogramas y mejorar determinados efectos visuales.
Y aquí está lo interesante.
El futuro de los videojuegos probablemente no consista simplemente en fabricar GPUs cada vez más potentes.
En realidad, consistirá en combinar hardware, software e inteligencia artificial para conseguir mucho más con cada ciclo de procesamiento.
¿Qué es DLSS?
DLSS significa Deep Learning Super Sampling y es un conjunto de tecnologías de renderizado neuronal desarrollado por NVIDIA.
En sus primeras versiones, su función era relativamente sencilla de explicar: renderizar una imagen a una resolución inferior y utilizar inteligencia artificial para reconstruir una imagen de mayor resolución.
Por ejemplo, un juego puede renderizar internamente menos píxeles y utilizar DLSS Super Resolution para generar una imagen final con una resolución superior.
Para conseguirlo, el sistema utiliza información de varios fotogramas, datos de movimiento y otros elementos de la escena. De esta forma, la inteligencia artificial puede reconstruir el resultado con una calidad visual elevada.
La ventaja resulta bastante clara:
la GPU no tiene que calcular todos los píxeles finales desde cero.
En su lugar, la IA ayuda a reconstruir parte de esa información.
Como consecuencia, es posible obtener más rendimiento manteniendo una calidad de imagen elevada en determinadas condiciones.
DLSS ya no es solamente “subir la resolución”
Aquí es donde el concepto original de DLSS se queda corto.
Con el paso del tiempo, esta tecnología ha evolucionado considerablemente.
Actualmente, el ecosistema DLSS incluye diferentes tecnologías:
- Super Resolution, para reconstruir imágenes de mayor resolución a partir de entradas de menor resolución.
- Frame Generation, para generar fotogramas adicionales mediante IA.
- Multi Frame Generation, capaz de generar varios fotogramas entre los renderizados tradicionalmente.
- Ray Reconstruction, que utiliza IA para mejorar determinados efectos relacionados con el ray tracing.
- DLAA, que utiliza tecnología basada en DLSS para mejorar el antialiasing trabajando a resolución nativa.
Además, las versiones más recientes incorporan modelos Transformer y nuevas técnicas de generación de fotogramas. Por tanto, DLSS ya no puede definirse simplemente como una herramienta para “hacer una imagen más grande”.
Estamos hablando de IA integrada dentro del pipeline gráfico.
La GPU ya no tiene que hacerlo todo de la manera tradicional
Aquí aparece el verdadero cambio de paradigma.
Durante mucho tiempo, aumentar el rendimiento significaba aumentar la capacidad de cálculo.
Más potencia bruta permitía renderizar más píxeles, más efectos y escenas más complejas.
Ahora bien, la inteligencia artificial introduce otra posibilidad:
resolver determinadas partes del proceso de una manera diferente.
En lugar de calcular absolutamente todo mediante renderizado tradicional, algunas partes del resultado pueden reconstruirse o generarse mediante modelos neuronales.
Eso no significa que la potencia de la GPU deje de importar.
Al contrario.
DLSS necesita hardware especializado y, dependiendo de la función utilizada, determinadas generaciones de GPUs RTX.
Los Tensor Cores, por ejemplo, están diseñados para acelerar operaciones relacionadas con inteligencia artificial.
Por eso, no estamos sustituyendo el hardware por IA.
Estamos haciendo que ambos trabajen juntos.
¿Significa esto el fin de las tarjetas gráficas cada vez más potentes?
No.
Y este matiz es importante.
Decir que DLSS permitirá que dejemos de necesitar GPUs más potentes sería exagerar bastante.
Los videojuegos siguen aumentando su complejidad. Al mismo tiempo, los motores gráficos incorporan iluminación más avanzada, mundos más grandes, simulaciones más complejas y técnicas como el ray tracing y el path tracing.
Todo ello continúa necesitando capacidad de cálculo.
Lo que está cambiando es la relación entre esa capacidad y el resultado final.
Una GPU más potente puede hacer más.
Sin embargo, una GPU que además utiliza modelos de IA puede procesar determinadas tareas de una forma más eficiente o generar información que antes tenía que calcularse de otra manera.
La diferencia es importante.
No estamos entrando en una época de “menos potencia”.
Estamos entrando en una época de más inteligencia aplicada a la potencia.
Y NVIDIA quiere llevar esto todavía más lejos
La evolución no se ha detenido en las versiones actuales de DLSS.
NVIDIA ya presenta DLSS 5, que incorpora renderizado neuronal guiado por 3D para generar iluminación y materiales más realistas dentro de las escenas.
Además, la tecnología está diseñada para que los desarrolladores puedan ajustar el resultado de acuerdo con la dirección artística de cada juego.
Desde el punto de vista del diseño, esto resulta especialmente interesante.
La IA deja de ser únicamente una herramienta para “mejorar una imagen”.
Poco a poco, empieza a formar parte de cómo se construye visualmente una imagen.
Y ahí el cambio es mucho mayor.
Del renderizado tradicional al renderizado neuronal
Podríamos imaginar dos formas diferentes de trabajar.
Por un lado, está el cálculo tradicional de cada elemento de la escena mediante las técnicas habituales de renderizado.
Por otro, encontramos un sistema que combina ese procesamiento con modelos capaces de reconstruir, generar o mejorar determinadas partes del resultado.
Esto es precisamente lo que NVIDIA denomina neural rendering o renderizado neuronal.
DLSS utiliza modelos entrenados para analizar información visual y temporal y generar resultados de mayor calidad.
Además, en versiones recientes NVIDIA ha incorporado arquitecturas Transformer para determinadas funciones, buscando mejorar aspectos como la estabilidad temporal, el detalle en movimiento y la calidad de imagen.
En consecuencia, aparece una idea que probablemente veremos cada vez más:
el ordenador ya no solo calcula imágenes. También aprende cómo deberían verse.
¿Qué tiene que ver esto con el diseño gráfico?
Mucho más de lo que puede parecer.
En Lumazaki nos interesa especialmente esta evolución porque existe un paralelismo evidente con lo que está ocurriendo en las herramientas creativas.
Actualmente, la inteligencia artificial ya participa en tareas que antes dependían exclusivamente de procesos tradicionales.
Por ejemplo:
- Generar imágenes.
- Eliminar elementos.
- Reconstruir partes de una fotografía.
- Ampliar una imagen.
- Crear variaciones.
- Generar vídeo.
- Automatizar tareas repetitivas.
Sin embargo, existe una diferencia fundamental:
la herramienta no decide qué merece la pena hacer.
Puede ayudarte a producir un resultado.
Ahora bien, no necesariamente puede decidir qué resultado necesita una marca.
Y esa diferencia es enorme.
Más potencia no significa automáticamente mejor diseño
Imagina dos diseñadores.
Uno tiene el ordenador más potente del mercado.
El otro trabaja con un equipo mucho más modesto.
El primero podrá abrir archivos más grandes, aplicar determinados efectos con mayor rapidez y trabajar con proyectos pesados con más comodidad.
Sin embargo, eso no significa que vaya a diseñar una identidad de marca mejor.
¿Por qué?
Porque el diseño no funciona únicamente mediante potencia de cálculo.
Necesita estrategia.
También necesita concepto, jerarquía, criterio, tipografía y composición.
Sobre todo, requiere entender qué necesita comunicar una marca.
La inteligencia artificial puede acelerar determinados procesos.
Pero no convierte automáticamente una mala idea en una buena idea.
El futuro será una combinación de hardware e IA
Quizá esta sea la verdadera conclusión que podemos extraer de DLSS.
La evolución tecnológica no siempre consiste en sustituir una cosa por otra.
Muchas veces consiste en combinar diferentes tecnologías para conseguir un resultado mejor.
Hardware + software.
GPU + modelos de IA.
Renderizado tradicional + renderizado neuronal.
Creatividad humana + herramientas generativas.
De hecho, la propia evolución de DLSS demuestra ese camino.
Primero llegó la reconstrucción de imagen.
Después apareció la generación de fotogramas.
Más tarde llegaron la generación de múltiples fotogramas y nuevos modelos Transformer.
Ahora NVIDIA está llevando la IA todavía más cerca de la generación visual de las propias escenas.
La gran pregunta no es cuánto puede hacer la IA
Quizá estemos haciendo la pregunta equivocada.
Durante años hemos preguntado:
“¿Cuánta potencia tiene esta tarjeta gráfica?”
A partir de ahora, cada vez tendrá más sentido preguntar:
“¿Qué puede conseguir esta tarjeta con esa potencia?”
La diferencia parece pequeña, pero cambia bastante la conversación.
Dos sistemas con una capacidad de cálculo similar pueden ofrecer resultados diferentes dependiendo de cómo aprovechen sus recursos.
Además, esto no ocurre únicamente en los videojuegos.
También está sucediendo en fotografía, vídeo, diseño 3D, edición de imagen y herramientas creativas.
La tecnología está pasando de intentar hacer más trabajo a intentar hacerlo de una manera más inteligente.
Conclusión
DLSS no significa que vayamos a dejar de necesitar tarjetas gráficas potentes.
Significa algo mucho más interesante.
La potencia bruta ya no es la única variable importante.
La inteligencia artificial permite reconstruir imágenes, generar fotogramas, mejorar determinados efectos y participar cada vez más directamente en el proceso de renderizado.
Mientras NVIDIA continúa desarrollando nuevas generaciones de DLSS, la frontera entre renderizado tradicional y renderizado neuronal seguirá haciéndose más pequeña.
En diseño gráfico estamos viviendo algo parecido.
Las herramientas cada vez hacen más cosas.
Precisamente por eso, el criterio creativo adquiere todavía más importancia.
Cuando todo el mundo tiene acceso a herramientas capaces de producir resultados espectaculares, la diferencia vuelve a estar en saber qué hacer con ellas.
No siempre gana quien tiene más potencia.
Muchas veces gana quien sabe utilizarla mejor.