Superando la brecha de silicio: llevando el conjunto DLSS 5 de Nvidia a las GPU AMD Radeon

Resumen ejecutivo y posicionamiento en el mercado

La guerra de conjuntos de características de GPU ha estado definida durante mucho tiempo por fosos de software propietario, siendo el ecosistema de Deep Learning Super Sampling (DLSS) de Nvidia una propuesta de valor principal para el Equipo Verde. Sin embargo, la comunidad de código abierto continúa alterando la segmentación de hardware tradicional. Desarrollado por el modder Daniel Blanco, el proyecto DLSS-NR ha logrado lo que antes se consideraba arquitectónicamente improbable: ejecutar el conjunto completo DLSS 5 de Nvidia —incluyendo Neural Rendering, Super Resolution 4.5, Frame Generation y Ray Reconstruction— directamente en hardware AMD Radeon.

Al apuntar a tres generaciones de arquitectura Radeon (RDNA 2, RDNA 3 y la última serie RDNA 4 RX 9000), este desarrollo desafía fundamentalmente la exclusividad de la pila de software de Nvidia. Si bien AMD se ha basado históricamente en FidelityFX Super Resolution (FSR) y estándares abiertos para democratizar las características, ha carecido de un verdadero equivalente a la tubería de Renderizado Neural impulsada por Tensor de Nvidia. El proyecto DLSS-NR cierra eficazmente esta brecha tecnológica, permitiendo a los usuarios de Radeon aprovechar modelos avanzados de reconstrucción de imágenes basados en aprendizaje automático sin estar encerrados en ecosistemas de hardware propietario.

Innovaciones arquitectónicas y tecnológicas centrales

En el corazón de este mod se encuentra el cargador de mods NeuralHub, un sofisticado contenedor y mecanismo de inyección que intercepta llamadas de API de gráficos en títulos de DirectX 12. En lugar de forzar una implementación nativa, NeuralHub se engancha en tuberías de reescalado existentes —ya sea que el juego utilice de forma nativa FSR, DLSS o Intel XeSS— y cambia en caliente el backend de renderizado. En particular, la actualización incorpora una instancia interna de FSR 4.1.1. Esto garantiza una base estandarizada y altamente compatible para que la tubería interactúe, evitando las inconsistencias de las integraciones FSR fragmentadas específicas de cada juego.

La inclusión del modelo de Renderizado Neural 310.9.16 más reciente es un hito técnico importante. La última iteración de Nvidia procesa cargas de trabajo neuronales hasta 2 veces más rápido mientras consume aproximadamente un 20% menos de VRAM que las filtraciones anteriores, lo que la hace marginalmente más viable en arquitecturas que no son de Nvidia. El mod ejecuta estas cargas de trabajo mapeando las llamadas de API basadas en tensor propietarias de Nvidia a operaciones de cómputo estándar o rutas de aceleración de hardware de propósito general disponibles en el silicio Radeon. Si bien los núcleos de matriz de AMD (como las instrucciones WMMA/WMMAL que se encuentran en arquitecturas más nuevas) manejan estas cargas de trabajo, traducir estructuras de API específicas del proveedor introduce una sobrecarga inherente en la tubería.

Especificaciones empíricas y matriz de benchmarks

Térmica, eficiencia y ergonomía en el mundo real

Desplegar una capa de traducción compleja y entre proveedores como DLSS-NR introduce consideraciones térmicas y de eficiencia únicas para el hardware Radeon. En las pruebas de los desarrolladores en una RX 9070 XT, el sistema logra unos muy jugables 90 a 100 FPS a 1080p con pesadas mejoras neuronales activas. Sin embargo, las métricas de usuario del mundo real recopiladas en varios ecosistemas de foros revelan una experiencia bifurcada. Mientras que un subconjunto de usuarios informa una delta de rendimiento cero en comparación con las soluciones FSR nativas, otros notan penalizaciones en la velocidad de fotogramas que van desde caídas de un solo dígito hasta un 25% dependiendo de la complejidad de la tubería del título específico.

Esta variación en el rendimiento proviene de la sobrecarga de traducción de ejecutar código de sombreado optimizado y propietario de Nvidia y modelos de redes neuronales en arquitecturas de hardware diseñadas alrededor de diferentes tamaños de wavefront y jerarquías de caché. En consecuencia, las unidades de cómputo de la GPU pueden experimentar una menor eficiencia de ejecución, lo que lleva a un consumo de energía marginalmente mayor en relación con la salida de fotogramas real. Además, la inclusión de la superposición NeuralHub permite ajustar parámetros en tiempo real, otorgando a los usuarios un control granular sobre la nitidez, las relaciones de reescalado y la intensidad de la reconstrucción directamente dentro del entorno del juego, reflejando la ergonomía de los conjuntos de software oficiales.

El veredicto definitivo

El proyecto DLSS-NR es un logro monumental en ingeniería inversa y adaptación de software, rompiendo con éxito las barreras artificiales entre ecosistemas de hardware competidores. Para los entusiastas que ejecutan GPU RDNA 2, 3 o 4, ofrece una ventana sin precedentes al conjunto de características avanzadas de Nvidia, llenando más notablemente el vacío flagrante de AMD en Renderizado Neural. Sin embargo, debido a las penalizaciones variables en la velocidad de fotogramas, las posibles inestabilidades en la tubería y la incompatibilidad total con títulos con antitrampas a nivel de núcleo, sigue siendo una herramienta de experimentación para entusiastas en lugar de un reemplazo comercial directo para los controladores nativos. En última instancia, sirve como una poderosa prueba de concepto que destaca la demanda de un reescalado neural avanzado en todo el hardware gráfico moderno.