انویدیا به عنوان یک شرکت پیشرو در زمینه هوش مصنوعی، هزینه و تحقیق فراوانی در این حوزه دارد به طوری که می توان به وضوع عملکرد تنها یک مورد از فعالیت های این شرکت را با عنوان DLSS در عمل مشاهده کرد. تعداد محدودی از تکنیک های هوش مصنوعی انویدیا در دسترس عموم قرار دارد و بیشتر فعالیت های هوش مصنوعی تیم سبز به شرکت ها، کانسپت ها و محصولات تکنولوژی محور حمل و نقل مربوط می شود. حال جدا از قابلیت بسیار جذاب DLSS که به طور گسترده در دسترس کاربران قرار دارد، انویدیا در سر دارد تا تکنیک فشرده سازی عصبی یا Neural Compression را به هوش مصنوعی کارت گرافیک ها اضافه کند که باعث افزایش 16 برابری جزئیات بافت در کوتاه ترین زمان می شود.
انویدیا قرار است به زودی 20 مقاله تخصصی در زمینه هوش مصنوعی و گرافیک عصبی مولد را ارائه کند. اما در این مقالات یکی از جالب ترین تکنیک های ذکر شده، قابلیت Neural Compression یا فشرده سازی عصبی است. زمانی که در بازی ها، پیش رندها، رندها و موتورهای گرافیکی، کیفیت بسیار بالا نیاز باشد، به طور فزاینده نیاز است تا فضای دیسک در دسترس نرم افزار و میان افزار قرار گیرد. همین موضوع می تواند احیای بافت را به تاخیر بیاندازد یا بافت ها در زمان محدود به خوبی رندر نشود. تیم مهندسین NVIDIA در نظر دارند تا کاهش نیازهای ذخیره سازی بافت را در زمانی که داده ها از کیفیت بسیار بالایی برخوردار هستند، اما به طور فزاینده ای فضای دیسک را درخواست می کنند، برطرف کنند. برای رسیدن به این هدف، آنها فشرده سازی بافت های کارت گرافیک را با تکنیک های فشرده سازی عصبی ترکیب می کنند تا نیاز به فضای ذخیره سازی محدود به زمان نباشد.
فشرده‌سازی با نرخ بیت کم و افزودن دو سطح اضافه از جزئیات در کنار یک معماری رمزگشا کم هزینه جدید که به طور خاص برای هر ماده بهینه شده است، بهینه سازی عملی برای هر ماده را با وضوح تا 8K ممکن می‌سازد. این فشرده سازی جدید مبتنی بر هوش مصنوعی می تواند بسته به سطح کیفیت دیتا، یک مجموعه بافت 9 کاناله را بروی دقت 4K در زمان 1 تا 15 دقیقه روی RTX 4090 پردازش کند.
یکی دیگر از مقاله‌های تاثیرگذار، شبیه‌سازی تعاملی مو در کارت گرافیک با استفاده از ADMM و فیزیک عصبی است که شبیه‌سازی فوق‌العاده واقعی ده‌ها هزار تار مو را ممکن می‌سازد. اساساً، شبکه عصبی از یک تکنیک هوش مصنوعی یاد می گیرد که موها چگونه باید حرکت کنند. با این حال، محقق انویدیا که این مقاله را تهیه کرده است، خاطرنشان کرد که مشخص نیست این روش در صحنه‌های بزرگ چگونه عمل می‌کند، بنابراین ممکن است هنوز برای بازی‌ها چندان کاربردی نباشد.
