Nvidia reduce el consumo de VRAM de 6.5 GB a menos de 970 MB con Neural Texture Compression

Cuando Nvidia anunció las RTX 50 en enero del año pasado, uno de los pilares de la arquitectura Blackwell era el renderizado neuronal, de lo cual se mostró uno demo técnica que mostraba los avances gráficos de esta tecnología, como también la enorme reducción de VRAM que esta podía implementar.

Poco después de que Jensen presentara DLSS 5 en GTC 2026, Nvidia habló sobre el renderizado neuronal durante una charla del mismo evento unos días más tarde. Esta presentación se enfoca en un nivel más técnico y en cómo esta tecnología no solo cambia los pipelines de renderizado, sino también cómo puede aplicarse a otras áreas como el gaming.

DLSS 5 es solo una parte del renderizado neuronal, y se ubica en el lado donde el machine learning se aplica al resultado final ya renderizado. En cambio, la sesión de GDC se centró en usar pequeñas redes neuronales dentro del propio pipeline de renderizado para decodificar texturas, evaluar materiales y reducir el tráfico de memoria. Es decir, motores neuronales más pequeños dedicados a tareas específicas, en lugar de un único filtro final.

El ejemplo más claro fue Neural Texture Compression (NTC). NVIDIA mostró su escena Tuscan Wheels pasando de unos 6.5 GB de VRAM con texturas comprimidas con BCN tradicional a solo 970 MB usando NTC, manteniendo una calidad de imagen cercana a la original. La compañía también afirmó que, con el mismo presupuesto de 970 MB, NTC conserva más detalle que la compresión por bloques convencional.

Este tipo de optimización implica instalaciones más livianas, parches más pequeños, menor consumo de ancho de banda y más margen para assets detallados en la misma GPU. Otro enfoque interesante del renderizado con IA son los Neural Materials, que siguen la misma lógica. En lugar de manejar grandes conjuntos de datos de texturas separadas y ejecutar cálculos BRDF más pesados, Nvidia comprime el comportamiento de los materiales en una representación latente compacta que luego se decodifica con una red pequeña.

En la demo, un setup de materiales con 19 canales se redujo a 8, y NVIDIA reportó mejoras de entre 1.4x y 7.7x en tiempos de renderizado a 1080p en esa escena de prueba. Esto no apunta tanto a crear nuevos gráficos, sino a almacenar y evaluar los mismos datos de forma más eficiente.

La polémica alrededor de DLSS 5 gira en torno al miedo de que la IA empuje a los juegos hacia un aspecto más genérico, interfiera con la dirección artística o altere la imagen final de maneras que los jugadores no quieren. Jensen Huang ya respondió a estas críticas, luego de que algunos usuarios y desarrolladores calificaran a DLSS 5 como “AI slop”.

Puede que NVIDIA se haya apresurado al mostrar DLSS 5 tan temprano y, en lugar de enfocarse en beneficios más claros para los jugadores —como menor uso de VRAM, mejor calidad de texturas o mejoras incrementales en el pipeline—, optó por promocionar una tecnología que podría cambiar radicalmente cómo se ven los juegos.

Acerca de Nvidia

NVIDIA es una compañía tecnológica fundada en 1993 y con sede en Santa Clara, California. Es reconocida mundialmente por el desarrollo de unidades de procesamiento gráfico (GPU), utilizadas tanto en videojuegos como en aplicaciones profesionales, inteligencia artificial y centros de datos. A lo largo de los años, la empresa ha evolucionado desde centrarse en gráficos para gaming hacia convertirse en uno de los principales actores en el ոլորտ de la computación acelerada.

La compañía es pionera en tecnologías como el trazado de rayos en tiempo real (ray tracing) y el uso de inteligencia artificial aplicada al renderizado, destacando soluciones como DLSS (Deep Learning Super Sampling). Sus arquitecturas de GPU, como GeForce para consumidores y NVIDIA RTX para profesionales, son ampliamente utilizadas en la industria del entretenimiento, la creación de contenido y el desarrollo de software avanzado.

Además, NVIDIA ha expandido su presencia en sectores como la conducción autónoma, la robótica y la computación en la nube. Sus plataformas, incluyendo CUDA y NVIDIA AI, permiten a desarrolladores e investigadores acelerar cargas de trabajo complejas en áreas como el aprendizaje profundo, la simulación científica y el análisis de datos a gran escala.