[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:figure:fr":3,"public-menus:all":45,"post:render-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle:fr":531,"related:post:render-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle:fr:1":3093},{"statusCode":4,"data":5,"message":44},200,{"tenantId":6,"lang":7,"defaultLang":8,"siteUrl":9,"contactEmail":10,"brandName":11,"logoUrl":12,"siteName":11,"siteDescription":13,"ogImage":14,"robotsIndex":15,"socialLinks":14,"reservedSlugs":14,"seoPolicy":16},"figure","fr","en","https:\u002F\u002Ffigure.rocks","info@stajic.de","Figure Rocks","\u002Ffavicon-32x32.png","",null,true,{"branding":17,"relatedContent":18,"crossDomainLinks":19},{"logoUrl":12},{"enabled":15},[20,23,26,29,32,35,38,41],{"url":21,"label":22,"isActive":15,"showInFooter":15,"includeInSameAs":15},"https:\u002F\u002Floving.rocks","loving.rocks",{"url":24,"label":25,"isActive":15,"showInFooter":15,"includeInSameAs":15},"https:\u002F\u002Fstajic.de","stajic.de",{"url":27,"label":28,"isActive":15,"showInFooter":15,"includeInSameAs":15},"https:\u002F\u002Fbazify.com","bazify.com",{"url":30,"label":31,"isActive":15,"showInFooter":15,"includeInSameAs":15},"https:\u002F\u002Fbazify.de","bazify.de",{"url":33,"label":34,"isActive":15,"showInFooter":15,"includeInSameAs":15},"https:\u002F\u002F2mesta.com","2mesta.com",{"url":36,"label":37,"isActive":15,"showInFooter":15,"includeInSameAs":15},"https:\u002F\u002F2mesta.de","2mesta.de",{"url":39,"label":40,"isActive":15,"showInFooter":15,"includeInSameAs":15},"https:\u002F\u002Fbazify.at","bazify.at",{"url":42,"label":43,"isActive":15,"showInFooter":15,"includeInSameAs":15},"https:\u002F\u002Fweb-hoch3.de","web-hoch3.de","Portal settings resolved",[46],{"id":47,"name":48,"location":49,"isActive":15,"isDefault":15,"items":50},2,"Main Menu","sidebar",[51,65,189,282,358,424],{"id":52,"title":53,"url":61,"target":62,"icon":63,"isActive":15,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":64},"1",{"de":54,"en":55,"es":56,"fr":57,"it":55,"ru":58,"sr":59,"zh":60},"Startseite","Home","Inicio","Accueil","Главная","Početna","首页","\u002F","_self","i-lucide-home",[],{"id":66,"title":67,"url":76,"target":62,"icon":77,"isActive":15,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":78},"3",{"de":68,"en":69,"es":70,"fr":71,"it":72,"ru":73,"sr":74,"zh":75},"Spiele","Games","Juegos","Jeux","Giochi","Игры","Igre","游戏","\u002Fgames","i-lucide-gamepad-2",[79,92,107,121,135,148,162,176],{"id":80,"title":81,"url":76,"target":62,"icon":90,"isActive":15,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":91},"3-1",{"de":82,"en":83,"es":84,"fr":85,"it":86,"ru":87,"sr":88,"zh":89},"Spiele-Hub","Games Hub","Centro de juegos","Hub de jeux","Hub Giochi","Игровой центр","Centar za igre","游戏中心","i-lucide-layout-grid",[],{"id":93,"title":94,"url":103,"target":62,"icon":104,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":106},"1-1",{"de":95,"en":96,"es":97,"fr":98,"it":99,"ru":100,"sr":101,"zh":102},"Neu & Angesagt","New & Trending","Novedades & Tendencias","Nouveautés & Tendances","Novità & Tendenze","Новинки & тренды","Novo & Popularno","新品 & 热门","\u002Fnews\u002Fgaming-news","i-lucide-sparkles","custom",[],{"id":108,"title":109,"url":118,"target":62,"icon":119,"isActive":15,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":120},"1-2",{"de":110,"en":111,"es":112,"fr":113,"it":114,"ru":115,"sr":116,"zh":117},"Angebote","Deals","Ofertas","Offres","Offerte","Акции","Ponude","优惠","\u002Fdeals","i-lucide-badge-percent",[],{"id":122,"title":123,"url":132,"target":62,"icon":133,"isActive":15,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":134},"1-3",{"de":124,"en":125,"es":126,"fr":127,"it":128,"ru":129,"sr":130,"zh":131},"Release-Kalender","Release Calendar","Calendario de lanzamientos","Calendrier des sorties","Calendario delle uscite","Календарь релизов","Kalendar izdanja","发布日历","\u002Freleases","i-lucide-calendar-days",[],{"id":136,"title":137,"url":145,"target":62,"icon":146,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":147},"3-2",{"de":138,"en":139,"es":140,"fr":141,"it":142,"sr":143,"zh":144},"amiibo-kompatible Spiele","amiibo-Compatible Games","Juegos compatibles con Amiibo","Jeux compatibles Amiibo","Giochi compatibili con amiibo","Amiibo kompatibilne igre","Amiibo 兼容游戏","\u002Freference\u002Fcompatibility","i-lucide-check-circle-2",[],{"id":149,"title":150,"url":159,"target":62,"icon":160,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":161},"3-3",{"de":151,"en":152,"es":153,"fr":154,"it":155,"ru":156,"sr":157,"zh":158},"Wie amiibo funktionieren","How amiibo work","Cómo funcionan los Amiibo","Comment fonctionnent les Amiibo","Come funzionano gli Amiibo","Как работают Amiibo","Kako Amiibo rade","Amiibo 如何运作","\u002Fgames\u002Fhow-amiibo-unlocks-work","i-lucide-puzzle",[],{"id":163,"title":164,"url":173,"target":62,"icon":174,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":175},"3-4",{"de":165,"en":166,"es":167,"fr":168,"it":169,"ru":170,"sr":171,"zh":172},"Beste Amiibo pro Spiel","Best amiibo per Game","Mejores Amiibo por juego","Meilleurs Amiibo par jeu","Migliori Amiibo per gioco","Лучшие Amiibo по играм","Najbolji Amiibo po igri","各游戏最佳 Amiibo","\u002Fgames\u002Fbest-amiibo-per-game","i-lucide-award",[],{"id":177,"title":178,"url":186,"target":62,"icon":187,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":188},"3-5",{"de":179,"en":180,"es":181,"fr":182,"it":183,"ru":184,"sr":185},"Freischaltbares & Belohnungen","Unlockables & Rewards","Desbloqueables & Recompensas","Déblocables & Récompenses","Sbloccabili & Ricompense","Разблокировки & награды","Otključavanja & nagrade","\u002Fgames\u002Funlocks-and-benefits","i-lucide-gift",[],{"id":190,"title":191,"url":199,"target":62,"icon":200,"isActive":15,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":201},"4",{"de":192,"en":193,"es":194,"it":195,"ru":196,"sr":197,"zh":198},"Sammeln","Collecting","Coleccionismo","Collezionismo","Коллекционирование","Kolekcionarstvo","收藏","\u002Fcollecting","i-lucide-gem",[202,213,227,240,254,268],{"id":203,"title":204,"url":211,"target":62,"icon":90,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":212},"4-1",{"de":205,"en":206,"fr":207,"it":208,"ru":209,"zh":210},"Sammel-Hub","Collecting Hub","Hub de collecte","Hub di raccolta","Центр сбора","收藏中心","\u002Famiibo\u002Fcollecting",[],{"id":214,"title":215,"url":224,"target":62,"icon":225,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":226},"4-2",{"de":216,"en":217,"es":218,"fr":219,"it":220,"ru":221,"sr":222,"zh":223},"Kaufberatung","Buying Guide","Guía de compra","Guide d'achat","Guida all'acquisto","Гид покупателя","Vodič za kupovinu","购买指南","\u002Famiibo-library\u002Famiibo-buying-smart","i-lucide-shopping-bag",[],{"id":228,"title":229,"url":237,"target":62,"icon":238,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":239},"4-3",{"de":230,"en":230,"es":231,"fr":232,"it":233,"ru":234,"sr":235,"zh":236},"Fake vs Real","Falso vs. Real","Faux vs Vrai","Falso vs Vero","Фейк vs Оригинал","Lažno vs Pravo","真假对比","\u002Famiibo-library\u002Famiibo-buying-smart\u002Favoid-fake-listings","i-lucide-scan",[],{"id":241,"title":242,"url":251,"target":62,"icon":252,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":253},"4-4",{"de":243,"en":244,"es":245,"fr":246,"it":247,"ru":248,"sr":249,"zh":250},"Aufbewahrung & Präsentation","Storage & Display","Almacenamiento & exhibición","Rangement & Présentation","Contenitori & Esposizione","Хранение & витрины","Odlaganje & izlaganje","存储 & 展示","\u002Famiibo-library\u002Famiibo-care-and-storage","i-lucide-box",[],{"id":255,"title":256,"url":265,"target":62,"icon":266,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":267},"4-5",{"de":257,"en":258,"es":259,"fr":260,"it":261,"ru":262,"sr":263,"zh":264},"Preisübersicht","Price Guide","Guía de precios","Guide des prix","Guida ai prezzi","Гид по ценам","Cenovnik","价格指南","\u002Fcollections\u002Fprice-guide","i-lucide-bar-chart-3",[],{"id":269,"title":270,"url":279,"target":62,"icon":280,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":281},"4-6",{"de":271,"en":272,"es":273,"fr":274,"it":275,"ru":276,"sr":277,"zh":278},"Raritäten","Rare Finds","Hallazgos únicos","Trouvailles rares","Pezzi rari","Редкие находки","Retki nalazi","稀有发现","\u002Fcollections\u002Frare-and-notable","i-lucide-trophy",[],{"id":283,"title":284,"url":292,"target":62,"icon":293,"isActive":15,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":294},"5",{"de":285,"en":286,"es":287,"fr":286,"it":288,"ru":289,"sr":290,"zh":291},"Technik","Tech","Tecnología","Tecnologia","Технологии","Tehnologija","科技","\u002Ftech","i-lucide-cpu",[295,306,318,331,344],{"id":296,"title":297,"url":292,"target":62,"icon":90,"isActive":15,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":305},"5-1",{"de":298,"en":298,"es":299,"fr":300,"it":301,"ru":302,"sr":303,"zh":304},"Tech Hub","Centro tecnológico","Hub Tech","Hub Tecnologico","Технохаб","Tehnološki centar","科技中心",[],{"id":307,"title":308,"url":315,"target":62,"icon":316,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":317},"5-2",{"de":309,"en":310,"fr":311,"it":312,"ru":313,"zh":314},"Audio- & Mikrofonqualität","Audio & Mic Quality","Qualité audio & micro","Qualità audio & mic","Качество звука & микрофона","音频 & 麦克风质量","\u002Fgear\u002Faudio","i-lucide-mic",[],{"id":319,"title":320,"url":328,"target":62,"icon":329,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":330},"5-3",{"de":321,"en":322,"es":323,"fr":324,"it":325,"sr":326,"zh":327},"Controller & Zubehör","Controllers & Accessories","Mandos & accesorios","Manettes & accessoires","Controller & Accessori","Kontroleri & dodatna oprema","控制器 & 配件","\u002Fgear\u002Fcontrols","i-lucide-joystick",[],{"id":332,"title":333,"url":341,"target":62,"icon":342,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":343},"5-4",{"de":334,"en":335,"es":336,"fr":337,"it":338,"ru":339,"sr":340},"Displays & Aufnahme","Displays & Capture","Pantallas & Captura","Écrans & Capture","Display & Acquisizione","Дисплеи & Захват","Ekrani & snimanje","\u002Fgear\u002Fdisplays","i-lucide-monitor",[],{"id":345,"title":346,"url":355,"target":62,"icon":356,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":357},"5-5",{"de":347,"en":348,"es":349,"fr":350,"it":351,"ru":352,"sr":353,"zh":354},"Netzwerkstabilität","Network Stability","Estabilidad de la red","Stabilité du réseau","Stabilità della rete","Стабильность сети","Stabilnost mreže","网络稳定性","\u002Fplaybooks\u002Fnetwork-stability","i-lucide-wifi",[],{"id":359,"title":360,"url":368,"target":62,"icon":369,"isActive":15,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":370},"6",{"de":361,"en":361,"es":362,"fr":363,"it":364,"ru":365,"sr":366,"zh":367},"Shop","Tienda","Boutique","Negozio","Магазин","Prodavnica","商店","\u002Fshop","i-lucide-shopping-cart",[371,383,391,399,412],{"id":372,"title":373,"url":368,"target":62,"icon":381,"isActive":15,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":382},"6-1",{"de":374,"en":375,"es":376,"fr":377,"ru":378,"sr":379,"zh":380},"Shop-Hub","Shop Hub","Centro de compras","Espace Boutique","Центр магазина","Centar za kupovinu","购物中心","i-lucide-store",[],{"id":384,"title":385,"url":388,"target":62,"icon":389,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":390},"6-2",{"de":386,"en":386,"es":387,"fr":387,"it":387,"sr":387,"zh":387},"amiibo","Amiibo","\u002Famiibo-shop","i-lucide-scan-line",[],{"id":392,"title":393,"url":396,"target":62,"icon":397,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":398},"6-3",{"de":394,"en":394,"es":394,"fr":394,"it":394,"ru":394,"sr":394,"zh":395},"LEGO","乐高","\u002Flego-shop","i-lucide-blocks",[],{"id":400,"title":401,"url":409,"target":62,"icon":410,"isActive":15,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":411},"6-4",{"de":402,"en":403,"es":404,"fr":405,"it":406,"sr":407,"zh":408},"Figuren & Sammlerstücke","Figures & Collectibles","Figuras & Coleccionables","Figurines & Objets de collection","Figure & Collezionismo","Figure & kolekcionarstvo","手办 & 收藏品","\u002Fshop\u002Ffigures","i-lucide-package",[],{"id":413,"title":414,"url":421,"target":62,"icon":422,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":423},"6-5",{"de":415,"en":415,"fr":416,"it":417,"ru":418,"sr":419,"zh":420},"Gaming Gear","Équipement gaming","Accessori gaming","Игровое снаряжение","Gejming oprema","游戏装备","\u002Fgaming-gear-shop","i-lucide-headphones",[],{"id":425,"title":426,"url":427,"target":62,"icon":389,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":428},"2",{"de":386,"en":386,"es":386,"fr":386,"it":386,"ru":386,"sr":386,"zh":386},"\u002Famiibo",[429,440,447,461,475,489,503,517],{"id":430,"title":431,"url":427,"target":62,"icon":90,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":439},"2-1",{"de":432,"en":433,"es":434,"fr":435,"it":435,"ru":436,"sr":437,"zh":438},"amiibo-Hub","amiibo Hub","Centro amiibo","Hub amiibo","Хаб amiibo","amiibo centar","amiibo 中心",[],{"id":441,"title":442,"url":444,"target":62,"icon":445,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":446},"1772724791061",{"de":443,"en":443},"Franchise","\u002Famiibo\u002Ffranchise","i-lucide-star",[],{"id":448,"title":449,"url":458,"target":62,"icon":459,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":460},"2-3",{"de":450,"en":451,"es":452,"fr":453,"it":454,"ru":455,"sr":456,"zh":457},"Region & Verpackung (EU\u002FUS\u002FJP)","Region & Packaging (EU\u002FUS\u002FJP)","Región y embalaje (UE\u002FEE. UU.\u002FJP)","Région & Emballage (UE\u002FUS\u002FJP)","Regione & Confezione (EU\u002FUS\u002FJP)","Регион & упаковка (EU\u002FUS\u002FJP)","Region & pakovanje (EU\u002FUS\u002FJP)","地区 & 包装 (EU\u002FUS\u002FJP)","\u002Famiibo-library\u002Famiibo-editions-and-regions","i-lucide-globe",[],{"id":462,"title":463,"url":472,"target":62,"icon":473,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":474},"2-4",{"de":464,"en":465,"es":466,"fr":467,"it":468,"ru":469,"sr":470,"zh":471},"Schnellidentifikations-Checkliste","Fast Identification Checklist","Lista de identificación rápida","Liste d'identification rapide","Checklist identificazione rapida","Чек-лист быстрой идентификации","Kontrolna lista za brzu identifikaciju","快速识别清单","\u002Famiibo\u002Fidentify-checklist","i-lucide-list-checks",[],{"id":476,"title":477,"url":486,"target":62,"icon":487,"isActive":15,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":488},"2-6",{"de":478,"en":479,"es":480,"fr":481,"it":482,"ru":483,"sr":484,"zh":485},"Tipps für Sealed-Sammlungen","Sealed Collection Tips","Consejos de colección sellada","Conseils collection scellée","Consigli collezione sigillata","Советы по коллекции Sealed","Saveti za zapečaćene kolekcije","密封收藏贴士","\u002Famiibo\u002Fsealed-tips","i-lucide-shield-check",[],{"id":490,"title":491,"url":500,"target":62,"icon":501,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":502},"2-5",{"de":492,"en":493,"es":494,"fr":495,"it":496,"ru":497,"sr":498,"zh":499},"Zustand & Bewertung","Condition & Grading","Estado & Graduación","État & Évaluation","Condizioni & Valutazione","Состояние & Оценка","Stanje & ocenjivanje","品相与分级","\u002Famiibo-library\u002Famiibo-condition-and-grading","i-lucide-badge-check",[],{"id":504,"title":505,"url":514,"target":62,"icon":515,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":516},"2-2",{"de":506,"en":507,"es":508,"fr":509,"it":510,"ru":511,"sr":512,"zh":513},"Ausgaben & Nachdrucke","Editions & Reprints","Ediciones & Reimpresiones","Éditions & Réimpressions","Edizioni & ristampe","Издания & переиздания","Izdanja & reizdanja","版本 & 重印","\u002Famiibo\u002Fcollecting\u002F","i-lucide-layers",[],{"id":518,"title":519,"url":528,"target":62,"icon":529,"isActive":15,"type":105,"productId":14,"categoryId":14,"shopCategoryId":14,"articleId":14,"pageId":14,"portfolioId":14,"children":530},"2-7",{"de":520,"en":521,"es":522,"fr":523,"it":524,"ru":525,"sr":526,"zh":527},"Nachdruck-Timeline","Reprint Timeline","Cronología de reimpresión","Chronologie des réimpressions","Cronologia ristampe","Хронология переизданий","Hronologija reprinta","重印时间轴","\u002Freference\u002Ftimelines\u002Famiibo-reprint-timeline","i-lucide-timer",[],{"statusCode":4,"data":532,"message":3092},{"id":533,"title":534,"slug":535,"content":536,"contentJson":537,"excerpt":1586,"featuredImage":1587,"featuredImageAlt":1588,"featuredImageCaption":14,"featuredImageTitle":14,"featuredImageCopyright":14,"featuredImageAuthor":14,"featuredImageSourceUrl":14,"featuredImageLicense":14,"featuredImageIsAiGenerated":603,"status":1589,"publishedAt":1590,"createdAt":1591,"updatedAt":1592,"seoLocalePaths":1593,"categories":1602,"author":1621,"translations":1624},"453","Rendez moins, déduisez plus : l'IA brise-t-elle le cycle traditionnel de mise à niveau du matériel de jeu ?","render-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle","\u003Cp>Pendant des décennies, le jeu sur PC pour passionnés a suivi un marché familier : les jeux exigeaient plus de puissance de calcul, les générations de GPU en fournissaient davantage, et les joueurs effectuaient une mise à niveau lorsque l'écart devenait suffisamment important. Cette boucle n'a jamais parfaitement fonctionné, mais la direction était compréhensible. En 2026, la boucle devient plus difficile à lire car deux changements se produisent en même temps : l'infrastructure d'IA concurrence agressivement le silicium et la mémoire, tandis que les techniques d'IA s'intègrent directement dans la façon dont les jeux créent des images.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Réponse directe\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>L'ancien cycle de mise à niveau pour le jeu est sous pression, mais il n'est pas simplement remplacé par des GPU plus chers.\u003C\u002Fstrong> L'IA modifie les deux côtés de l'équation : elle accroît la concurrence pour les ressources en semi-conducteurs et en mémoire, et elle permet également des techniques de rendu neuronal qui peuvent échanger des données stockées ou un travail de rendu conventionnel contre de l'inférence. La possibilité importante est que le jeu puisse répondre à une économie matérielle plus tendue en devenant plus sélectif sur le plan computationnel, et pas seulement en exigeant des GPU plus gros.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Comment lire cet article\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Il s'agit d'une \u003Cstrong>hypothèse étayée par des preuves\u003C\u002Fstrong>. Les données de marché documentées et les technologies commercialisées ou annoncées sont étiquetées comme des faits ou des signaux industriels. Les liens entre elles relèvent de l'inférence technique. L'architecture future décrite plus loin est une hypothèse de Figure Rocks, et non une affirmation concernant une feuille de route non annoncée de NVIDIA, AMD, Intel, Microsoft ou des consoles.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Sommaire\">\u003Cstrong class=\"editorjs-toc__title\">Sommaire\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-5\" class=\"editorjs-toc__link\">Le décalage d'échelle est déjà visible\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-9\" class=\"editorjs-toc__link\">La mémoire est là où la pression devient concrète\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-13\" class=\"editorjs-toc__link\">Exactement au même moment, l'image elle-même change\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-19\" class=\"editorjs-toc__link\">La question de la 5090 n'est utile que si nous la formulons correctement\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-22\" class=\"editorjs-toc__link\">La mémoire commence à devenir un problème de calcul, pas seulement un problème de capacité\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-28\" class=\"editorjs-toc__link\">Comment la réponse technique pourrait fonctionner\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-31\" class=\"editorjs-toc__link\">Un jeu a un avantage que les charges de travail générales n'ont souvent pas : il connaît déjà une partie de son futur\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-35\" class=\"editorjs-toc__link\">Pourquoi une architecture de type Spark devient intéressante\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-39\" class=\"editorjs-toc__link\">Que faudrait-il pour que cette transition fonctionne ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-41\" class=\"editorjs-toc__link\">À quoi un acheteur doit-il s'attendre d'une transition de type Spark ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-43\" class=\"editorjs-toc__link\">Qu'est-ce qui falsifierait cette hypothèse ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-46\" class=\"editorjs-toc__link\">La conclusion pratique pour un joueur aujourd'hui\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-49\" class=\"editorjs-toc__link\">Sources primaires\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-69\" class=\"editorjs-toc__link\">Le décalage d'échelle est déjà visible\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-73\" class=\"editorjs-toc__link\">La mémoire est là où la pression devient concrète\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-77\" class=\"editorjs-toc__link\">Au même moment exactement, le cadre lui-même change\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-83\" class=\"editorjs-toc__link\">La question de la 5090 n'est utile que si nous la formulons correctement\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-86\" class=\"editorjs-toc__link\">La mémoire commence à devenir un problème de calcul, pas seulement de capacité\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-92\" class=\"editorjs-toc__link\">Comment la réponse technique pourrait fonctionner\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-95\" class=\"editorjs-toc__link\">Un jeu a un avantage que les charges de travail générales n'ont souvent pas : il connaît déjà une partie de son futur\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-99\" class=\"editorjs-toc__link\">Pourquoi une architecture de type Spark devient intéressante\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-103\" class=\"editorjs-toc__link\">Que faudrait-il pour que cette transition fonctionne ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-105\" class=\"editorjs-toc__link\">Que doit attendre un acheteur d'une transition de type Spark ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-107\" class=\"editorjs-toc__link\">Qu'est-ce qui falsifierait cette hypothèse ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-110\" class=\"editorjs-toc__link\">La conclusion pratique pour un joueur aujourd'hui\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-113\" class=\"editorjs-toc__link\">Sources primaires\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Ch2 id=\"section-5\">Le décalage d'échelle est déjà visible\u003C\u002Fh2>\n\u003Cp>Newzoo prévoit que le marché mondial du jeu atteindra 213,9 milliards de dollars en 2026, soit une hausse de 6,1 % sur un an. La Semiconductor Industry Association a rapporté 791,7 milliards de dollars de ventes mondiales de semi-conducteurs pour 2025, en hausse de 25,6 %, et projette environ 1 000 milliards de dollars pour 2026. Le secteur du jeu et celui des semi-conducteurs dépendent encore l'un de l'autre, mais leurs incitations deviennent moins symétriques : le même écosystème de fabrication avancée qui permet le jeu haut de gamme sert désormais les acheteurs d'IA et de centres de données avec des budgets d'infrastructure bien plus importants. Ce ne sont pas des catégories de produits directement comparables ; elles établissent l'échelle de l'économie de calcul en amont autour du jeu.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Point de référence\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Valeur rapportée ou prévue\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Pourquoi c'est important ici\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Marché mondial du jeu, prévision 2026\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">213,9 Md$, +6,1 % sur un an\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Grand marché de divertissement grand public, mais en aval de l'approvisionnement en matériel avancé\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Jeux sur PC, prévision 2026\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">45,9 Md$, +5,3 % sur un an\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le segment du jeu le plus directement exposé à l'économie des composants PC\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ventes mondiales de semi-conducteurs, 2025\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">791,7 Md$, +25,6 % sur un an\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Montre l'échelle de l'industrie en amont servant le jeu, l'IA, le mobile, l'automobile et le cloud\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Industrie mondiale des semi-conducteurs, projection 2026\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">~1 000 Md$\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Augmente le coût d'opportunité de consacrer du silicium haut de gamme uniquement au jeu grand public\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Ce que ces chiffres de marché prouvent — et ne prouvent pas\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Les chiffres établissent un \u003Cstrong>contexte économique, pas une causalité directe\u003C\u002Fstrong>. Ils ne prouvent pas qu'une plaquette, un GPU ou un module de mémoire spécifique a été retiré à un joueur et réaffecté à l'IA. Ils ne signifient pas non plus que le jeu et les semi-conducteurs sont les deux plus grandes industries du monde. Le point plus étroit et défendable est qu'un marché du jeu de plus de 200 Md$ dépend d'une économie des semi-conducteurs en amont approchant l'échelle annuelle du billion de dollars, où l'infrastructure d'IA concurrence désormais le calcul avancé et la mémoire dans des conditions de budget et de marge très différentes.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-9\">La mémoire est là où la pression devient concrète\u003C\u002Fh2>\n\u003Cp>TrendForce a rapporté à plusieurs reprises que les fournisseurs de DRAM réorientent leurs capacités vers les produits serveur et HBM à mesure que la demande d'IA croît. En mars 2026, il prévoyait une hausse des prix contractuels de la DRAM conventionnelle de 58 à 63 % d'un trimestre à l'autre au T2 et indiquait qu'une allocation limitée de GDDR contraignait l'approvisionnement en mémoire graphique. Au T3, TrendForce indiquait que les clients grand public atteignaient une limite d'accessibilité financière, même si la demande d'IA et de serveurs restait forte.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">La pression sur l'allocation des ressources\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. L'infrastructure d'IA s'étend\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Les fournisseurs de cloud et les constructeurs d'IA s'approprient la mémoire serveur, le HBM, les SSD d'entreprise et le calcul avancé.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Les fournisseurs optimisent leur gamme de produits\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Les capacités se déplacent vers les produits à plus forte demande, marges ou contrats à long terme.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. L'allocation grand public se resserre\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Les acheteurs de PC, de graphiques et de mémoire grand public font face à des prix plus élevés ou à une disponibilité limitée.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Les vendeurs de jeux absorbent ou répercutent les coûts\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">La conception des cartes, la capacité de VRAM et le prix des systèmes deviennent des compromis plus difficiles.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. L'ancien cycle de mise à niveau s'affaiblit\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Un GPU plus rapide reste utile, mais la mise à l'échelle par la force brute devient économiquement plus difficile à répéter aux mêmes prix grand public.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Un signal de septembre 2026, pas une vieille histoire de pénurie\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">TrendForce a rapporté le 30 septembre 2026 que les fournisseurs privilégient toujours les capacités de processus avancés pour les produits serveur hautes performances, avec des prix contractuels de DRAM conventionnelle projetés en hausse de 10 à 15 % d'un trimestre à l'autre au T4. Son bulletin DRAM indique également que le HBM continue d'évincer la capacité DRAM générale. La pression décrite ici reste donc visible à la fin de 2026 ; elle ne repose pas uniquement sur un pic temporaire en début d'année.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-13\">Exactement au même moment, l'image elle-même change\u003C\u002Fh2>\n\u003Cp>Microsoft décrit désormais l'apprentissage automatique comme devenant fondamental pour les graphiques en temps réel. DirectX ajoute des chemins ML au niveau des shaders et des modèles afin que la compression de textures neuronale, le débruitage, la super-résolution et d'autres charges de travail apprises puissent s'intégrer à la pile graphique au lieu d'être ajoutés comme des fonctionnalités isolées. La recherche DLSS 5 de NVIDIA pousse l'idée plus loin en introduisant une étape de rendu neuronal génératif qui complète le rendu conventionnel par des a priori d'apparence appris. Le rendu neuronal ne signifie pas que le rendu conventionnel disparaît. Le modèle émergent est hybride : rendre certaines informations directement, inférer ou reconstruire d'autres informations lorsque cela est moins coûteux ou plus utile.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Ffigure.rocks\u002Ffr\u002Fblog\u002Fdlss-5-is-not-just-upscaling-what-3d-guided-neural-rendering-actually-changes\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">DLSS 5 n'est pas qu'une mise à l'échelle : ce que le rendu neuronal génératif change réellement\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Pourquoi le changement important n'est pas un autre mode de qualité, mais une nouvelle étape dans la façon dont l'information visuelle peut être produite.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Lire l'analyse de DLSS 5 →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Mise à l'échelle traditionnelle vs mise à l'échelle à l'ère neuronale\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Voie traditionnelle\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Voie de l'ère neuronale\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Plus de fidélité visuelle\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Stocker plus de détails et rendre plus de travail\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Stocker\u002Frendre sélectivement, reconstruire ou inférer certains détails\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Réponse mémoire\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Ajouter de la capacité et de la bande passante\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Ajouter de la capacité là où c'est nécessaire, mais aussi compresser et réduire les mouvements\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Réponse performance\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Plus de débit shader\u002FRT\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Mélanger shaders, RT et calcul de style matrice\u002FTensor\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Rôle du logiciel\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Le moteur planifie principalement le travail graphique conventionnel\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Le moteur planifie de plus en plus le rendu, les mouvements de données et les charges ML\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">L'hypothèse centrale de Figure Rocks\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>L'IA pourrait affaiblir l'économie du matériel de jeu par la force brute tout en fournissant simultanément des techniques qui rendent la mise à l'échelle par la force brute moins nécessaire.\u003C\u002Fstrong> Cela ne signifie pas que les futurs jeux auront besoin de moins de matériel. Cela signifie qu'une plus grande partie du résultat pourrait provenir de la décision de ce qu'il faut stocker, déplacer, rendre, reconstruire ou inférer. En résumé pour Figure Rocks : \u003Cstrong>stocker moins → déplacer moins → prédire plus → rendre moins → inférer plus.\u003C\u002Fstrong> Il s'agit d'une hypothèse sur l'origine croissante des gains de performance, et non d'une affirmation que chaque futur jeu utilisera un seul pipeline.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cdiv class=\"ce-delimiter cdx-block my-8\">\u003C\u002Fdiv>\n\u003Ch2 id=\"section-19\">La question de la 5090 n'est utile que si nous la formulons correctement\u003C\u002Fh2>\n\u003Cp>La RTX 5090 est un exemple utile précisément parce que les preuves sont mitigées. Au 18 octobre 2026, NVIDIA répertorie toujours la GeForce RTX 5090 comme un produit actuel. Dans le même temps, le comportement des détaillants et les rapports de presse ont documenté une disponibilité exceptionnellement faible et des affirmations non confirmées d'un arrêt de production. C'est un signal de marché, pas une annonce officielle de fin de production. La question défendable n'est donc pas de savoir si NVIDIA a secrètement tué une carte, mais si le coût d'opportunité d'allouer du silicium haut de gamme de classe Blackwell au jeu pour passionnés augmente lorsque une architecture similaire peut servir les marchés de la visualisation professionnelle et de l'IA avec des économies très différentes.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">FAIT \u002F SIGNAL \u002F HYPOTHÈSE\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>FAIT :\u003C\u002Fstrong> NVIDIA répertorie toujours publiquement la RTX 5090, et l'architecture Blackwell couvre les produits de jeu et professionnels.\u003Cbr>\u003Cstrong>SIGNAL INDUSTRIEL :\u003C\u002Fstrong> la disparition chez les détaillants, une pénurie extrême et des rapports d'un possible arrêt de production existent, mais NVIDIA n'a pas confirmé une fin de vie ou un arrêt de production de la RTX 5090.\u003Cbr>\u003Cstrong>INFÉRENCE TECHNIQUE :\u003C\u002Fstrong> un die haut de gamme a plusieurs destinations économiquement précieuses.\u003Cbr>\u003Cstrong>HYPOTHÈSE FIGURE ROCKS :\u003C\u002Fstrong> la demande en IA et professionnelle peut rendre l'attente traditionnelle des passionnés — que le plus grand die pratique reste largement accessible comme fer de lance du jeu — plus difficile à maintenir.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-22\">La mémoire commence à devenir un problème de calcul, pas seulement un problème de capacité\u003C\u002Fh2>\n\u003Cp>Il existe au moins quatre façons d'attaquer un goulot d'étranglement mémoire sans simplement augmenter la vitesse brute de la DRAM : compresser la représentation, reconstruire les détails par le calcul, prédire quelles données seront nécessaires ensuite, et garder les bonnes données résidentes près de l'unité d'exécution. Aucune de ces méthodes ne rend magiquement une puce mémoire physique plus rapide. Elles changent la quantité de travail utile que le système obtient d'un budget fini de capacité et de bande passante.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Technique\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Ce qui change\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Ce qui ne change pas automatiquement\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Compression\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Moins d'octets physiques représentent les mêmes données logiques\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La fréquence DRAM et la largeur du bus\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Reconstruction neuronale\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Certains détails sont générés à partir d'une représentation compacte\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le coût disparaît ; l'inférence a son propre coût de calcul\u002Flatence\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Préchargement prédictif\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Les données arrivent avant que la charge de travail demandeuse ne bloque\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La bande passante physique totale\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Résidence \u002F accès unifié\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Moins de migration ou de duplication inutile\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Les contraintes de contention et de latence\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Ancrage de recherche : la capacité effective n'est pas la vitesse brute\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">La Buddy Compression de NVIDIA Research a rapporté un \u003Cstrong>taux de compression moyen de 2,2× pour les charges HPC et de 1,5× pour les charges d'apprentissage profond\u003C\u002Fstrong>, avec un ralentissement de 1 à 2 % dans cette étude. Ce résultat n'est pas un benchmark de jeu. Sa pertinence ici est architecturale : la mémoire compressée peut augmenter la capacité effective et réduire certains trafics sans changer la fréquence DRAM physique.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Preuve spécifique au jeu : compression neuronale de textures\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Les travaux de NVIDIA Research sur la NTC des textures de matériaux ont démontré une \u003Cstrong>résolution linéaire de texture 4× supérieure — 16× plus de texels — tout en utilisant 30 % de mémoire en moins\u003C\u002Fstrong> que sa comparaison BC High. Cela ne signifie pas que chaque jeu obtient un gain de mémoire de 16×. Cela démontre le mécanisme qui compte ici : certains détails visuels peuvent être représentés plus compactement et reconstruits par le calcul au lieu d'être stockés conventionnellement à la même fidélité.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Ce que le nombre « 460× » ne signifie pas\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un chiffre de 460× parfois associé aux systèmes NVIDIA fait référence à une comparaison de capacité mémoire accessible au GPU entre générations de DGX, \u003Cstrong>et non à un taux de compression mémoire de 460×\u003C\u002Fstrong>. Cet article ne l'utilise délibérément pas comme preuve de compression.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-28\">Comment la réponse technique pourrait fonctionner\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Un futur pipeline de frame possible\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">Compresser\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Garder les textures ou les représentations apprises plus petites là où la qualité le permet.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">Prédire\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Utiliser l'état déterministe du jeu et des modèles appris pour estimer quelles données seront nécessaires ensuite.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">Précharger\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Déplacer les données utiles avant que le GPU ne bloque en les attendant.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">Rendre\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Dépenser le travail graphique conventionnel là où il change le plus le résultat visible.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">Inférer\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Utiliser la reconstruction ou la génération neuronale là où l'inférence est moins coûteuse que de stocker ou simuler tout directement.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">Présenter\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Livrer la frame en gardant la latence, les artefacts et le rythme des frames dans des limites acceptables.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Ce pipeline n'est pas un produit annoncé. Chaque composant existe déjà sous une forme ou une autre, mais la chaîne intégrée est l'hypothèse. La compression neuronale de textures a montré que les représentations apprises peuvent échanger du calcul contre de la mémoire. La recherche sur le préchargement GPU a montré qu'une prédiction apprise peut améliorer les taux de succès des pages mémoire. DirectX formalise le ML dans le modèle de programmation graphique. DLSS 5 montre une étape générative entrant dans le rendu en temps réel.\u003C\u002Fp>\n\u003Ch2 id=\"section-31\">Un jeu a un avantage que les charges de travail générales n'ont souvent pas : il connaît déjà une partie de son futur\u003C\u002Fh2>\n\u003Cp>Un moteur de jeu connaît la transformation de la caméra, la vélocité du joueur, la cellule de monde actuelle, les cellules de streaming voisines, l'état d'animation, les entités actives, les transitions de LOD, les dépendances de shaders et souvent les chemins de traversée probables. Ce contexte déterministe ne révèle pas parfaitement le futur, mais il donne à un prédicteur un point de départ plus riche qu'une simple trace mémoire générique.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Un exemple de mémoire de jeu prédictive\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Observer l'état déterministe\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">La direction de la caméra, le vecteur de mouvement, la pièce actuelle, les portails visibles et les dépendances d'actifs connues existent déjà dans l'état du moteur.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Estimer l'ensemble de travail proche\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Un prédicteur appris peut classer les prochaines pièces, textures, géométries, shaders ou représentations neuronales probables.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Précharger pendant la bande passante disponible\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Déplacer les ressources probables pendant que le système mémoire a de la marge au lieu d'attendre un défaut de demande strict.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Conserver les garanties déterministes\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Les actifs critiques utilisent toujours des règles définies ; la prédiction complète plutôt qu'elle ne remplace la correction.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Mesurer le coût des défauts\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Si la prédiction gaspille de la bande passante ou évince des données utiles, la confiance ou la profondeur de préchargement doit baisser.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Cette idée a un précédent de recherche, mais pas encore de preuve en jeu\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Une étude publiée sur la mémoire virtuelle unifiée CPU–GPU a rapporté une \u003Cstrong>amélioration des performances de 10,89 %\u003C\u002Fstrong>, un taux de succès des pages passant de \u003Cstrong>76,10 % à 89,02 %\u003C\u002Fstrong>, et \u003Cstrong>11,05 % de trafic d'interconnexion CPU–GPU en moins\u003C\u002Fstrong> grâce au préchargement appris. Un article AAAI 2026 sur le préchargement asynchrone de cache KV a rapporté \u003Cstrong>une efficacité du noyau d'attention de 2,15× et un débit de bout en bout jusqu'à 1,97×\u003C\u002Fstrong> sur sa charge de travail LLM. Aucun de ces résultats ne doit être transposé tel quel aux jeux ; tous deux démontrent que la prédiction et le préchargement peuvent masquer le coût mémoire dans de vraies charges de travail GPU.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-35\">Pourquoi une architecture de type Spark devient intéressante\u003C\u002Fh2>\n\u003Cp>DGX Spark n'est pas un PC de jeu, et le traiter comme tel masquerait la leçon utile. Sa conception GB10 combine des cœurs CPU Arm, un GPU Blackwell, du matériel Tensor et RT, et jusqu'à 128 Go de mémoire système unifiée cohérente. Cette architecture pose une question différente de celle d'un bureau classique : au lieu de séparer proprement le système en mémoire CPU et VRAM discrète, que se passe-t-il lorsque plusieurs moteurs de calcul partagent un grand pool de mémoire ?\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Propriété\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Référence DGX Spark\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Implication pour le jeu si le principe était adapté\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mémoire\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Jusqu'à 128 Go de LPDDR5X unifiée cohérente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un grand pool partagé pourrait réduire la duplication et donner à l'IA locale et aux graphismes l'accès à des données communes\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bande passante mémoire\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">273 Go\u002Fs\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La capacité ne suffit pas ; les graphismes haut de gamme nécessitent toujours une gestion agressive de la bande passante et de la latence\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mix de calcul\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">CPU + GPU Blackwell + Tensor + RT\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Une future charge de travail de jeu pourrait être répartie sur des moteurs plus spécialisés\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Facteur de forme\u002Falimentation\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Système GB10 compact\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'intégration peut améliorer l'efficacité mais peut réduire l'évolutivité modulaire\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">La capacité n'est pas la bande passante\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un grand pool unifié ne remplace \u003Cstrong>pas\u003C\u002Fstrong> automatiquement la bande passante d'un GPU discret haut de gamme. Le DGX Spark annonce 273 Go\u002Fs de bande passante mémoire, tandis que l'édition Workstation RTX PRO 6000 Blackwell de NVIDIA annonce 1 792 Go\u002Fs. Ce sont des produits très différents et la comparaison n'est pas un benchmark de jeu ; elle rend simplement visible la contrainte architecturale. Une conception de jeu de type Spark devrait résoudre la contention, la latence et la bande passante — pas seulement fournir plus de gigaoctets partagés.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-39\">Que faudrait-il pour que cette transition fonctionne ?\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Le test de viabilité du jeu neuronal\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. L'inférence doit économiser plus qu'elle ne coûte\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Le travail neuronal doit éliminer suffisamment de stockage, de bande passante ou de coût de rendu conventionnel pour justifier son propre calcul et sa latence.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Le moteur doit exposer un état utile\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">La prédiction fonctionne mieux lorsque le système connaît la direction de la caméra, les dépendances des ressources, les mouvements et la visibilité probable.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Le mouvement de la mémoire doit devenir délibéré\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">La compression sans bonne politique de résidence et de préchargement peut encore provoquer des blocages.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. La qualité doit rester stable\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Les détails générés ne doivent pas introduire d'artefacts inacceptables, d'instabilité temporelle ou d'informations de jeu incorrectes.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. La latence doit rester bornée\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Une image plus belle n'est pas automatiquement un jeu plus réactif.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. La pile doit survivre aux différences entre fournisseurs\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Les techniques utiles ont besoin d'API, de pilotes et de chemins moteur qui ne se fragmentent pas en démos ponctuelles.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-41\">À quoi un acheteur doit-il s'attendre d'une transition de type Spark ?\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Bénéfice potentiel vs coût réel\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Gain potentiel\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Coût \u002F risque\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Grand pool cohérent\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Partage plus flexible entre CPU, graphismes et IA locale\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Les clients partagés peuvent se disputer la même bande passante\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Moins de duplication\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Moins de copies entre les pools séparés de RAM système et de VRAM\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">La cohérence et l'ordonnancement ajoutent de la complexité\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Plus de marge pour l'IA locale\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Des modèles plus grands, des agents ou des ressources neuronales peuvent coexister localement\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">L'IA peut concurrencer les graphismes pour le calcul et la mémoire\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Optimisation au niveau système\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">La plateforme peut optimiser ensemble le placement des données et les accélérateurs\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Une intégration plus étroite peut réduire l'évolutivité et augmenter l'enfermement\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Nouvelle flexibilité des charges de travail\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Une machine peut mieux vieillir si les futurs jeux s'orientent vers des charges neuronales\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Seulement si les moteurs et les runtimes utilisent réellement ces capacités\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-43\">Qu'est-ce qui falsifierait cette hypothèse ?\u003C\u002Fh2>\n\u003Cp>Cette thèse est délibérément falsifiable. Le tableau ci-dessous définit les signaux du marché, des logiciels, du matériel et de l'adoption des jeux qui rendraient l'argument plus fort ou plus faible au fil du temps.\u003C\u002Fp>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Preuves qui renforcent ou affaiblissent la thèse\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">La renforceraient\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">L'affaibliraient\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Économie de la mémoire\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">La priorité serveur\u002FHBM continue de comprimer l'allocation grand public\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">La capacité grand public s'étend et la pression sur les prix se normalise\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Pile graphique\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Les primitives ML deviennent des fonctionnalités normales des moteurs\u002FDirectX\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Les graphismes neuronaux restent un post-traitement optionnel spécifique à un fournisseur\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Conception matérielle\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Plus de calcul hétérogène intégré et de plus grands pools de mémoire cohérente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Le GPU discret + RAM séparée reste clairement supérieur en coût, flexibilité et latence\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Adoption par les jeux\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Les studios livrent largement la compression neuronale, la génération et les chemins de données prédictifs\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">La technologie reste limitée à des démos ou à quelques jeux phares\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-46\">La conclusion pratique pour un joueur aujourd'hui\u003C\u002Fh2>\n\u003Cp>N'achetez pas du matériel parce qu'une architecture spéculative pourrait arriver. Achetez pour les jeux, la résolution, la cible de latence et les charges de travail que vous avez réellement. Mais ne supposez pas que la pérennité puisse encore se réduire à un seul chiffre comme la performance de rastérisation ou la capacité de VRAM. L'orientation de la pile logicielle suggère que le comportement de la mémoire, le calcul neuronal et le support des moteurs pourraient devenir des parties de plus en plus importantes de l'équation de valeur.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Ffigure.rocks\u002Ffr\u002Fblog\u002Fvram-usage-is-not-vram-requirement-why-a-full-memory-meter-does-not-tell-the-whole-story\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">L'utilisation de la VRAM n'est pas une exigence de VRAM : pourquoi une jauge de mémoire pleine ne raconte pas toute l'histoire\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Une explication pratique des ensembles de travail, de la résidence et pourquoi un nombre de VRAM allouée n'est pas la même chose qu'une exigence stricte.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Lire le guide VRAM →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-49\">Sources primaires\u003C\u002Fh2>\n\u003Ca href=\"https:\u002F\u002Fnewzoo.com\u002Farticles\u002F2026-global-games-market-key-numbers\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Newzoo — Chiffres clés du marché mondial des jeux 2026\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Prévisions du marché des jeux 2026 utilisées pour la comparaison d'échelle.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.semiconductors.org\u002Fglobal-annual-semiconductor-sales-increase-25-6-to-791-7-billion-in-2025\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Semiconductor Industry Association — Ventes mondiales 2025\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Ventes de semi-conducteurs 2025 et projection de l'association d'environ 1 000 milliards de dollars pour 2026.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.trendforce.com\u002Fpresscenter\u002Fnews\u002F20260930-13258.html\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">TrendForce — La demande de serveurs IA soutient la hausse des prix de la mémoire au 4T26\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Preuves de fin 2026 d'une allocation continue de capacité prioritaire aux serveurs et de pression sur les consommateurs.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fresearch.nvidia.com\u002Fpublication\u002F2019-04_buddy-compression-enabling-larger-memory-deep-learning-and-hpc-workloads-gpus\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NVIDIA Research — Buddy Compression\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Source de recherche pour des taux de compression moyens de 2,2× en HPC et 1,5× en DL.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0743731522002490\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Préchargement UVM CPU–GPU basé sur l'apprentissage profond\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Source de recherche pour les résultats de préchargement de pages appris.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fojs.aaai.org\u002Findex.php\u002FAAAI\u002Farticle\u002Fview\u002F39224\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">AAAI 2026 — Préchargement asynchrone du cache KV\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Source de recherche démontrant le masquage de latence grâce au préchargement proactif du cache GPU.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.trendforce.com\u002Fpresscenter\u002Fnews\u002F20260331-12995.html\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">TrendForce — Demande de serveurs IA et prix de la mémoire au 2T26\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Preuves actuelles de la priorisation serveur\u002FHBM, des contraintes GDDR et de la pression sur les consommateurs.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevblogs.microsoft.com\u002Fdirectx\u002Fevolving-directx-for-the-ml-era-on-windows\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft DirectX — Faire évoluer DirectX pour l'ère du ML\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Aperçu officiel de la GDC 2026 du ML au niveau des shaders et des modèles dans DirectX.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Fadlr\u002FDLSS5\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NVIDIA Research — DLSS 5 : rendu neuronal génératif\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Page de recherche principale décrivant DLSS 5 comme une étape de rendu génératif en temps réel.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fproducts\u002Fworkstations\u002Fdgx-spark\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NVIDIA — Spécifications du DGX Spark\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Spécifications officielles de l'architecture, de la mémoire unifiée et de la bande passante.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fgeforce\u002Fgraphics-cards\u002F50-series\u002Frtx-5090\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NVIDIA — GeForce RTX 5090\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Page produit officielle actuelle de la RTX 5090 utilisée pour distinguer le statut confirmé du produit des rumeurs d'arrêt de production.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.tomshardware.com\u002Fpc-components\u002Fgpus\u002Fnvidia-rtx-5090-disappears-from-micro-center-amid-rumors-of-a-production-halt-retailer-flags-flagship-as-not-carried-as-stock-mysteriously-vanishes\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Tom’s Hardware — Disparition de la RTX 5090 en commerce de détail et rumeurs d'arrêt de production\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Rapport de marché actuel utilisé uniquement comme signal sectoriel ; il note explicitement que NVIDIA n'a pas confirmé d'arrêt de production.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Frtr\u002Fneural_texture_compression\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NVIDIA Research — Compression neuronale à accès aléatoire des textures de matériaux\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Source principale pour la comparaison de résolution linéaire 4× \u002F texel 16× avec 30 % de mémoire en moins par rapport à BC High.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fde-de\u002Fproducts\u002Fworkstations\u002Fprofessional-desktop-gpus\u002Frtx-pro-6000\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NVIDIA — RTX PRO 6000 Blackwell Workstation Edition\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Source officielle pour les 96 Go de GDDR7 et la bande passante mémoire de 1 792 Go\u002Fs utilisés comme point de référence de bande passante.\u003C\u002Fp>\u003C\u002Fa>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Concepts clés\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"neural-rendering\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Rendu neuronal\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Méthodes de rendu qui utilisent des modèles entraînés dans le cadre de la production, de la reconstruction ou de l'amélioration de la sortie visuelle.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"heterogeneous-compute\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Calcul hétérogène\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Système qui attribue différentes charges de travail à différents moteurs de calcul tels que le CPU, le GPU, le RT et le matériel matriciel\u002FTensor.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"effective-memory\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Mémoire effective\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Description pratique de la quantité de données utiles qu'un système de mémoire peut conserver et fournir au calcul après prise en compte de la compression, de la résidence et de l'efficacité des mouvements. Ce n'est pas un remplacement formel de la capacité physique.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"predictive-memory\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Mémoire prédictive\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Raccourci de Figure Rocks pour combiner l'état connu du jeu et la prédiction apprise afin de préparer les données probablement nécessaires avant un blocage. C'est une hypothèse, pas une norme industrielle.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Cp>Pendant des décennies, le jeu sur PC pour passionnés a suivi un marché familier : les jeux demandaient plus de calcul, les générations de GPU offraient plus de calcul, et les joueurs effectuaient une mise à niveau lorsque l'écart devenait suffisamment important. Cette boucle n'a jamais parfaitement fonctionné, mais la direction était compréhensible. En 2026, la boucle devient plus difficile à lire car deux changements se produisent en même temps : l'infrastructure d'IA est en concurrence agressive pour le silicium et la mémoire, tandis que les techniques d'IA s'intègrent directement dans la façon dont les jeux créent des images.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Réponse directe\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>L'ancien cycle de mise à niveau pour le jeu est sous pression, mais il n'est pas simplement remplacé par des GPU plus chers.\u003C\u002Fstrong> L'IA modifie les deux côtés de l'équation : elle accroît la concurrence pour les ressources en semi-conducteurs et en mémoire, et elle permet également des techniques de rendu neuronal qui peuvent échanger des données stockées ou du travail de rendu conventionnel contre de l'inférence. La possibilité importante est que le jeu puisse répondre à une économie matérielle plus tendue en devenant plus sélectif sur le plan computationnel, et pas seulement en exigeant des GPU plus gros.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Comment lire cet article\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Il s'agit d'une \u003Cstrong>hypothèse étayée par des preuves\u003C\u002Fstrong>. Les données de marché documentées et les technologies commercialisées ou annoncées sont étiquetées comme des faits ou des signaux sectoriels. Les liens entre elles sont des inférences techniques. L'architecture future décrite plus loin est une hypothèse de Figure Rocks, et non une affirmation concernant une feuille de route non annoncée de NVIDIA, AMD, Intel, Microsoft ou des consoles.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Sommaire\">\u003Cstrong class=\"editorjs-toc__title\">Sommaire\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-5\" class=\"editorjs-toc__link\">Le décalage d'échelle est déjà visible\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-9\" class=\"editorjs-toc__link\">La mémoire est là où la pression devient concrète\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-13\" class=\"editorjs-toc__link\">Exactement au même moment, l'image elle-même change\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-19\" class=\"editorjs-toc__link\">La question de la 5090 n'est utile que si nous la formulons correctement\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-22\" class=\"editorjs-toc__link\">La mémoire commence à devenir un problème de calcul, pas seulement un problème de capacité\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-28\" class=\"editorjs-toc__link\">Comment la réponse technique pourrait fonctionner\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-31\" class=\"editorjs-toc__link\">Un jeu a un avantage que les charges de travail générales n'ont souvent pas : il connaît déjà une partie de son futur\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-35\" class=\"editorjs-toc__link\">Pourquoi une architecture de type Spark devient intéressante\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-39\" class=\"editorjs-toc__link\">Que faudrait-il pour que cette transition fonctionne ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-41\" class=\"editorjs-toc__link\">À quoi un acheteur doit-il s'attendre d'une transition de type Spark ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-43\" class=\"editorjs-toc__link\">Qu'est-ce qui falsifierait cette hypothèse ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-46\" class=\"editorjs-toc__link\">La conclusion pratique pour un joueur aujourd'hui\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-49\" class=\"editorjs-toc__link\">Sources primaires\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-69\" class=\"editorjs-toc__link\">Le décalage d'échelle est déjà visible\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-73\" class=\"editorjs-toc__link\">La mémoire est là où la pression devient concrète\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-77\" class=\"editorjs-toc__link\">Au même moment exactement, le cadre lui-même change\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-83\" class=\"editorjs-toc__link\">La question de la 5090 n'est utile que si nous la formulons correctement\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-86\" class=\"editorjs-toc__link\">La mémoire commence à devenir un problème de calcul, pas seulement de capacité\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-92\" class=\"editorjs-toc__link\">Comment la réponse technique pourrait fonctionner\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-95\" class=\"editorjs-toc__link\">Un jeu a un avantage que les charges de travail générales n'ont souvent pas : il connaît déjà une partie de son futur\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-99\" class=\"editorjs-toc__link\">Pourquoi une architecture de type Spark devient intéressante\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-103\" class=\"editorjs-toc__link\">Que faudrait-il pour que cette transition fonctionne ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-105\" class=\"editorjs-toc__link\">Que doit attendre un acheteur d'une transition de type Spark ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-107\" class=\"editorjs-toc__link\">Qu'est-ce qui falsifierait cette hypothèse ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-110\" class=\"editorjs-toc__link\">La conclusion pratique pour un joueur aujourd'hui\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-113\" class=\"editorjs-toc__link\">Sources primaires\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Ch2 id=\"section-69\">Le décalage d'échelle est déjà visible\u003C\u002Fh2>\n\u003Cp>Newzoo prévoit le marché mondial du jeu à 213,9 milliards de dollars en 2026, en hausse de 6,1 % sur un an. La Semiconductor Industry Association a rapporté 791,7 milliards de dollars de ventes mondiales de semi-conducteurs pour 2025, en hausse de 25,6 %, et projette environ 1 000 milliards de dollars pour 2026. Le secteur du jeu et celui des semi-conducteurs dépendent encore l'un de l'autre, mais leurs incitations deviennent moins symétriques : le même écosystème de fabrication avancée qui permet le jeu haut de gamme sert désormais les acheteurs d'IA et de centres de données avec des budgets d'infrastructure bien plus importants. Ce ne sont pas des catégories de produits directement comparables ; elles établissent l'échelle de l'économie de calcul en amont autour du jeu.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Point de référence\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Valeur rapportée ou prévue\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Pourquoi c'est important ici\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Marché mondial du jeu, prévision 2026\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">213,9 Md$, +6,1 % sur un an\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Grand marché de divertissement grand public, mais en aval de l'approvisionnement en matériel avancé\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Jeux PC, prévision 2026\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">45,9 Md$, +5,3 % sur un an\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le segment du jeu le plus directement exposé à l'économie des composants PC\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ventes mondiales de semi-conducteurs, 2025\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">791,7 Md$, +25,6 % sur un an\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Montre l'échelle de l'industrie en amont servant le jeu, l'IA, le mobile, l'automobile et le cloud\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Industrie mondiale des semi-conducteurs, projection 2026\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">~1 000 Md$\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Augmente le coût d'opportunité de consacrer du silicium haut de gamme uniquement au jeu grand public\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Ce que ces chiffres de marché prouvent — et ne prouvent pas\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Les chiffres établissent un \u003Cstrong>contexte économique, pas une causalité directe\u003C\u002Fstrong>. Ils ne prouvent pas qu'une plaquette, un GPU ou un module de mémoire spécifique a été retiré à un joueur et réaffecté à l'IA. Ils ne signifient pas non plus que le jeu et les semi-conducteurs sont les deux plus grandes industries du monde. Le point plus étroit et défendable est qu'un marché du jeu de plus de 200 Md$ dépend d'une économie de semi-conducteurs en amont approchant l'échelle annuelle du billion de dollars, où l'infrastructure d'IA concurrence désormais le calcul et la mémoire avancés dans des conditions de budget et de marge très différentes.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-73\">La mémoire est là où la pression devient concrète\u003C\u002Fh2>\n\u003Cp>TrendForce a rapporté à plusieurs reprises que les fournisseurs de DRAM réorientent leurs capacités vers les produits serveur et HBM à mesure que la demande en IA croît. En mars 2026, il prévoyait une hausse des prix contractuels de la DRAM conventionnelle de 58 à 63 % d'un trimestre à l'autre au T2 et indiquait qu'une allocation limitée de GDDR restreignait l'approvisionnement en mémoire graphique. Au T3, TrendForce indiquait que les clients grand public atteignaient une limite d'accessibilité financière, même si la demande en IA et serveur restait forte.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">La pression sur l'allocation des ressources\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. L'infrastructure IA s'étend\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Les fournisseurs de cloud et les acteurs de l'IA sécurisent la mémoire serveur, la HBM, les SSD d'entreprise et le calcul avancé.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Les fournisseurs optimisent leur gamme de produits\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Les capacités se déplacent vers les produits à plus forte demande, à meilleures marges ou sous contrats à long terme.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. L'allocation grand public se resserre\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Les acheteurs de mémoire pour PC, graphique et grand public font face à des prix plus élevés ou à une disponibilité restreinte.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Les fabricants de cartes graphiques absorbent ou répercutent les coûts\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">La conception des cartes, la capacité de VRAM et le prix des systèmes deviennent des compromis plus difficiles.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. L'ancien cycle de mise à niveau s'affaiblit\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Un GPU plus rapide reste utile, mais la mise à l'échelle par la force brute devient économiquement plus difficile à répéter aux mêmes niveaux de prix grand public.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Un signal de septembre 2026, pas une vieille histoire de pénurie\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">TrendForce a rapporté le 30 septembre 2026 que les fournisseurs privilégient toujours les capacités de processus avancés pour les produits serveur hautes performances, avec des prix contractuels de DRAM conventionnelle projetés en hausse de 10 à 15 % d'un trimestre à l'autre au T4. Son bulletin DRAM indique également que la HBM continue d'évincer les capacités de DRAM générale. La pression décrite ici reste donc visible fin 2026 ; elle ne repose pas uniquement sur un pic temporaire en début d'année.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-77\">Au même moment exactement, le cadre lui-même change\u003C\u002Fh2>\n\u003Cp>Microsoft décrit désormais l'apprentissage automatique comme devenant fondamental pour le graphisme en temps réel. DirectX ajoute des chemins ML au niveau des shaders et des modèles afin que la compression neuronale de textures, le débruitage, la super-résolution et d'autres charges de travail apprises puissent s'intégrer à la pile graphique au lieu d'être ajoutés comme des fonctionnalités isolées. La recherche DLSS 5 de NVIDIA pousse l'idée plus loin en introduisant une étape de rendu neuronal génératif qui complète le rendu conventionnel par des a priori d'apparence appris. Le rendu neuronal ne signifie pas que le rendu conventionnel disparaît. Le modèle émergent est hybride : rendre certaines informations directement, en inférer ou reconstruire d'autres lorsque cela est moins coûteux ou plus utile.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Ffigure.rocks\u002Ffr\u002Fblog\u002Fdlss-5-is-not-just-upscaling-what-3d-guided-neural-rendering-actually-changes\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">DLSS 5 n'est pas qu'une mise à l'échelle : ce que le rendu neuronal génératif change réellement\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Pourquoi le changement important n'est pas un autre mode de qualité, mais une nouvelle étape dans la façon dont l'information visuelle peut être produite.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Lire l'analyse de DLSS 5 →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Mise à l'échelle traditionnelle vs mise à l'échelle à l'ère neuronale\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Approche traditionnelle\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Approche de l'ère neuronale\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Plus de fidélité visuelle\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Stocker plus de détails et effectuer plus de travail de rendu\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Stocker\u002Frendre sélectivement, reconstruire ou inférer certains détails\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Réponse mémoire\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Ajouter de la capacité et de la bande passante\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Ajouter de la capacité là où c'est nécessaire, mais aussi compresser et réduire les mouvements\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Réponse performance\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Plus de débit shader\u002FRT\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Mélanger shaders, RT et calcul de type matrice\u002FTensor\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Rôle du logiciel\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Le moteur planifie principalement le travail graphique conventionnel\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Le moteur planifie de plus en plus le rendu, les mouvements de données et les charges ML\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">L'hypothèse centrale de Figure Rocks\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>L'IA pourrait affaiblir l'économie du matériel de jeu par la force brute tout en fournissant simultanément des techniques qui rendent la mise à l'échelle par la force brute moins nécessaire.\u003C\u002Fstrong> Cela ne signifie pas que les futurs jeux auront besoin de moins de matériel. Cela signifie qu'une plus grande partie du résultat pourrait provenir de la décision de ce qu'il faut stocker, déplacer, rendre, reconstruire ou inférer. En résumé pour Figure Rocks : \u003Cstrong>stocker moins → déplacer moins → prédire plus → rendre moins → inférer plus.\u003C\u002Fstrong> Il s'agit d'une hypothèse sur l'origine croissante des gains de performance, et non d'une affirmation que chaque futur jeu utilisera un seul pipeline.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cdiv class=\"ce-delimiter cdx-block my-8\">\u003C\u002Fdiv>\n\u003Ch2 id=\"section-83\">La question de la 5090 n'est utile que si nous la formulons correctement\u003C\u002Fh2>\n\u003Cp>La RTX 5090 est un exemple utile précisément parce que les preuves sont mitigées. Au 18 octobre 2026, NVIDIA liste toujours la GeForce RTX 5090 comme produit actuel. Parallèlement, le comportement des détaillants et les rapports de presse ont documenté une disponibilité exceptionnellement faible et des affirmations non confirmées d'arrêt de production. C'est un signal de marché, pas une annonce officielle de fin de production. La question défendable n'est donc pas de savoir si NVIDIA a secrètement tué une carte, mais si le coût d'opportunité d'allouer du silicium haut de gamme de classe Blackwell au jeu pour passionnés augmente lorsque l'architecture similaire peut servir les marchés de la visualisation professionnelle et de l'IA avec une économie très différente.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">FAIT \u002F SIGNAL \u002F HYPOTHÈSE\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>FAIT :\u003C\u002Fstrong> NVIDIA liste toujours publiquement la RTX 5090, et l'architecture Blackwell couvre les produits de jeu et professionnels.\u003Cbr>\u003Cstrong>SIGNAL INDUSTRIEL :\u003C\u002Fstrong> la disparition chez les détaillants, une pénurie extrême et des rapports d'un possible arrêt de production existent, mais NVIDIA n'a pas confirmé une fin de vie ou un arrêt de production de la RTX 5090.\u003Cbr>\u003Cstrong>INFÉRENCE TECHNIQUE :\u003C\u002Fstrong> un die haut de gamme a plusieurs destinations économiquement précieuses.\u003Cbr>\u003Cstrong>HYPOTHÈSE FIGURE ROCKS :\u003C\u002Fstrong> la demande en IA et professionnelle peut rendre plus difficile à soutenir l'attente traditionnelle des passionnés — que le plus grand die pratique reste largement accessible en tant que fleuron du jeu.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-86\">La mémoire commence à devenir un problème de calcul, pas seulement de capacité\u003C\u002Fh2>\n\u003Cp>Il existe au moins quatre façons d'attaquer un goulot d'étranglement mémoire sans simplement augmenter la vitesse brute de la DRAM : compresser la représentation, reconstruire les détails par le calcul, prédire quelles données seront nécessaires ensuite et garder les bonnes données résidentes près de l'unité d'exécution. Aucune ne rend magiquement une puce mémoire physique plus rapide. Elles changent la quantité de travail utile que le système obtient d'un budget fini de capacité et de bande passante.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Technique\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Ce qui change\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Ce qui ne change pas automatiquement\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Compression\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Moins d'octets physiques représentent les mêmes données logiques\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La fréquence DRAM et la largeur du bus\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Reconstruction neuronale\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Certains détails sont générés à partir d'une représentation compacte\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Le coût disparaît ; l'inférence a son propre coût de calcul\u002Flatence\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Préchargement prédictif\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Les données arrivent avant que la charge de travail demandeuse ne bloque\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La bande passante physique totale\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Résidence \u002F accès unifié\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Moins de migration ou de duplication inutile\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Les contraintes de contention et de latence\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Ancrage de recherche : la capacité effective n'est pas la vitesse brute\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">La compression Buddy de NVIDIA Research a rapporté un \u003Cstrong>taux de compression moyen de 2,2× pour les charges HPC et de 1,5× pour les charges d'apprentissage profond\u003C\u002Fstrong>, avec un ralentissement de 1 à 2 % dans cette étude. Ce résultat n'est pas un benchmark de jeu. Sa pertinence ici est architecturale : une mémoire compressée peut augmenter la capacité effective et réduire certains trafics sans changer la fréquence physique de la DRAM.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Preuve spécifique au jeu : compression neuronale de textures\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Les travaux de NVIDIA Research sur la NTC pour textures de matériaux ont démontré une \u003Cstrong>résolution linéaire de texture 4× supérieure — 16× plus de texels — tout en utilisant 30 % de mémoire en moins\u003C\u002Fstrong> par rapport à sa comparaison BC High. Cela ne signifie pas que chaque jeu obtient un gain de mémoire de 16×. Cela démontre le mécanisme qui compte ici : certains détails visuels peuvent être représentés plus compactement et reconstruits par le calcul au lieu d'être stockés conventionnellement à la même fidélité.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Ce que le chiffre « 460× » ne signifie pas\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un chiffre de 460× parfois associé aux systèmes NVIDIA fait référence à une comparaison de capacité mémoire accessible au GPU entre générations de DGX, \u003Cstrong>et non à un taux de compression mémoire de 460×\u003C\u002Fstrong>. Cet article ne l'utilise délibérément pas comme preuve de compression.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-92\">Comment la réponse technique pourrait fonctionner\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Un pipeline de frame futur possible\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">Compresser\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Garder les textures ou les représentations apprises plus petites là où la qualité le permet.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">Prédire\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Utiliser l'état déterministe du jeu et des modèles appris pour estimer quelles données seront nécessaires ensuite.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">Précharger\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Déplacer les données utiles avant que le GPU ne se bloque en les attendant.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">Rendre\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Consacrer le travail graphique conventionnel là où il modifie le plus le résultat visible.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">Inférer\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Utiliser la reconstruction ou la génération neuronale là où l'inférence coûte moins cher que stocker ou simuler tout directement.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">Présenter\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Livrer la frame en maintenant la latence, les artefacts et le rythme des frames dans des limites acceptables.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Ce pipeline n'est pas un produit annoncé. Chaque composant existe déjà sous une forme ou une autre, mais la chaîne intégrée est l'hypothèse. La compression de textures neuronale a montré que les représentations apprises peuvent échanger du calcul contre de la mémoire. La recherche sur le préchargement GPU a montré que la prédiction apprise peut améliorer les taux de succès des pages mémoire. DirectX formalise le ML dans le modèle de programmation graphique. DLSS 5 montre une étape générative entrant dans le rendu temps réel.\u003C\u002Fp>\n\u003Ch2 id=\"section-95\">Un jeu a un avantage que les charges de travail générales n'ont souvent pas : il connaît déjà une partie de son futur\u003C\u002Fh2>\n\u003Cp>Un moteur de jeu connaît la transformation de la caméra, la vélocité du joueur, la cellule de monde actuelle, les cellules de streaming voisines, l'état d'animation, les entités actives, les transitions de LOD, les dépendances de shaders et souvent les chemins de traversée probables. Ce contexte déterministe ne révèle pas parfaitement le futur, mais il donne à un prédicteur un point de départ plus riche qu'une simple trace mémoire générique.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Un exemple de mémoire de jeu prédictive\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Observer l'état déterministe\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">La direction de la caméra, le vecteur de mouvement, la pièce actuelle, les portails visibles et les dépendances d'assets connues existent déjà dans l'état du moteur.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Estimer l'ensemble de travail proche\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Un prédicteur appris peut classer les prochaines pièces, textures, géométries, shaders ou représentations neuronales probables.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Précharger pendant la bande passante disponible\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Déplacer les ressources probables pendant que le système mémoire a de la marge au lieu d'attendre un défaut de demande strict.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Conserver les garanties déterministes\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Les assets critiques utilisent toujours des règles définies ; la prédiction complète plutôt qu'elle ne remplace la correction.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Mesurer le coût du défaut\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Si la prédiction gaspille de la bande passante ou évince des données utiles, la confiance ou la profondeur de préchargement doit diminuer.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Cette idée a un précédent de recherche, mais pas encore de preuve dans le jeu\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Une étude publiée sur la mémoire virtuelle unifiée CPU–GPU a rapporté une \u003Cstrong>amélioration de performance de 10,89 %\u003C\u002Fstrong>, un taux de succès des pages passant de \u003Cstrong>76,10 % à 89,02 %\u003C\u002Fstrong>, et \u003Cstrong>11,05 % de trafic d'interconnexion CPU–GPU en moins\u003C\u002Fstrong> grâce au préchargement appris. Un article AAAI 2026 sur le préchargement asynchrone de cache KV a rapporté \u003Cstrong>une efficacité de noyau d'attention de 2,15× et un débit de bout en bout jusqu'à 1,97×\u003C\u002Fstrong> sur sa charge de travail LLM. Aucun de ces résultats ne doit être transposé tel quel aux jeux ; les deux démontrent que la prédiction et le préchargement peuvent masquer le coût mémoire dans de vraies charges de travail GPU.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-99\">Pourquoi une architecture de type Spark devient intéressante\u003C\u002Fh2>\n\u003Cp>DGX Spark n'est pas un PC de jeu, et le traiter comme tel masquerait la leçon utile. Sa conception GB10 combine des cœurs CPU Arm, un GPU Blackwell, du matériel Tensor et RT, et jusqu'à 128 Go de mémoire système unifiée cohérente. Cette architecture pose une question différente de celle d'un bureau classique : au lieu de séparer proprement le système en mémoire CPU et VRAM discrète, que se passe-t-il lorsque plusieurs moteurs de calcul partagent un grand pool mémoire ?\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Propriété\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Référence DGX Spark\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Implication pour le jeu si le principe était adapté\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mémoire\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Jusqu'à 128 Go de LPDDR5X unifiée cohérente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un grand pool partagé pourrait réduire la duplication et donner à l'IA locale + aux graphiques accès à des données communes\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bande passante mémoire\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">273 Go\u002Fs\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La capacité ne suffit pas ; les graphiques haut de gamme ont encore besoin d'une gestion agressive de la bande passante et de la latence\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mix de calcul\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">CPU + GPU Blackwell + Tensor + RT\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Une future charge de travail de jeu pourrait être répartie sur davantage de moteurs spécialisés\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Format\u002Fpuissance\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Système GB10 compact\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'intégration peut améliorer l'efficacité mais peut réduire l'évolutivité modulaire\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">La capacité n'est pas la bande passante\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un grand pool unifié ne remplace \u003Cstrong>pas\u003C\u002Fstrong> automatiquement la bande passante d'un GPU discret haut de gamme. DGX Spark annonce 273 Go\u002Fs de bande passante mémoire, tandis que l'édition station de travail RTX PRO 6000 Blackwell de NVIDIA annonce 1 792 Go\u002Fs. Ce sont des produits très différents et la comparaison n'est pas un benchmark de jeu ; elle rend simplement visible la contrainte architecturale. Une conception de jeu de type Spark devrait résoudre la contention, la latence et la bande passante — pas seulement fournir plus de gigaoctets partagés.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-103\">Que faudrait-il pour que cette transition fonctionne ?\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Le test de viabilité du jeu neuronal\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. L'inférence doit économiser plus qu'elle ne coûte\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Le travail neuronal doit éliminer suffisamment de stockage, de bande passante ou de coût de rendu conventionnel pour justifier son propre calcul et sa latence.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Le moteur doit exposer un état utile\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">La prédiction fonctionne mieux lorsque le système connaît la direction de la caméra, les dépendances d'assets, le mouvement et la visibilité probable.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Le déplacement mémoire doit devenir délibéré\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">La compression sans bonne politique de résidence et de préchargement peut encore bloquer.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. La qualité doit rester stable\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Le détail généré ne peut pas introduire d'artefacts inacceptables, d'instabilité temporelle ou d'informations de jeu incorrectes.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. La latence doit rester bornée\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Une frame plus belle n'est pas automatiquement un jeu plus réactif.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. La pile doit survivre aux différences entre fournisseurs\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Les techniques utiles ont besoin d'API, de pilotes et de chemins moteur qui ne se fragmentent pas en démos ponctuelles.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-105\">Que doit attendre un acheteur d'une transition de type Spark ?\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Bénéfice potentiel vs coût réel\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Gain potentiel\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Coût \u002F risque\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Grand pool cohérent\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Partage plus flexible entre CPU, graphiques et IA locale\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Les clients partagés peuvent se disputer la même bande passante\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Moins de duplication\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Moins de copies entre les pools séparés de RAM système et de VRAM\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">La cohérence et l'ordonnancement ajoutent de la complexité\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Plus de marge pour l'IA locale\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Des modèles, agents ou assets neuronaux plus grands peuvent coexister localement\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">L'IA peut concurrencer les graphiques pour le calcul et la mémoire\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Optimisation au niveau système\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">La plateforme peut optimiser ensemble le placement des données et les accélérateurs\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Une intégration plus étroite peut réduire l'évolutivité et augmenter l'enfermement\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Nouvelle flexibilité des charges de travail\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Une machine peut mieux vieillir si les futurs jeux basculent vers des charges neuronales\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Seulement si les moteurs et runtimes utilisent réellement ces capacités\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-107\">Qu'est-ce qui falsifierait cette hypothèse ?\u003C\u002Fh2>\n\u003Cp>Cette thèse est délibérément falsifiable. Le tableau ci-dessous définit les signaux de marché, de logiciel, de matériel et d'adoption par les jeux qui rendraient l'argument plus fort ou plus faible au fil du temps.\u003C\u002Fp>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Éléments qui renforcent ou affaiblissent la thèse\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">La renforcerait\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">L'affaiblirait\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Économie de la mémoire\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">La priorité serveur\u002FHBM continue de comprimer l'allocation grand public\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">La capacité grand public s'étend et la pression sur les prix se normalise\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Pile graphique\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Les primitives ML deviennent des fonctionnalités standard des moteurs\u002FDirectX\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Le rendu neuronal reste un post-traitement optionnel propre à chaque constructeur\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Conception matérielle\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Davantage de calcul hétérogène intégré et des pools de mémoire cohérente plus grands\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">GPU dédié + RAM séparée reste clairement supérieur en coût, flexibilité et latence\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Adoption par les jeux\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Les studios déploient largement la compression neuronale, la génération et les chemins de données prédictifs\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">La technologie reste limitée à des démos ou à quelques jeux phares\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-110\">La conclusion pratique pour un joueur aujourd'hui\u003C\u002Fh2>\n\u003Cp>N'achetez pas du matériel parce qu'une architecture spéculative pourrait arriver. Achetez pour les jeux, la résolution, la cible de latence et les charges de travail que vous avez réellement. Mais ne supposez pas que la pérennité puisse encore se réduire à un seul chiffre comme la performance en rastérisation ou la capacité de VRAM. L'orientation de la pile logicielle suggère que le comportement de la mémoire, le calcul neuronal et la prise en charge par les moteurs pourraient devenir des composantes de plus en plus importantes de l'équation de valeur.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Ffigure.rocks\u002Ffr\u002Fblog\u002Fvram-usage-is-not-vram-requirement-why-a-full-memory-meter-does-not-tell-the-whole-story\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">L'utilisation de la VRAM n'est pas une exigence de VRAM : pourquoi une jauge de mémoire pleine ne dit pas tout\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Une explication pratique des ensembles de travail, de la résidence et pourquoi un nombre de VRAM allouée n'est pas la même chose qu'une exigence stricte.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Lire le guide de la VRAM →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-113\">Sources primaires\u003C\u002Fh2>\n\u003Ca href=\"https:\u002F\u002Fnewzoo.com\u002Farticles\u002F2026-global-games-market-key-numbers\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Newzoo — Chiffres clés du marché mondial du jeu vidéo 2026\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Prévisions du marché du jeu vidéo pour 2026 utilisées pour la comparaison d'échelle.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.semiconductors.org\u002Fglobal-annual-semiconductor-sales-increase-25-6-to-791-7-billion-in-2025\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Semiconductor Industry Association — Ventes mondiales 2025\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Ventes de semi-conducteurs 2025 et projection de l'association d'environ 1 000 milliards de dollars pour 2026.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.trendforce.com\u002Fpresscenter\u002Fnews\u002F20260930-13258.html\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">TrendForce — La demande de serveurs IA soutient la hausse des prix de la mémoire au 4T26\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Preuves de fin 2026 d'une allocation continue de capacité prioritaire aux serveurs et de pression sur le grand public.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fresearch.nvidia.com\u002Fpublication\u002F2019-04_buddy-compression-enabling-larger-memory-deep-learning-and-hpc-workloads-gpus\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NVIDIA Research — Buddy Compression\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Source de recherche pour les taux de compression moyens de 2,2× en HPC et 1,5× en DL.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0743731522002490\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Préchargement UVM CPU–GPU basé sur l'apprentissage profond\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Source de recherche pour les résultats de préchargement de pages appris.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fojs.aaai.org\u002Findex.php\u002FAAAI\u002Farticle\u002Fview\u002F39224\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">AAAI 2026 — Préchargement asynchrone du cache KV\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Source de recherche démontrant le masquage de latence via le préchargement proactif du cache GPU.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.trendforce.com\u002Fpresscenter\u002Fnews\u002F20260331-12995.html\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">TrendForce — Demande de serveurs IA et prix de la mémoire au 2T26\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Preuves actuelles de la priorisation serveur\u002FHBM, des contraintes GDDR et de la pression sur le grand public.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevblogs.microsoft.com\u002Fdirectx\u002Fevolving-directx-for-the-ml-era-on-windows\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft DirectX — Faire évoluer DirectX pour l'ère du ML\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Aperçu officiel de la GDC 2026 du ML au niveau des shaders et des modèles dans DirectX.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Fadlr\u002FDLSS5\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NVIDIA Research — DLSS 5 : rendu neuronal génératif\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Page de recherche primaire décrivant DLSS 5 comme une étape de rendu génératif en temps réel.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fproducts\u002Fworkstations\u002Fdgx-spark\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NVIDIA — Spécifications du DGX Spark\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Spécifications officielles de l'architecture, de la mémoire unifiée et de la bande passante.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fgeforce\u002Fgraphics-cards\u002F50-series\u002Frtx-5090\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NVIDIA — GeForce RTX 5090\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Page produit officielle actuelle de la RTX 5090 utilisée pour distinguer le statut confirmé du produit des rumeurs d'arrêt de production.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.tomshardware.com\u002Fpc-components\u002Fgpus\u002Fnvidia-rtx-5090-disappears-from-micro-center-amid-rumors-of-a-production-halt-retailer-flags-flagship-as-not-carried-as-stock-mysteriously-vanishes\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Tom’s Hardware — Disparition de la RTX 5090 en commerce et rumeurs d'arrêt de production\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Rapport de marché actuel utilisé uniquement comme signal sectoriel ; il note explicitement que NVIDIA n'a pas confirmé d'arrêt de production.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Frtr\u002Fneural_texture_compression\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NVIDIA Research — Compression neuronale à accès aléatoire des textures de matériaux\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Source primaire pour la comparaison de résolution linéaire 4× \u002F texel 16× avec 30 % de mémoire en moins par rapport à BC High.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fde-de\u002Fproducts\u002Fworkstations\u002Fprofessional-desktop-gpus\u002Frtx-pro-6000\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NVIDIA — RTX PRO 6000 Blackwell Workstation Edition\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Source officielle pour 96 Go de GDDR7 et une bande passante mémoire de 1 792 Go\u002Fs utilisée comme point de référence de bande passante.\u003C\u002Fp>\u003C\u002Fa>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Concepts clés\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"neural-rendering\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Rendu neuronal\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Méthodes de rendu qui utilisent des modèles entraînés dans le cadre de la production, de la reconstruction ou de l'amélioration d'une sortie visuelle.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"heterogeneous-compute\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Calcul hétérogène\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Système qui attribue différentes charges de travail à différents moteurs de calcul tels que le CPU, le GPU, le RT et le matériel matriciel\u002FTensor.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"effective-memory\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Mémoire effective\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Description pratique de la quantité de données utiles qu'un système de mémoire peut conserver et fournir au calcul après prise en compte de la compression, de la résidence et de l'efficacité des mouvements. Ce n'est pas un remplacement formel de la capacité physique.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"predictive-memory\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Mémoire prédictive\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Terme abrégé de Figure Rocks désignant la combinaison de l'état de jeu connu et d'une prédiction apprise pour préparer les données probablement nécessaires avant un blocage. Il s'agit d'une hypothèse, pas d'une norme industrielle.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>",{"time":538,"blocks":539,"version":1585},1792337008981,[540,546,554,561,568,574,579,606,613,618,623,646,652,657,662,671,709,716,721,726,731,737,742,747,772,778,784,790,795,819,824,829,834,855,861,866,871,896,902,907,931,936,979,984,989,1025,1030,1035,1043,1048,1058,1067,1076,1085,1094,1103,1112,1121,1130,1139,1148,1157,1166,1175,1198,1202,1206,1210,1213,1216,1220,1230,1234,1237,1241,1256,1260,1264,1268,1271,1290,1293,1296,1299,1303,1307,1311,1315,1324,1328,1332,1336,1339,1354,1358,1361,1364,1377,1382,1385,1389,1402,1406,1409,1424,1428,1450,1453,1457,1480,1483,1487,1492,1495,1502,1507,1513,1519,1524,1530,1536,1541,1547,1552,1557,1563,1569,1575],{"id":541,"data":542,"type":544,"tunes":545},"p-0001",{"text":543},"Pendant des décennies, le jeu sur PC pour passionnés a suivi un marché familier : les jeux exigeaient plus de puissance de calcul, les générations de GPU en fournissaient davantage, et les joueurs effectuaient une mise à niveau lorsque l'écart devenait suffisamment important. Cette boucle n'a jamais parfaitement fonctionné, mais la direction était compréhensible. En 2026, la boucle devient plus difficile à lire car deux changements se produisent en même temps : l'infrastructure d'IA concurrence agressivement le silicium et la mémoire, tandis que les techniques d'IA s'intègrent directement dans la façon dont les jeux créent des images.","paragraph",{},{"id":547,"data":548,"type":552,"tunes":553},"c-0002",{"body":549,"title":550,"variant":551},"\u003Cstrong>L'ancien cycle de mise à niveau pour le jeu est sous pression, mais il n'est pas simplement remplacé par des GPU plus chers.\u003C\u002Fstrong> L'IA modifie les deux côtés de l'équation : elle accroît la concurrence pour les ressources en semi-conducteurs et en mémoire, et elle permet également des techniques de rendu neuronal qui peuvent échanger des données stockées ou un travail de rendu conventionnel contre de l'inférence. La possibilité importante est que le jeu puisse répondre à une économie matérielle plus tendue en devenant plus sélectif sur le plan computationnel, et pas seulement en exigeant des GPU plus gros.","Réponse directe","info","callout",{},{"id":555,"data":556,"type":552,"tunes":560},"c-0003",{"body":557,"title":558,"variant":559},"Il s'agit d'une \u003Cstrong>hypothèse étayée par des preuves\u003C\u002Fstrong>. Les données de marché documentées et les technologies commercialisées ou annoncées sont étiquetées comme des faits ou des signaux industriels. Les liens entre elles relèvent de l'inférence technique. L'architecture future décrite plus loin est une hypothèse de Figure Rocks, et non une affirmation concernant une feuille de route non annoncée de NVIDIA, AMD, Intel, Microsoft ou des consoles.","Comment lire cet article","note",{},{"id":562,"data":563,"type":566,"tunes":567},"toc-0004",{"title":564,"maxLevel":565,"minLevel":47},"Sommaire",3,"tableOfContents",{},{"id":569,"data":570,"type":572,"tunes":573},"h-0005",{"text":571,"level":47},"Le décalage d'échelle est déjà visible","header",{},{"id":575,"data":576,"type":544,"tunes":578},"p-0006",{"text":577},"Newzoo prévoit que le marché mondial du jeu atteindra 213,9 milliards de dollars en 2026, soit une hausse de 6,1 % sur un an. La Semiconductor Industry Association a rapporté 791,7 milliards de dollars de ventes mondiales de semi-conducteurs pour 2025, en hausse de 25,6 %, et projette environ 1 000 milliards de dollars pour 2026. Le secteur du jeu et celui des semi-conducteurs dépendent encore l'un de l'autre, mais leurs incitations deviennent moins symétriques : le même écosystème de fabrication avancée qui permet le jeu haut de gamme sert désormais les acheteurs d'IA et de centres de données avec des budgets d'infrastructure bien plus importants. Ce ne sont pas des catégories de produits directement comparables ; elles établissent l'échelle de l'économie de calcul en amont autour du jeu.",{},{"id":580,"data":581,"type":604,"tunes":605},"t-0007",{"content":582,"stretched":603,"withHeadings":15},[583,587,591,595,599],[584,585,586],"Point de référence","Valeur rapportée ou prévue","Pourquoi c'est important ici",[588,589,590],"Marché mondial du jeu, prévision 2026","213,9 Md$, +6,1 % sur un an","Grand marché de divertissement grand public, mais en aval de l'approvisionnement en matériel avancé",[592,593,594],"Jeux sur PC, prévision 2026","45,9 Md$, +5,3 % sur un an","Le segment du jeu le plus directement exposé à l'économie des composants PC",[596,597,598],"Ventes mondiales de semi-conducteurs, 2025","791,7 Md$, +25,6 % sur un an","Montre l'échelle de l'industrie en amont servant le jeu, l'IA, le mobile, l'automobile et le cloud",[600,601,602],"Industrie mondiale des semi-conducteurs, projection 2026","~1 000 Md$","Augmente le coût d'opportunité de consacrer du silicium haut de gamme uniquement au jeu grand public",false,"table",{},{"id":607,"data":608,"type":552,"tunes":612},"c-0008",{"body":609,"title":610,"variant":611},"Les chiffres établissent un \u003Cstrong>contexte économique, pas une causalité directe\u003C\u002Fstrong>. Ils ne prouvent pas qu'une plaquette, un GPU ou un module de mémoire spécifique a été retiré à un joueur et réaffecté à l'IA. Ils ne signifient pas non plus que le jeu et les semi-conducteurs sont les deux plus grandes industries du monde. Le point plus étroit et défendable est qu'un marché du jeu de plus de 200 Md$ dépend d'une économie des semi-conducteurs en amont approchant l'échelle annuelle du billion de dollars, où l'infrastructure d'IA concurrence désormais le calcul avancé et la mémoire dans des conditions de budget et de marge très différentes.","Ce que ces chiffres de marché prouvent — et ne prouvent pas","warning",{},{"id":614,"data":615,"type":572,"tunes":617},"h-0009",{"text":616,"level":47},"La mémoire est là où la pression devient concrète",{},{"id":619,"data":620,"type":544,"tunes":622},"p-0010",{"text":621},"TrendForce a rapporté à plusieurs reprises que les fournisseurs de DRAM réorientent leurs capacités vers les produits serveur et HBM à mesure que la demande d'IA croît. En mars 2026, il prévoyait une hausse des prix contractuels de la DRAM conventionnelle de 58 à 63 % d'un trimestre à l'autre au T2 et indiquait qu'une allocation limitée de GDDR contraignait l'approvisionnement en mémoire graphique. Au T3, TrendForce indiquait que les clients grand public atteignaient une limite d'accessibilité financière, même si la demande d'IA et de serveurs restait forte.",{},{"id":624,"data":625,"type":644,"tunes":645},"flow-0011",{"steps":626,"title":642,"orientation":643},[627,630,633,636,639],{"label":628,"description":629},"1. L'infrastructure d'IA s'étend","Les fournisseurs de cloud et les constructeurs d'IA s'approprient la mémoire serveur, le HBM, les SSD d'entreprise et le calcul avancé.",{"label":631,"description":632},"2. Les fournisseurs optimisent leur gamme de produits","Les capacités se déplacent vers les produits à plus forte demande, marges ou contrats à long terme.",{"label":634,"description":635},"3. L'allocation grand public se resserre","Les acheteurs de PC, de graphiques et de mémoire grand public font face à des prix plus élevés ou à une disponibilité limitée.",{"label":637,"description":638},"4. Les vendeurs de jeux absorbent ou répercutent les coûts","La conception des cartes, la capacité de VRAM et le prix des systèmes deviennent des compromis plus difficiles.",{"label":640,"description":641},"5. L'ancien cycle de mise à niveau s'affaiblit","Un GPU plus rapide reste utile, mais la mise à l'échelle par la force brute devient économiquement plus difficile à répéter aux mêmes prix grand public.","La pression sur l'allocation des ressources","auto","processFlow",{},{"id":647,"data":648,"type":552,"tunes":651},"v3-sep-signal",{"body":649,"title":650,"variant":611},"TrendForce a rapporté le 30 septembre 2026 que les fournisseurs privilégient toujours les capacités de processus avancés pour les produits serveur hautes performances, avec des prix contractuels de DRAM conventionnelle projetés en hausse de 10 à 15 % d'un trimestre à l'autre au T4. Son bulletin DRAM indique également que le HBM continue d'évincer la capacité DRAM générale. La pression décrite ici reste donc visible à la fin de 2026 ; elle ne repose pas uniquement sur un pic temporaire en début d'année.","Un signal de septembre 2026, pas une vieille histoire de pénurie",{},{"id":653,"data":654,"type":572,"tunes":656},"h-0012",{"text":655,"level":47},"Exactement au même moment, l'image elle-même change",{},{"id":658,"data":659,"type":544,"tunes":661},"p-0013",{"text":660},"Microsoft décrit désormais l'apprentissage automatique comme devenant fondamental pour les graphiques en temps réel. DirectX ajoute des chemins ML au niveau des shaders et des modèles afin que la compression de textures neuronale, le débruitage, la super-résolution et d'autres charges de travail apprises puissent s'intégrer à la pile graphique au lieu d'être ajoutés comme des fonctionnalités isolées. La recherche DLSS 5 de NVIDIA pousse l'idée plus loin en introduisant une étape de rendu neuronal génératif qui complète le rendu conventionnel par des a priori d'apparence appris. Le rendu neuronal ne signifie pas que le rendu conventionnel disparaît. Le modèle émergent est hybride : rendre certaines informations directement, inférer ou reconstruire d'autres informations lorsque cela est moins coûteux ou plus utile.",{},{"id":663,"data":664,"type":669,"tunes":670},"ref-0014",{"url":665,"title":666,"excerpt":667,"ctaLabel":668},"https:\u002F\u002Ffigure.rocks\u002Ffr\u002Fblog\u002Fdlss-5-is-not-just-upscaling-what-3d-guided-neural-rendering-actually-changes","DLSS 5 n'est pas qu'une mise à l'échelle : ce que le rendu neuronal génératif change réellement","Pourquoi le changement important n'est pas un autre mode de qualité, mais une nouvelle étape dans la façon dont l'information visuelle peut être produite.","Lire l'analyse de DLSS 5","referralArticle",{},{"id":672,"data":673,"type":707,"tunes":708},"cmp-0015",{"rows":674,"title":699,"layout":604,"columns":700},[675,681,687,693],{"id":676,"label":677,"values":678},"fidelity","Plus de fidélité visuelle",{"new":679,"old":680},"Stocker\u002Frendre sélectivement, reconstruire ou inférer certains détails","Stocker plus de détails et rendre plus de travail",{"id":682,"label":683,"values":684},"memory","Réponse mémoire",{"new":685,"old":686},"Ajouter de la capacité là où c'est nécessaire, mais aussi compresser et réduire les mouvements","Ajouter de la capacité et de la bande passante",{"id":688,"label":689,"values":690},"performance","Réponse performance",{"new":691,"old":692},"Mélanger shaders, RT et calcul de style matrice\u002FTensor","Plus de débit shader\u002FRT",{"id":694,"label":695,"values":696},"software","Rôle du logiciel",{"new":697,"old":698},"Le moteur planifie de plus en plus le rendu, les mouvements de données et les charges ML","Le moteur planifie principalement le travail graphique conventionnel","Mise à l'échelle traditionnelle vs mise à l'échelle à l'ère neuronale",[701,704],{"id":702,"label":703},"old","Voie traditionnelle",{"id":705,"label":706},"new","Voie de l'ère neuronale","comparison",{},{"id":710,"data":711,"type":552,"tunes":715},"c-0016",{"body":712,"title":713,"variant":714},"\u003Cstrong>L'IA pourrait affaiblir l'économie du matériel de jeu par la force brute tout en fournissant simultanément des techniques qui rendent la mise à l'échelle par la force brute moins nécessaire.\u003C\u002Fstrong> Cela ne signifie pas que les futurs jeux auront besoin de moins de matériel. Cela signifie qu'une plus grande partie du résultat pourrait provenir de la décision de ce qu'il faut stocker, déplacer, rendre, reconstruire ou inférer. En résumé pour Figure Rocks : \u003Cstrong>stocker moins → déplacer moins → prédire plus → rendre moins → inférer plus.\u003C\u002Fstrong> Il s'agit d'une hypothèse sur l'origine croissante des gains de performance, et non d'une affirmation que chaque futur jeu utilisera un seul pipeline.","L'hypothèse centrale de Figure Rocks","success",{},{"id":717,"data":718,"type":719,"tunes":720},"d-0017",{},"delimiter",{},{"id":722,"data":723,"type":572,"tunes":725},"h-0018",{"text":724,"level":47},"La question de la 5090 n'est utile que si nous la formulons correctement",{},{"id":727,"data":728,"type":544,"tunes":730},"p-0019",{"text":729},"La RTX 5090 est un exemple utile précisément parce que les preuves sont mitigées. Au 18 octobre 2026, NVIDIA répertorie toujours la GeForce RTX 5090 comme un produit actuel. Dans le même temps, le comportement des détaillants et les rapports de presse ont documenté une disponibilité exceptionnellement faible et des affirmations non confirmées d'un arrêt de production. C'est un signal de marché, pas une annonce officielle de fin de production. La question défendable n'est donc pas de savoir si NVIDIA a secrètement tué une carte, mais si le coût d'opportunité d'allouer du silicium haut de gamme de classe Blackwell au jeu pour passionnés augmente lorsque une architecture similaire peut servir les marchés de la visualisation professionnelle et de l'IA avec des économies très différentes.",{},{"id":732,"data":733,"type":552,"tunes":736},"c-0020",{"body":734,"title":735,"variant":559},"\u003Cstrong>FAIT :\u003C\u002Fstrong> NVIDIA répertorie toujours publiquement la RTX 5090, et l'architecture Blackwell couvre les produits de jeu et professionnels.\u003Cbr>\u003Cstrong>SIGNAL INDUSTRIEL :\u003C\u002Fstrong> la disparition chez les détaillants, une pénurie extrême et des rapports d'un possible arrêt de production existent, mais NVIDIA n'a pas confirmé une fin de vie ou un arrêt de production de la RTX 5090.\u003Cbr>\u003Cstrong>INFÉRENCE TECHNIQUE :\u003C\u002Fstrong> un die haut de gamme a plusieurs destinations économiquement précieuses.\u003Cbr>\u003Cstrong>HYPOTHÈSE FIGURE ROCKS :\u003C\u002Fstrong> la demande en IA et professionnelle peut rendre l'attente traditionnelle des passionnés — que le plus grand die pratique reste largement accessible comme fer de lance du jeu — plus difficile à maintenir.","FAIT \u002F SIGNAL \u002F HYPOTHÈSE",{},{"id":738,"data":739,"type":572,"tunes":741},"v3-memory-compute",{"text":740,"level":47},"La mémoire commence à devenir un problème de calcul, pas seulement un problème de capacité",{},{"id":743,"data":744,"type":544,"tunes":746},"v3-memory-compute-p1",{"text":745},"Il existe au moins quatre façons d'attaquer un goulot d'étranglement mémoire sans simplement augmenter la vitesse brute de la DRAM : compresser la représentation, reconstruire les détails par le calcul, prédire quelles données seront nécessaires ensuite, et garder les bonnes données résidentes près de l'unité d'exécution. Aucune de ces méthodes ne rend magiquement une puce mémoire physique plus rapide. Elles changent la quantité de travail utile que le système obtient d'un budget fini de capacité et de bande passante.",{},{"id":748,"data":749,"type":604,"tunes":771},"v3-four-memory-levers",{"content":750,"stretched":603,"withHeadings":15},[751,755,759,763,767],[752,753,754],"Technique","Ce qui change","Ce qui ne change pas automatiquement",[756,757,758],"Compression","Moins d'octets physiques représentent les mêmes données logiques","La fréquence DRAM et la largeur du bus",[760,761,762],"Reconstruction neuronale","Certains détails sont générés à partir d'une représentation compacte","Le coût disparaît ; l'inférence a son propre coût de calcul\u002Flatence",[764,765,766],"Préchargement prédictif","Les données arrivent avant que la charge de travail demandeuse ne bloque","La bande passante physique totale",[768,769,770],"Résidence \u002F accès unifié","Moins de migration ou de duplication inutile","Les contraintes de contention et de latence",{},{"id":773,"data":774,"type":552,"tunes":777},"v3-buddy-data",{"body":775,"title":776,"variant":551},"La Buddy Compression de NVIDIA Research a rapporté un \u003Cstrong>taux de compression moyen de 2,2× pour les charges HPC et de 1,5× pour les charges d'apprentissage profond\u003C\u002Fstrong>, avec un ralentissement de 1 à 2 % dans cette étude. Ce résultat n'est pas un benchmark de jeu. Sa pertinence ici est architecturale : la mémoire compressée peut augmenter la capacité effective et réduire certains trafics sans changer la fréquence DRAM physique.","Ancrage de recherche : la capacité effective n'est pas la vitesse brute",{},{"id":779,"data":780,"type":552,"tunes":783},"v5-ntc-evidence",{"body":781,"title":782,"variant":714},"Les travaux de NVIDIA Research sur la NTC des textures de matériaux ont démontré une \u003Cstrong>résolution linéaire de texture 4× supérieure — 16× plus de texels — tout en utilisant 30 % de mémoire en moins\u003C\u002Fstrong> que sa comparaison BC High. Cela ne signifie pas que chaque jeu obtient un gain de mémoire de 16×. Cela démontre le mécanisme qui compte ici : certains détails visuels peuvent être représentés plus compactement et reconstruits par le calcul au lieu d'être stockés conventionnellement à la même fidélité.","Preuve spécifique au jeu : compression neuronale de textures",{},{"id":785,"data":786,"type":552,"tunes":789},"v3-460-correction",{"body":787,"title":788,"variant":611},"Un chiffre de 460× parfois associé aux systèmes NVIDIA fait référence à une comparaison de capacité mémoire accessible au GPU entre générations de DGX, \u003Cstrong>et non à un taux de compression mémoire de 460×\u003C\u002Fstrong>. Cet article ne l'utilise délibérément pas comme preuve de compression.","Ce que le nombre « 460× » ne signifie pas",{},{"id":791,"data":792,"type":572,"tunes":794},"h-0021",{"text":793,"level":47},"Comment la réponse technique pourrait fonctionner",{},{"id":796,"data":797,"type":644,"tunes":818},"flow-0022",{"steps":798,"title":817,"orientation":643},[799,802,805,808,811,814],{"label":800,"description":801},"Compresser","Garder les textures ou les représentations apprises plus petites là où la qualité le permet.",{"label":803,"description":804},"Prédire","Utiliser l'état déterministe du jeu et des modèles appris pour estimer quelles données seront nécessaires ensuite.",{"label":806,"description":807},"Précharger","Déplacer les données utiles avant que le GPU ne bloque en les attendant.",{"label":809,"description":810},"Rendre","Dépenser le travail graphique conventionnel là où il change le plus le résultat visible.",{"label":812,"description":813},"Inférer","Utiliser la reconstruction ou la génération neuronale là où l'inférence est moins coûteuse que de stocker ou simuler tout directement.",{"label":815,"description":816},"Présenter","Livrer la frame en gardant la latence, les artefacts et le rythme des frames dans des limites acceptables.","Un futur pipeline de frame possible",{},{"id":820,"data":821,"type":544,"tunes":823},"p-0023",{"text":822},"Ce pipeline n'est pas un produit annoncé. Chaque composant existe déjà sous une forme ou une autre, mais la chaîne intégrée est l'hypothèse. La compression neuronale de textures a montré que les représentations apprises peuvent échanger du calcul contre de la mémoire. La recherche sur le préchargement GPU a montré qu'une prédiction apprise peut améliorer les taux de succès des pages mémoire. DirectX formalise le ML dans le modèle de programmation graphique. DLSS 5 montre une étape générative entrant dans le rendu en temps réel.",{},{"id":825,"data":826,"type":572,"tunes":828},"v3-predictive-loop",{"text":827,"level":47},"Un jeu a un avantage que les charges de travail générales n'ont souvent pas : il connaît déjà une partie de son futur",{},{"id":830,"data":831,"type":544,"tunes":833},"v3-predictive-loop-p1",{"text":832},"Un moteur de jeu connaît la transformation de la caméra, la vélocité du joueur, la cellule de monde actuelle, les cellules de streaming voisines, l'état d'animation, les entités actives, les transitions de LOD, les dépendances de shaders et souvent les chemins de traversée probables. Ce contexte déterministe ne révèle pas parfaitement le futur, mais il donne à un prédicteur un point de départ plus riche qu'une simple trace mémoire générique.",{},{"id":835,"data":836,"type":644,"tunes":854},"v3-predictive-door",{"steps":837,"title":853,"orientation":643},[838,841,844,847,850],{"label":839,"description":840},"1. Observer l'état déterministe","La direction de la caméra, le vecteur de mouvement, la pièce actuelle, les portails visibles et les dépendances d'actifs connues existent déjà dans l'état du moteur.",{"label":842,"description":843},"2. Estimer l'ensemble de travail proche","Un prédicteur appris peut classer les prochaines pièces, textures, géométries, shaders ou représentations neuronales probables.",{"label":845,"description":846},"3. Précharger pendant la bande passante disponible","Déplacer les ressources probables pendant que le système mémoire a de la marge au lieu d'attendre un défaut de demande strict.",{"label":848,"description":849},"4. Conserver les garanties déterministes","Les actifs critiques utilisent toujours des règles définies ; la prédiction complète plutôt qu'elle ne remplace la correction.",{"label":851,"description":852},"5. Mesurer le coût des défauts","Si la prédiction gaspille de la bande passante ou évince des données utiles, la confiance ou la profondeur de préchargement doit baisser.","Un exemple de mémoire de jeu prédictive",{},{"id":856,"data":857,"type":552,"tunes":860},"v3-learned-evidence",{"body":858,"title":859,"variant":559},"Une étude publiée sur la mémoire virtuelle unifiée CPU–GPU a rapporté une \u003Cstrong>amélioration des performances de 10,89 %\u003C\u002Fstrong>, un taux de succès des pages passant de \u003Cstrong>76,10 % à 89,02 %\u003C\u002Fstrong>, et \u003Cstrong>11,05 % de trafic d'interconnexion CPU–GPU en moins\u003C\u002Fstrong> grâce au préchargement appris. Un article AAAI 2026 sur le préchargement asynchrone de cache KV a rapporté \u003Cstrong>une efficacité du noyau d'attention de 2,15× et un débit de bout en bout jusqu'à 1,97×\u003C\u002Fstrong> sur sa charge de travail LLM. Aucun de ces résultats ne doit être transposé tel quel aux jeux ; tous deux démontrent que la prédiction et le préchargement peuvent masquer le coût mémoire dans de vraies charges de travail GPU.","Cette idée a un précédent de recherche, mais pas encore de preuve en jeu",{},{"id":862,"data":863,"type":572,"tunes":865},"h-0024",{"text":864,"level":47},"Pourquoi une architecture de type Spark devient intéressante",{},{"id":867,"data":868,"type":544,"tunes":870},"p-0025",{"text":869},"DGX Spark n'est pas un PC de jeu, et le traiter comme tel masquerait la leçon utile. Sa conception GB10 combine des cœurs CPU Arm, un GPU Blackwell, du matériel Tensor et RT, et jusqu'à 128 Go de mémoire système unifiée cohérente. Cette architecture pose une question différente de celle d'un bureau classique : au lieu de séparer proprement le système en mémoire CPU et VRAM discrète, que se passe-t-il lorsque plusieurs moteurs de calcul partagent un grand pool de mémoire ?",{},{"id":872,"data":873,"type":604,"tunes":895},"t-0026",{"content":874,"stretched":603,"withHeadings":15},[875,879,883,887,891],[876,877,878],"Propriété","Référence DGX Spark","Implication pour le jeu si le principe était adapté",[880,881,882],"Mémoire","Jusqu'à 128 Go de LPDDR5X unifiée cohérente","Un grand pool partagé pourrait réduire la duplication et donner à l'IA locale et aux graphismes l'accès à des données communes",[884,885,886],"Bande passante mémoire","273 Go\u002Fs","La capacité ne suffit pas ; les graphismes haut de gamme nécessitent toujours une gestion agressive de la bande passante et de la latence",[888,889,890],"Mix de calcul","CPU + GPU Blackwell + Tensor + RT","Une future charge de travail de jeu pourrait être répartie sur des moteurs plus spécialisés",[892,893,894],"Facteur de forme\u002Falimentation","Système GB10 compact","L'intégration peut améliorer l'efficacité mais peut réduire l'évolutivité modulaire",{},{"id":897,"data":898,"type":552,"tunes":901},"c-0027",{"body":899,"title":900,"variant":611},"Un grand pool unifié ne remplace \u003Cstrong>pas\u003C\u002Fstrong> automatiquement la bande passante d'un GPU discret haut de gamme. Le DGX Spark annonce 273 Go\u002Fs de bande passante mémoire, tandis que l'édition Workstation RTX PRO 6000 Blackwell de NVIDIA annonce 1 792 Go\u002Fs. Ce sont des produits très différents et la comparaison n'est pas un benchmark de jeu ; elle rend simplement visible la contrainte architecturale. Une conception de jeu de type Spark devrait résoudre la contention, la latence et la bande passante — pas seulement fournir plus de gigaoctets partagés.","La capacité n'est pas la bande passante",{},{"id":903,"data":904,"type":572,"tunes":906},"h-0028",{"text":905,"level":47},"Que faudrait-il pour que cette transition fonctionne ?",{},{"id":908,"data":909,"type":644,"tunes":930},"flow-0029",{"steps":910,"title":929,"orientation":643},[911,914,917,920,923,926],{"label":912,"description":913},"1. L'inférence doit économiser plus qu'elle ne coûte","Le travail neuronal doit éliminer suffisamment de stockage, de bande passante ou de coût de rendu conventionnel pour justifier son propre calcul et sa latence.",{"label":915,"description":916},"2. Le moteur doit exposer un état utile","La prédiction fonctionne mieux lorsque le système connaît la direction de la caméra, les dépendances des ressources, les mouvements et la visibilité probable.",{"label":918,"description":919},"3. Le mouvement de la mémoire doit devenir délibéré","La compression sans bonne politique de résidence et de préchargement peut encore provoquer des blocages.",{"label":921,"description":922},"4. La qualité doit rester stable","Les détails générés ne doivent pas introduire d'artefacts inacceptables, d'instabilité temporelle ou d'informations de jeu incorrectes.",{"label":924,"description":925},"5. La latence doit rester bornée","Une image plus belle n'est pas automatiquement un jeu plus réactif.",{"label":927,"description":928},"6. La pile doit survivre aux différences entre fournisseurs","Les techniques utiles ont besoin d'API, de pilotes et de chemins moteur qui ne se fragmentent pas en démos ponctuelles.","Le test de viabilité du jeu neuronal",{},{"id":932,"data":933,"type":572,"tunes":935},"v3-reader-spark-expect",{"text":934,"level":47},"À quoi un acheteur doit-il s'attendre d'une transition de type Spark ?",{},{"id":937,"data":938,"type":707,"tunes":978},"v3-buyer-transition",{"rows":939,"title":970,"layout":604,"columns":971},[940,946,952,958,964],{"id":941,"label":942,"values":943},"pool","Grand pool cohérent",{"cost":944,"gain":945},"Les clients partagés peuvent se disputer la même bande passante","Partage plus flexible entre CPU, graphismes et IA locale",{"id":947,"label":948,"values":949},"movement","Moins de duplication",{"cost":950,"gain":951},"La cohérence et l'ordonnancement ajoutent de la complexité","Moins de copies entre les pools séparés de RAM système et de VRAM",{"id":953,"label":954,"values":955},"ai","Plus de marge pour l'IA locale",{"cost":956,"gain":957},"L'IA peut concurrencer les graphismes pour le calcul et la mémoire","Des modèles plus grands, des agents ou des ressources neuronales peuvent coexister localement",{"id":959,"label":960,"values":961},"efficiency","Optimisation au niveau système",{"cost":962,"gain":963},"Une intégration plus étroite peut réduire l'évolutivité et augmenter l'enfermement","La plateforme peut optimiser ensemble le placement des données et les accélérateurs",{"id":965,"label":966,"values":967},"longevity","Nouvelle flexibilité des charges de travail",{"cost":968,"gain":969},"Seulement si les moteurs et les runtimes utilisent réellement ces capacités","Une machine peut mieux vieillir si les futurs jeux s'orientent vers des charges neuronales","Bénéfice potentiel vs coût réel",[972,975],{"id":973,"label":974},"gain","Gain potentiel",{"id":976,"label":977},"cost","Coût \u002F risque",{},{"id":980,"data":981,"type":572,"tunes":983},"h-0030",{"text":982,"level":47},"Qu'est-ce qui falsifierait cette hypothèse ?",{},{"id":985,"data":986,"type":544,"tunes":988},"p-0031",{"text":987},"Cette thèse est délibérément falsifiable. Le tableau ci-dessous définit les signaux du marché, des logiciels, du matériel et de l'adoption des jeux qui rendraient l'argument plus fort ou plus faible au fil du temps.",{},{"id":990,"data":991,"type":707,"tunes":1024},"cmp-0032",{"rows":992,"title":1016,"layout":604,"columns":1017},[993,998,1004,1010],{"id":682,"label":994,"values":995},"Économie de la mémoire",{"weakens":996,"strengthens":997},"La capacité grand public s'étend et la pression sur les prix se normalise","La priorité serveur\u002FHBM continue de comprimer l'allocation grand public",{"id":999,"label":1000,"values":1001},"graphics","Pile graphique",{"weakens":1002,"strengthens":1003},"Les graphismes neuronaux restent un post-traitement optionnel spécifique à un fournisseur","Les primitives ML deviennent des fonctionnalités normales des moteurs\u002FDirectX",{"id":1005,"label":1006,"values":1007},"hardware","Conception matérielle",{"weakens":1008,"strengthens":1009},"Le GPU discret + RAM séparée reste clairement supérieur en coût, flexibilité et latence","Plus de calcul hétérogène intégré et de plus grands pools de mémoire cohérente",{"id":1011,"label":1012,"values":1013},"games","Adoption par les jeux",{"weakens":1014,"strengthens":1015},"La technologie reste limitée à des démos ou à quelques jeux phares","Les studios livrent largement la compression neuronale, la génération et les chemins de données prédictifs","Preuves qui renforcent ou affaiblissent la thèse",[1018,1021],{"id":1019,"label":1020},"strengthens","La renforceraient",{"id":1022,"label":1023},"weakens","L'affaibliraient",{},{"id":1026,"data":1027,"type":572,"tunes":1029},"h-0033",{"text":1028,"level":47},"La conclusion pratique pour un joueur aujourd'hui",{},{"id":1031,"data":1032,"type":544,"tunes":1034},"p-0034",{"text":1033},"N'achetez pas du matériel parce qu'une architecture spéculative pourrait arriver. Achetez pour les jeux, la résolution, la cible de latence et les charges de travail que vous avez réellement. Mais ne supposez pas que la pérennité puisse encore se réduire à un seul chiffre comme la performance de rastérisation ou la capacité de VRAM. L'orientation de la pile logicielle suggère que le comportement de la mémoire, le calcul neuronal et le support des moteurs pourraient devenir des parties de plus en plus importantes de l'équation de valeur.",{},{"id":1036,"data":1037,"type":669,"tunes":1042},"ref-0035",{"url":1038,"title":1039,"excerpt":1040,"ctaLabel":1041},"https:\u002F\u002Ffigure.rocks\u002Ffr\u002Fblog\u002Fvram-usage-is-not-vram-requirement-why-a-full-memory-meter-does-not-tell-the-whole-story","L'utilisation de la VRAM n'est pas une exigence de VRAM : pourquoi une jauge de mémoire pleine ne raconte pas toute l'histoire","Une explication pratique des ensembles de travail, de la résidence et pourquoi un nombre de VRAM allouée n'est pas la même chose qu'une exigence stricte.","Lire le guide VRAM",{},{"id":1044,"data":1045,"type":572,"tunes":1047},"h-0036",{"text":1046,"level":47},"Sources primaires",{},{"id":1049,"data":1050,"type":1056,"tunes":1057},"v3-src-newzoo",{"link":1051,"meta":1052},"https:\u002F\u002Fnewzoo.com\u002Farticles\u002F2026-global-games-market-key-numbers",{"image":1053,"title":1054,"description":1055},{"url":13},"Newzoo — Chiffres clés du marché mondial des jeux 2026","Prévisions du marché des jeux 2026 utilisées pour la comparaison d'échelle.","linkTool",{},{"id":1059,"data":1060,"type":1056,"tunes":1066},"src-0038",{"link":1061,"meta":1062},"https:\u002F\u002Fwww.semiconductors.org\u002Fglobal-annual-semiconductor-sales-increase-25-6-to-791-7-billion-in-2025\u002F",{"image":1063,"title":1064,"description":1065},{"url":13},"Semiconductor Industry Association — Ventes mondiales 2025","Ventes de semi-conducteurs 2025 et projection de l'association d'environ 1 000 milliards de dollars pour 2026.",{},{"id":1068,"data":1069,"type":1056,"tunes":1075},"v3-src-trend-sep",{"link":1070,"meta":1071},"https:\u002F\u002Fwww.trendforce.com\u002Fpresscenter\u002Fnews\u002F20260930-13258.html",{"image":1072,"title":1073,"description":1074},{"url":13},"TrendForce — La demande de serveurs IA soutient la hausse des prix de la mémoire au 4T26","Preuves de fin 2026 d'une allocation continue de capacité prioritaire aux serveurs et de pression sur les consommateurs.",{},{"id":1077,"data":1078,"type":1056,"tunes":1084},"v3-src-buddy",{"link":1079,"meta":1080},"https:\u002F\u002Fresearch.nvidia.com\u002Fpublication\u002F2019-04_buddy-compression-enabling-larger-memory-deep-learning-and-hpc-workloads-gpus",{"image":1081,"title":1082,"description":1083},{"url":13},"NVIDIA Research — Buddy Compression","Source de recherche pour des taux de compression moyens de 2,2× en HPC et 1,5× en DL.",{},{"id":1086,"data":1087,"type":1056,"tunes":1093},"v3-src-uvm",{"link":1088,"meta":1089},"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0743731522002490",{"image":1090,"title":1091,"description":1092},{"url":13},"Préchargement UVM CPU–GPU basé sur l'apprentissage profond","Source de recherche pour les résultats de préchargement de pages appris.",{},{"id":1095,"data":1096,"type":1056,"tunes":1102},"v3-src-aaai",{"link":1097,"meta":1098},"https:\u002F\u002Fojs.aaai.org\u002Findex.php\u002FAAAI\u002Farticle\u002Fview\u002F39224",{"image":1099,"title":1100,"description":1101},{"url":13},"AAAI 2026 — Préchargement asynchrone du cache KV","Source de recherche démontrant le masquage de latence grâce au préchargement proactif du cache GPU.",{},{"id":1104,"data":1105,"type":1056,"tunes":1111},"src-0039",{"link":1106,"meta":1107},"https:\u002F\u002Fwww.trendforce.com\u002Fpresscenter\u002Fnews\u002F20260331-12995.html",{"image":1108,"title":1109,"description":1110},{"url":13},"TrendForce — Demande de serveurs IA et prix de la mémoire au 2T26","Preuves actuelles de la priorisation serveur\u002FHBM, des contraintes GDDR et de la pression sur les consommateurs.",{},{"id":1113,"data":1114,"type":1056,"tunes":1120},"src-0040",{"link":1115,"meta":1116},"https:\u002F\u002Fdevblogs.microsoft.com\u002Fdirectx\u002Fevolving-directx-for-the-ml-era-on-windows\u002F",{"image":1117,"title":1118,"description":1119},{"url":13},"Microsoft DirectX — Faire évoluer DirectX pour l'ère du ML","Aperçu officiel de la GDC 2026 du ML au niveau des shaders et des modèles dans DirectX.",{},{"id":1122,"data":1123,"type":1056,"tunes":1129},"src-0041",{"link":1124,"meta":1125},"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Fadlr\u002FDLSS5\u002F",{"image":1126,"title":1127,"description":1128},{"url":13},"NVIDIA Research — DLSS 5 : rendu neuronal génératif","Page de recherche principale décrivant DLSS 5 comme une étape de rendu génératif en temps réel.",{},{"id":1131,"data":1132,"type":1056,"tunes":1138},"src-0042",{"link":1133,"meta":1134},"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fproducts\u002Fworkstations\u002Fdgx-spark\u002F",{"image":1135,"title":1136,"description":1137},{"url":13},"NVIDIA — Spécifications du DGX Spark","Spécifications officielles de l'architecture, de la mémoire unifiée et de la bande passante.",{},{"id":1140,"data":1141,"type":1056,"tunes":1147},"v5-src-5090-official",{"link":1142,"meta":1143},"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fgeforce\u002Fgraphics-cards\u002F50-series\u002Frtx-5090\u002F",{"image":1144,"title":1145,"description":1146},{"url":13},"NVIDIA — GeForce RTX 5090","Page produit officielle actuelle de la RTX 5090 utilisée pour distinguer le statut confirmé du produit des rumeurs d'arrêt de production.",{},{"id":1149,"data":1150,"type":1056,"tunes":1156},"v5-src-5090-signal",{"link":1151,"meta":1152},"https:\u002F\u002Fwww.tomshardware.com\u002Fpc-components\u002Fgpus\u002Fnvidia-rtx-5090-disappears-from-micro-center-amid-rumors-of-a-production-halt-retailer-flags-flagship-as-not-carried-as-stock-mysteriously-vanishes",{"image":1153,"title":1154,"description":1155},{"url":13},"Tom’s Hardware — Disparition de la RTX 5090 en commerce de détail et rumeurs d'arrêt de production","Rapport de marché actuel utilisé uniquement comme signal sectoriel ; il note explicitement que NVIDIA n'a pas confirmé d'arrêt de production.",{},{"id":1158,"data":1159,"type":1056,"tunes":1165},"v5-src-ntc",{"link":1160,"meta":1161},"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Frtr\u002Fneural_texture_compression\u002F",{"image":1162,"title":1163,"description":1164},{"url":13},"NVIDIA Research — Compression neuronale à accès aléatoire des textures de matériaux","Source principale pour la comparaison de résolution linéaire 4× \u002F texel 16× avec 30 % de mémoire en moins par rapport à BC High.",{},{"id":1167,"data":1168,"type":1056,"tunes":1174},"v5-src-rtxpro6000",{"link":1169,"meta":1170},"https:\u002F\u002Fwww.nvidia.com\u002Fde-de\u002Fproducts\u002Fworkstations\u002Fprofessional-desktop-gpus\u002Frtx-pro-6000\u002F",{"image":1171,"title":1172,"description":1173},{"url":13},"NVIDIA — RTX PRO 6000 Blackwell Workstation Edition","Source officielle pour les 96 Go de GDDR7 et la bande passante mémoire de 1 792 Go\u002Fs utilisés comme point de référence de bande passante.",{},{"id":1176,"data":1177,"type":1196,"tunes":1197},"gloss-0044",{"title":1178,"entries":1179},"Concepts clés",[1180,1184,1188,1192],{"term":1181,"anchor":1182,"definition":1183},"Rendu neuronal","neural-rendering","Méthodes de rendu qui utilisent des modèles entraînés dans le cadre de la production, de la reconstruction ou de l'amélioration de la sortie visuelle.",{"term":1185,"anchor":1186,"definition":1187},"Calcul hétérogène","heterogeneous-compute","Système qui attribue différentes charges de travail à différents moteurs de calcul tels que le CPU, le GPU, le RT et le matériel matriciel\u002FTensor.",{"term":1189,"anchor":1190,"definition":1191},"Mémoire effective","effective-memory","Description pratique de la quantité de données utiles qu'un système de mémoire peut conserver et fournir au calcul après prise en compte de la compression, de la résidence et de l'efficacité des mouvements. Ce n'est pas un remplacement formel de la capacité physique.",{"term":1193,"anchor":1194,"definition":1195},"Mémoire prédictive","predictive-memory","Raccourci de Figure Rocks pour combiner l'état connu du jeu et la prédiction apprise afin de préparer les données probablement nécessaires avant un blocage. C'est une hypothèse, pas une norme industrielle.","glossary",{},{"id":541,"data":1199,"type":544,"tunes":1201},{"text":1200},"Pendant des décennies, le jeu sur PC pour passionnés a suivi un marché familier : les jeux demandaient plus de calcul, les générations de GPU offraient plus de calcul, et les joueurs effectuaient une mise à niveau lorsque l'écart devenait suffisamment important. Cette boucle n'a jamais parfaitement fonctionné, mais la direction était compréhensible. En 2026, la boucle devient plus difficile à lire car deux changements se produisent en même temps : l'infrastructure d'IA est en concurrence agressive pour le silicium et la mémoire, tandis que les techniques d'IA s'intègrent directement dans la façon dont les jeux créent des images.",{},{"id":547,"data":1203,"type":552,"tunes":1205},{"body":1204,"title":550,"variant":551},"\u003Cstrong>L'ancien cycle de mise à niveau pour le jeu est sous pression, mais il n'est pas simplement remplacé par des GPU plus chers.\u003C\u002Fstrong> L'IA modifie les deux côtés de l'équation : elle accroît la concurrence pour les ressources en semi-conducteurs et en mémoire, et elle permet également des techniques de rendu neuronal qui peuvent échanger des données stockées ou du travail de rendu conventionnel contre de l'inférence. La possibilité importante est que le jeu puisse répondre à une économie matérielle plus tendue en devenant plus sélectif sur le plan computationnel, et pas seulement en exigeant des GPU plus gros.",{},{"id":555,"data":1207,"type":552,"tunes":1209},{"body":1208,"title":558,"variant":559},"Il s'agit d'une \u003Cstrong>hypothèse étayée par des preuves\u003C\u002Fstrong>. Les données de marché documentées et les technologies commercialisées ou annoncées sont étiquetées comme des faits ou des signaux sectoriels. Les liens entre elles sont des inférences techniques. L'architecture future décrite plus loin est une hypothèse de Figure Rocks, et non une affirmation concernant une feuille de route non annoncée de NVIDIA, AMD, Intel, Microsoft ou des consoles.",{},{"id":562,"data":1211,"type":566,"tunes":1212},{"title":564,"maxLevel":565,"minLevel":47},{},{"id":569,"data":1214,"type":572,"tunes":1215},{"text":571,"level":47},{},{"id":575,"data":1217,"type":544,"tunes":1219},{"text":1218},"Newzoo prévoit le marché mondial du jeu à 213,9 milliards de dollars en 2026, en hausse de 6,1 % sur un an. La Semiconductor Industry Association a rapporté 791,7 milliards de dollars de ventes mondiales de semi-conducteurs pour 2025, en hausse de 25,6 %, et projette environ 1 000 milliards de dollars pour 2026. Le secteur du jeu et celui des semi-conducteurs dépendent encore l'un de l'autre, mais leurs incitations deviennent moins symétriques : le même écosystème de fabrication avancée qui permet le jeu haut de gamme sert désormais les acheteurs d'IA et de centres de données avec des budgets d'infrastructure bien plus importants. Ce ne sont pas des catégories de produits directement comparables ; elles établissent l'échelle de l'économie de calcul en amont autour du jeu.",{},{"id":580,"data":1221,"type":604,"tunes":1229},{"content":1222,"stretched":603,"withHeadings":15},[1223,1224,1225,1227,1228],[584,585,586],[588,589,590],[1226,593,594],"Jeux PC, prévision 2026",[596,597,598],[600,601,602],{},{"id":607,"data":1231,"type":552,"tunes":1233},{"body":1232,"title":610,"variant":611},"Les chiffres établissent un \u003Cstrong>contexte économique, pas une causalité directe\u003C\u002Fstrong>. Ils ne prouvent pas qu'une plaquette, un GPU ou un module de mémoire spécifique a été retiré à un joueur et réaffecté à l'IA. Ils ne signifient pas non plus que le jeu et les semi-conducteurs sont les deux plus grandes industries du monde. Le point plus étroit et défendable est qu'un marché du jeu de plus de 200 Md$ dépend d'une économie de semi-conducteurs en amont approchant l'échelle annuelle du billion de dollars, où l'infrastructure d'IA concurrence désormais le calcul et la mémoire avancés dans des conditions de budget et de marge très différentes.",{},{"id":614,"data":1235,"type":572,"tunes":1236},{"text":616,"level":47},{},{"id":619,"data":1238,"type":544,"tunes":1240},{"text":1239},"TrendForce a rapporté à plusieurs reprises que les fournisseurs de DRAM réorientent leurs capacités vers les produits serveur et HBM à mesure que la demande en IA croît. En mars 2026, il prévoyait une hausse des prix contractuels de la DRAM conventionnelle de 58 à 63 % d'un trimestre à l'autre au T2 et indiquait qu'une allocation limitée de GDDR restreignait l'approvisionnement en mémoire graphique. Au T3, TrendForce indiquait que les clients grand public atteignaient une limite d'accessibilité financière, même si la demande en IA et serveur restait forte.",{},{"id":624,"data":1242,"type":644,"tunes":1255},{"steps":1243,"title":642,"orientation":643},[1244,1247,1249,1251,1253],{"label":1245,"description":1246},"1. L'infrastructure IA s'étend","Les fournisseurs de cloud et les acteurs de l'IA sécurisent la mémoire serveur, la HBM, les SSD d'entreprise et le calcul avancé.",{"label":631,"description":1248},"Les capacités se déplacent vers les produits à plus forte demande, à meilleures marges ou sous contrats à long terme.",{"label":634,"description":1250},"Les acheteurs de mémoire pour PC, graphique et grand public font face à des prix plus élevés ou à une disponibilité restreinte.",{"label":1252,"description":638},"4. Les fabricants de cartes graphiques absorbent ou répercutent les coûts",{"label":640,"description":1254},"Un GPU plus rapide reste utile, mais la mise à l'échelle par la force brute devient économiquement plus difficile à répéter aux mêmes niveaux de prix grand public.",{},{"id":647,"data":1257,"type":552,"tunes":1259},{"body":1258,"title":650,"variant":611},"TrendForce a rapporté le 30 septembre 2026 que les fournisseurs privilégient toujours les capacités de processus avancés pour les produits serveur hautes performances, avec des prix contractuels de DRAM conventionnelle projetés en hausse de 10 à 15 % d'un trimestre à l'autre au T4. Son bulletin DRAM indique également que la HBM continue d'évincer les capacités de DRAM générale. La pression décrite ici reste donc visible fin 2026 ; elle ne repose pas uniquement sur un pic temporaire en début d'année.",{},{"id":653,"data":1261,"type":572,"tunes":1263},{"text":1262,"level":47},"Au même moment exactement, le cadre lui-même change",{},{"id":658,"data":1265,"type":544,"tunes":1267},{"text":1266},"Microsoft décrit désormais l'apprentissage automatique comme devenant fondamental pour le graphisme en temps réel. DirectX ajoute des chemins ML au niveau des shaders et des modèles afin que la compression neuronale de textures, le débruitage, la super-résolution et d'autres charges de travail apprises puissent s'intégrer à la pile graphique au lieu d'être ajoutés comme des fonctionnalités isolées. La recherche DLSS 5 de NVIDIA pousse l'idée plus loin en introduisant une étape de rendu neuronal génératif qui complète le rendu conventionnel par des a priori d'apparence appris. Le rendu neuronal ne signifie pas que le rendu conventionnel disparaît. Le modèle émergent est hybride : rendre certaines informations directement, en inférer ou reconstruire d'autres lorsque cela est moins coûteux ou plus utile.",{},{"id":663,"data":1269,"type":669,"tunes":1270},{"url":665,"title":666,"excerpt":667,"ctaLabel":668},{},{"id":672,"data":1272,"type":707,"tunes":1289},{"rows":1273,"title":699,"layout":604,"columns":1284},[1274,1277,1279,1282],{"id":676,"label":677,"values":1275},{"new":679,"old":1276},"Stocker plus de détails et effectuer plus de travail de rendu",{"id":682,"label":683,"values":1278},{"new":685,"old":686},{"id":688,"label":689,"values":1280},{"new":1281,"old":692},"Mélanger shaders, RT et calcul de type matrice\u002FTensor",{"id":694,"label":695,"values":1283},{"new":697,"old":698},[1285,1287],{"id":702,"label":1286},"Approche traditionnelle",{"id":705,"label":1288},"Approche de l'ère neuronale",{},{"id":710,"data":1291,"type":552,"tunes":1292},{"body":712,"title":713,"variant":714},{},{"id":717,"data":1294,"type":719,"tunes":1295},{},{},{"id":722,"data":1297,"type":572,"tunes":1298},{"text":724,"level":47},{},{"id":727,"data":1300,"type":544,"tunes":1302},{"text":1301},"La RTX 5090 est un exemple utile précisément parce que les preuves sont mitigées. Au 18 octobre 2026, NVIDIA liste toujours la GeForce RTX 5090 comme produit actuel. Parallèlement, le comportement des détaillants et les rapports de presse ont documenté une disponibilité exceptionnellement faible et des affirmations non confirmées d'arrêt de production. C'est un signal de marché, pas une annonce officielle de fin de production. La question défendable n'est donc pas de savoir si NVIDIA a secrètement tué une carte, mais si le coût d'opportunité d'allouer du silicium haut de gamme de classe Blackwell au jeu pour passionnés augmente lorsque l'architecture similaire peut servir les marchés de la visualisation professionnelle et de l'IA avec une économie très différente.",{},{"id":732,"data":1304,"type":552,"tunes":1306},{"body":1305,"title":735,"variant":559},"\u003Cstrong>FAIT :\u003C\u002Fstrong> NVIDIA liste toujours publiquement la RTX 5090, et l'architecture Blackwell couvre les produits de jeu et professionnels.\u003Cbr>\u003Cstrong>SIGNAL INDUSTRIEL :\u003C\u002Fstrong> la disparition chez les détaillants, une pénurie extrême et des rapports d'un possible arrêt de production existent, mais NVIDIA n'a pas confirmé une fin de vie ou un arrêt de production de la RTX 5090.\u003Cbr>\u003Cstrong>INFÉRENCE TECHNIQUE :\u003C\u002Fstrong> un die haut de gamme a plusieurs destinations économiquement précieuses.\u003Cbr>\u003Cstrong>HYPOTHÈSE FIGURE ROCKS :\u003C\u002Fstrong> la demande en IA et professionnelle peut rendre plus difficile à soutenir l'attente traditionnelle des passionnés — que le plus grand die pratique reste largement accessible en tant que fleuron du jeu.",{},{"id":738,"data":1308,"type":572,"tunes":1310},{"text":1309,"level":47},"La mémoire commence à devenir un problème de calcul, pas seulement de capacité",{},{"id":743,"data":1312,"type":544,"tunes":1314},{"text":1313},"Il existe au moins quatre façons d'attaquer un goulot d'étranglement mémoire sans simplement augmenter la vitesse brute de la DRAM : compresser la représentation, reconstruire les détails par le calcul, prédire quelles données seront nécessaires ensuite et garder les bonnes données résidentes près de l'unité d'exécution. Aucune ne rend magiquement une puce mémoire physique plus rapide. Elles changent la quantité de travail utile que le système obtient d'un budget fini de capacité et de bande passante.",{},{"id":748,"data":1316,"type":604,"tunes":1323},{"content":1317,"stretched":603,"withHeadings":15},[1318,1319,1320,1321,1322],[752,753,754],[756,757,758],[760,761,762],[764,765,766],[768,769,770],{},{"id":773,"data":1325,"type":552,"tunes":1327},{"body":1326,"title":776,"variant":551},"La compression Buddy de NVIDIA Research a rapporté un \u003Cstrong>taux de compression moyen de 2,2× pour les charges HPC et de 1,5× pour les charges d'apprentissage profond\u003C\u002Fstrong>, avec un ralentissement de 1 à 2 % dans cette étude. Ce résultat n'est pas un benchmark de jeu. Sa pertinence ici est architecturale : une mémoire compressée peut augmenter la capacité effective et réduire certains trafics sans changer la fréquence physique de la DRAM.",{},{"id":779,"data":1329,"type":552,"tunes":1331},{"body":1330,"title":782,"variant":714},"Les travaux de NVIDIA Research sur la NTC pour textures de matériaux ont démontré une \u003Cstrong>résolution linéaire de texture 4× supérieure — 16× plus de texels — tout en utilisant 30 % de mémoire en moins\u003C\u002Fstrong> par rapport à sa comparaison BC High. Cela ne signifie pas que chaque jeu obtient un gain de mémoire de 16×. Cela démontre le mécanisme qui compte ici : certains détails visuels peuvent être représentés plus compactement et reconstruits par le calcul au lieu d'être stockés conventionnellement à la même fidélité.",{},{"id":785,"data":1333,"type":552,"tunes":1335},{"body":787,"title":1334,"variant":611},"Ce que le chiffre « 460× » ne signifie pas",{},{"id":791,"data":1337,"type":572,"tunes":1338},{"text":793,"level":47},{},{"id":796,"data":1340,"type":644,"tunes":1353},{"steps":1341,"title":1352,"orientation":643},[1342,1343,1344,1346,1348,1350],{"label":800,"description":801},{"label":803,"description":804},{"label":806,"description":1345},"Déplacer les données utiles avant que le GPU ne se bloque en les attendant.",{"label":809,"description":1347},"Consacrer le travail graphique conventionnel là où il modifie le plus le résultat visible.",{"label":812,"description":1349},"Utiliser la reconstruction ou la génération neuronale là où l'inférence coûte moins cher que stocker ou simuler tout directement.",{"label":815,"description":1351},"Livrer la frame en maintenant la latence, les artefacts et le rythme des frames dans des limites acceptables.","Un pipeline de frame futur possible",{},{"id":820,"data":1355,"type":544,"tunes":1357},{"text":1356},"Ce pipeline n'est pas un produit annoncé. Chaque composant existe déjà sous une forme ou une autre, mais la chaîne intégrée est l'hypothèse. La compression de textures neuronale a montré que les représentations apprises peuvent échanger du calcul contre de la mémoire. La recherche sur le préchargement GPU a montré que la prédiction apprise peut améliorer les taux de succès des pages mémoire. DirectX formalise le ML dans le modèle de programmation graphique. DLSS 5 montre une étape générative entrant dans le rendu temps réel.",{},{"id":825,"data":1359,"type":572,"tunes":1360},{"text":827,"level":47},{},{"id":830,"data":1362,"type":544,"tunes":1363},{"text":832},{},{"id":835,"data":1365,"type":644,"tunes":1376},{"steps":1366,"title":853,"orientation":643},[1367,1369,1370,1371,1373],{"label":839,"description":1368},"La direction de la caméra, le vecteur de mouvement, la pièce actuelle, les portails visibles et les dépendances d'assets connues existent déjà dans l'état du moteur.",{"label":842,"description":843},{"label":845,"description":846},{"label":848,"description":1372},"Les assets critiques utilisent toujours des règles définies ; la prédiction complète plutôt qu'elle ne remplace la correction.",{"label":1374,"description":1375},"5. Mesurer le coût du défaut","Si la prédiction gaspille de la bande passante ou évince des données utiles, la confiance ou la profondeur de préchargement doit diminuer.",{},{"id":856,"data":1378,"type":552,"tunes":1381},{"body":1379,"title":1380,"variant":559},"Une étude publiée sur la mémoire virtuelle unifiée CPU–GPU a rapporté une \u003Cstrong>amélioration de performance de 10,89 %\u003C\u002Fstrong>, un taux de succès des pages passant de \u003Cstrong>76,10 % à 89,02 %\u003C\u002Fstrong>, et \u003Cstrong>11,05 % de trafic d'interconnexion CPU–GPU en moins\u003C\u002Fstrong> grâce au préchargement appris. Un article AAAI 2026 sur le préchargement asynchrone de cache KV a rapporté \u003Cstrong>une efficacité de noyau d'attention de 2,15× et un débit de bout en bout jusqu'à 1,97×\u003C\u002Fstrong> sur sa charge de travail LLM. Aucun de ces résultats ne doit être transposé tel quel aux jeux ; les deux démontrent que la prédiction et le préchargement peuvent masquer le coût mémoire dans de vraies charges de travail GPU.","Cette idée a un précédent de recherche, mais pas encore de preuve dans le jeu",{},{"id":862,"data":1383,"type":572,"tunes":1384},{"text":864,"level":47},{},{"id":867,"data":1386,"type":544,"tunes":1388},{"text":1387},"DGX Spark n'est pas un PC de jeu, et le traiter comme tel masquerait la leçon utile. Sa conception GB10 combine des cœurs CPU Arm, un GPU Blackwell, du matériel Tensor et RT, et jusqu'à 128 Go de mémoire système unifiée cohérente. Cette architecture pose une question différente de celle d'un bureau classique : au lieu de séparer proprement le système en mémoire CPU et VRAM discrète, que se passe-t-il lorsque plusieurs moteurs de calcul partagent un grand pool mémoire ?",{},{"id":872,"data":1390,"type":604,"tunes":1401},{"content":1391,"stretched":603,"withHeadings":15},[1392,1393,1395,1397,1399],[876,877,878],[880,881,1394],"Un grand pool partagé pourrait réduire la duplication et donner à l'IA locale + aux graphiques accès à des données communes",[884,885,1396],"La capacité ne suffit pas ; les graphiques haut de gamme ont encore besoin d'une gestion agressive de la bande passante et de la latence",[888,889,1398],"Une future charge de travail de jeu pourrait être répartie sur davantage de moteurs spécialisés",[1400,893,894],"Format\u002Fpuissance",{},{"id":897,"data":1403,"type":552,"tunes":1405},{"body":1404,"title":900,"variant":611},"Un grand pool unifié ne remplace \u003Cstrong>pas\u003C\u002Fstrong> automatiquement la bande passante d'un GPU discret haut de gamme. DGX Spark annonce 273 Go\u002Fs de bande passante mémoire, tandis que l'édition station de travail RTX PRO 6000 Blackwell de NVIDIA annonce 1 792 Go\u002Fs. Ce sont des produits très différents et la comparaison n'est pas un benchmark de jeu ; elle rend simplement visible la contrainte architecturale. Une conception de jeu de type Spark devrait résoudre la contention, la latence et la bande passante — pas seulement fournir plus de gigaoctets partagés.",{},{"id":903,"data":1407,"type":572,"tunes":1408},{"text":905,"level":47},{},{"id":908,"data":1410,"type":644,"tunes":1423},{"steps":1411,"title":929,"orientation":643},[1412,1413,1415,1418,1420,1422],{"label":912,"description":913},{"label":915,"description":1414},"La prédiction fonctionne mieux lorsque le système connaît la direction de la caméra, les dépendances d'assets, le mouvement et la visibilité probable.",{"label":1416,"description":1417},"3. Le déplacement mémoire doit devenir délibéré","La compression sans bonne politique de résidence et de préchargement peut encore bloquer.",{"label":921,"description":1419},"Le détail généré ne peut pas introduire d'artefacts inacceptables, d'instabilité temporelle ou d'informations de jeu incorrectes.",{"label":924,"description":1421},"Une frame plus belle n'est pas automatiquement un jeu plus réactif.",{"label":927,"description":928},{},{"id":932,"data":1425,"type":572,"tunes":1427},{"text":1426,"level":47},"Que doit attendre un acheteur d'une transition de type Spark ?",{},{"id":937,"data":1429,"type":707,"tunes":1449},{"rows":1430,"title":970,"layout":604,"columns":1446},[1431,1434,1436,1440,1442],{"id":941,"label":942,"values":1432},{"cost":944,"gain":1433},"Partage plus flexible entre CPU, graphiques et IA locale",{"id":947,"label":948,"values":1435},{"cost":950,"gain":951},{"id":953,"label":954,"values":1437},{"cost":1438,"gain":1439},"L'IA peut concurrencer les graphiques pour le calcul et la mémoire","Des modèles, agents ou assets neuronaux plus grands peuvent coexister localement",{"id":959,"label":960,"values":1441},{"cost":962,"gain":963},{"id":965,"label":966,"values":1443},{"cost":1444,"gain":1445},"Seulement si les moteurs et runtimes utilisent réellement ces capacités","Une machine peut mieux vieillir si les futurs jeux basculent vers des charges neuronales",[1447,1448],{"id":973,"label":974},{"id":976,"label":977},{},{"id":980,"data":1451,"type":572,"tunes":1452},{"text":982,"level":47},{},{"id":985,"data":1454,"type":544,"tunes":1456},{"text":1455},"Cette thèse est délibérément falsifiable. Le tableau ci-dessous définit les signaux de marché, de logiciel, de matériel et d'adoption par les jeux qui rendraient l'argument plus fort ou plus faible au fil du temps.",{},{"id":990,"data":1458,"type":707,"tunes":1479},{"rows":1459,"title":1473,"layout":604,"columns":1474},[1460,1462,1466,1470],{"id":682,"label":994,"values":1461},{"weakens":996,"strengthens":997},{"id":999,"label":1000,"values":1463},{"weakens":1464,"strengthens":1465},"Le rendu neuronal reste un post-traitement optionnel propre à chaque constructeur","Les primitives ML deviennent des fonctionnalités standard des moteurs\u002FDirectX",{"id":1005,"label":1006,"values":1467},{"weakens":1468,"strengthens":1469},"GPU dédié + RAM séparée reste clairement supérieur en coût, flexibilité et latence","Davantage de calcul hétérogène intégré et des pools de mémoire cohérente plus grands",{"id":1011,"label":1012,"values":1471},{"weakens":1014,"strengthens":1472},"Les studios déploient largement la compression neuronale, la génération et les chemins de données prédictifs","Éléments qui renforcent ou affaiblissent la thèse",[1475,1477],{"id":1019,"label":1476},"La renforcerait",{"id":1022,"label":1478},"L'affaiblirait",{},{"id":1026,"data":1481,"type":572,"tunes":1482},{"text":1028,"level":47},{},{"id":1031,"data":1484,"type":544,"tunes":1486},{"text":1485},"N'achetez pas du matériel parce qu'une architecture spéculative pourrait arriver. Achetez pour les jeux, la résolution, la cible de latence et les charges de travail que vous avez réellement. Mais ne supposez pas que la pérennité puisse encore se réduire à un seul chiffre comme la performance en rastérisation ou la capacité de VRAM. L'orientation de la pile logicielle suggère que le comportement de la mémoire, le calcul neuronal et la prise en charge par les moteurs pourraient devenir des composantes de plus en plus importantes de l'équation de valeur.",{},{"id":1036,"data":1488,"type":669,"tunes":1491},{"url":1038,"title":1489,"excerpt":1040,"ctaLabel":1490},"L'utilisation de la VRAM n'est pas une exigence de VRAM : pourquoi une jauge de mémoire pleine ne dit pas tout","Lire le guide de la VRAM",{},{"id":1044,"data":1493,"type":572,"tunes":1494},{"text":1046,"level":47},{},{"id":1049,"data":1496,"type":1056,"tunes":1501},{"link":1051,"meta":1497},{"image":1498,"title":1499,"description":1500},{"url":13},"Newzoo — Chiffres clés du marché mondial du jeu vidéo 2026","Prévisions du marché du jeu vidéo pour 2026 utilisées pour la comparaison d'échelle.",{},{"id":1059,"data":1503,"type":1056,"tunes":1506},{"link":1061,"meta":1504},{"image":1505,"title":1064,"description":1065},{"url":13},{},{"id":1068,"data":1508,"type":1056,"tunes":1512},{"link":1070,"meta":1509},{"image":1510,"title":1073,"description":1511},{"url":13},"Preuves de fin 2026 d'une allocation continue de capacité prioritaire aux serveurs et de pression sur le grand public.",{},{"id":1077,"data":1514,"type":1056,"tunes":1518},{"link":1079,"meta":1515},{"image":1516,"title":1082,"description":1517},{"url":13},"Source de recherche pour les taux de compression moyens de 2,2× en HPC et 1,5× en DL.",{},{"id":1086,"data":1520,"type":1056,"tunes":1523},{"link":1088,"meta":1521},{"image":1522,"title":1091,"description":1092},{"url":13},{},{"id":1095,"data":1525,"type":1056,"tunes":1529},{"link":1097,"meta":1526},{"image":1527,"title":1100,"description":1528},{"url":13},"Source de recherche démontrant le masquage de latence via le préchargement proactif du cache GPU.",{},{"id":1104,"data":1531,"type":1056,"tunes":1535},{"link":1106,"meta":1532},{"image":1533,"title":1109,"description":1534},{"url":13},"Preuves actuelles de la priorisation serveur\u002FHBM, des contraintes GDDR et de la pression sur le grand public.",{},{"id":1113,"data":1537,"type":1056,"tunes":1540},{"link":1115,"meta":1538},{"image":1539,"title":1118,"description":1119},{"url":13},{},{"id":1122,"data":1542,"type":1056,"tunes":1546},{"link":1124,"meta":1543},{"image":1544,"title":1127,"description":1545},{"url":13},"Page de recherche primaire décrivant DLSS 5 comme une étape de rendu génératif en temps réel.",{},{"id":1131,"data":1548,"type":1056,"tunes":1551},{"link":1133,"meta":1549},{"image":1550,"title":1136,"description":1137},{"url":13},{},{"id":1140,"data":1553,"type":1056,"tunes":1556},{"link":1142,"meta":1554},{"image":1555,"title":1145,"description":1146},{"url":13},{},{"id":1149,"data":1558,"type":1056,"tunes":1562},{"link":1151,"meta":1559},{"image":1560,"title":1561,"description":1155},{"url":13},"Tom’s Hardware — Disparition de la RTX 5090 en commerce et rumeurs d'arrêt de production",{},{"id":1158,"data":1564,"type":1056,"tunes":1568},{"link":1160,"meta":1565},{"image":1566,"title":1163,"description":1567},{"url":13},"Source primaire pour la comparaison de résolution linéaire 4× \u002F texel 16× avec 30 % de mémoire en moins par rapport à BC High.",{},{"id":1167,"data":1570,"type":1056,"tunes":1574},{"link":1169,"meta":1571},{"image":1572,"title":1172,"description":1573},{"url":13},"Source officielle pour 96 Go de GDDR7 et une bande passante mémoire de 1 792 Go\u002Fs utilisée comme point de référence de bande passante.",{},{"id":1176,"data":1576,"type":1196,"tunes":1584},{"title":1178,"entries":1577},[1578,1580,1581,1582],{"term":1181,"anchor":1182,"definition":1579},"Méthodes de rendu qui utilisent des modèles entraînés dans le cadre de la production, de la reconstruction ou de l'amélioration d'une sortie visuelle.",{"term":1185,"anchor":1186,"definition":1187},{"term":1189,"anchor":1190,"definition":1191},{"term":1193,"anchor":1194,"definition":1583},"Terme abrégé de Figure Rocks désignant la combinaison de l'état de jeu connu et d'une prédiction apprise pour préparer les données probablement nécessaires avant un blocage. Il s'agit d'une hypothèse, pas d'une norme industrielle.",{},"2.31","L'IA rend le silicium et la mémoire hautes performances plus précieux en dehors du jeu vidéo, tout en offrant aux jeux de nouvelles façons de rendre, compresser et prédire. Cette analyse se demande si ces deux tendances convergent vers un nouveau modèle matériel.","\u002Fuploads\u002F2026\u002F10\u002Frender-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle-1792323493963-l2x8qb.webp","render-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle-1792323493963-l2x8qb","PUBLISHED","2026-10-18T03:34:00.000Z","2026-10-18T11:34:48.220Z","2026-10-18T15:26:55.786Z",{"en":1594,"de":1595,"sr":1596,"es":1597,"fr":1598,"it":1599,"ru":1600,"zh":1601},"\u002Fblog\u002Frender-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle","\u002Fde\u002Fblog\u002Frender-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle","\u002Fsr\u002Fblog\u002Frender-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle","\u002Fes\u002Fblog\u002Frender-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle","\u002Ffr\u002Fblog\u002Frender-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle","\u002Fit\u002Fblog\u002Frender-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle","\u002Fru\u002Fblog\u002Frender-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle","\u002Fzh\u002Fblog\u002Frender-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle",[1603,1606,1610,1614,1618],{"id":1604,"name":286,"slug":1605},144,"tech",{"id":1607,"name":1608,"slug":1609},166,"Actualités Gaming","gaming-news",{"id":1611,"name":1612,"slug":1613},165,"Actualités","news",{"id":1615,"name":1616,"slug":1617},170,"Actualités Tech","tech-news",{"id":1619,"name":1620,"slug":705},427,"Nouveautés",{"id":283,"login":1622,"email":13,"displayName":1623},"aleksandar","Aleksandar Stajic",[1625,2475],{"lang":8,"title":1626,"content":1627,"contentJson":1628,"excerpt":2474},"Render Less, Infer More: Is AI Breaking the Traditional Gaming Hardware Upgrade Cycle?","{\"time\":1792336677504,\"blocks\":[{\"id\":\"p-0001\",\"type\":\"paragraph\",\"data\":{\"text\":\"For decades, enthusiast PC gaming followed a familiar bargain: games asked for more compute, GPU generations delivered more compute, and players upgraded when the gap became large enough. That loop never worked perfectly, but the direction was understandable. In 2026, the loop is becoming harder to read because two changes are happening at the same time: AI infrastructure is competing aggressively for silicon and memory, while AI techniques are moving directly into the way games create frames.\"},\"tunes\":{}},{\"id\":\"c-0002\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"\u003Cstrong>The old gaming upgrade cycle is under pressure, but it is not simply being replaced by more expensive GPUs.\u003C\u002Fstrong> AI is changing both sides of the equation: it increases competition for semiconductor and memory resources, and it also enables neural rendering techniques that can trade stored data or conventional rendering work for inference. The important possibility is that gaming may respond to tighter hardware economics by becoming more computationally selective, not merely by demanding larger GPUs.\"},\"tunes\":{}},{\"id\":\"c-0003\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"How to read this article\",\"body\":\"This is an \u003Cstrong>evidence-backed hypothesis\u003C\u002Fstrong>. Documented market data and shipping or announced technologies are labeled as facts or industry signals. The connections between them are technical inference. The future architecture described later is a Figure Rocks hypothesis, not a claim about an unannounced NVIDIA, AMD, Intel, Microsoft or console roadmap.\"},\"tunes\":{}},{\"id\":\"toc-0004\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"h-0005\",\"type\":\"header\",\"data\":{\"text\":\"The scale mismatch is already visible\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0006\",\"type\":\"paragraph\",\"data\":{\"text\":\"Newzoo forecasts the global games market at $213.9 billion in 2026, up 6.1% year over year. The Semiconductor Industry Association reported $791.7 billion in global semiconductor sales for 2025, up 25.6%, and projected roughly $1 trillion for 2026. The games business and semiconductor business still depend on each other, but their incentives are becoming less symmetric: the same advanced manufacturing ecosystem that enables premium gaming now serves AI and data-center buyers with much larger infrastructure budgets. These are not directly comparable product categories; they establish the scale of the upstream compute economy around gaming.\"},\"tunes\":{}},{\"id\":\"t-0007\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Reference point\",\"Reported or forecast value\",\"Why it matters here\"],[\"Global games market, 2026 forecast\",\"$213.9B, +6.1% YoY\",\"Large consumer entertainment market, but downstream of advanced hardware supply\"],[\"PC games, 2026 forecast\",\"$45.9B, +5.3% YoY\",\"The gaming segment most directly exposed to PC component economics\"],[\"Global semiconductor sales, 2025\",\"$791.7B, +25.6% YoY\",\"Shows the scale of the upstream industry serving gaming, AI, mobile, automotive and cloud\"],[\"Global semiconductor industry, 2026 projection\",\"~$1T\",\"Raises the opportunity cost of dedicating premium silicon only to consumer gaming\"]]},\"tunes\":{}},{\"id\":\"c-0008\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"What these market numbers do — and do not — prove\",\"body\":\"The figures establish \u003Cstrong>economic context, not direct causation\u003C\u002Fstrong>. They do not prove that a specific wafer, GPU or memory package was taken from a gamer and reassigned to AI. They also do not mean gaming and semiconductors are the two largest industries in the world. The narrower, defensible point is that a $200B+ games market depends on an upstream semiconductor economy approaching trillion-dollar annual scale, where AI infrastructure now competes for advanced compute and memory under very different budget and margin conditions.\"},\"tunes\":{}},{\"id\":\"h-0009\",\"type\":\"header\",\"data\":{\"text\":\"Memory is where the pressure becomes concrete\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0010\",\"type\":\"paragraph\",\"data\":{\"text\":\"TrendForce has repeatedly reported that DRAM suppliers are shifting capacity toward server and HBM products as AI demand grows. In March 2026 it forecast conventional DRAM contract prices rising 58–63% quarter over quarter in Q2 and said limited GDDR allocation was constraining graphics memory supply. By Q3, TrendForce said consumer customers were reaching an affordability limit even as AI and server demand remained strong.\"},\"tunes\":{}},{\"id\":\"flow-0011\",\"type\":\"processFlow\",\"data\":{\"title\":\"The resource-allocation pressure\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. AI infrastructure expands\",\"description\":\"Cloud providers and AI builders secure server memory, HBM, enterprise SSDs and advanced compute.\"},{\"label\":\"2. Suppliers optimize product mix\",\"description\":\"Capacity moves toward products with stronger demand, margins or long-term contracts.\"},{\"label\":\"3. Consumer allocation tightens\",\"description\":\"PC, graphics and consumer memory buyers face higher prices or constrained availability.\"},{\"label\":\"4. Gaming vendors absorb or pass through cost\",\"description\":\"Board design, VRAM capacity and system price become harder trade-offs.\"},{\"label\":\"5. The old upgrade cycle weakens\",\"description\":\"A faster GPU is still useful, but brute-force scaling becomes economically harder to repeat at the same consumer price points.\"}]},\"tunes\":{}},{\"id\":\"v3-sep-signal\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"A September 2026 signal, not an old shortage story\",\"body\":\"TrendForce reported on September 30, 2026 that suppliers still prioritize advanced-process capacity for high-performance server products, with conventional DRAM contract prices projected to rise another 10–15% QoQ in Q4. Its DRAM bulletin also says HBM continues to crowd out general DRAM capacity. The pressure described here therefore remains visible late in 2026; it is not based only on a temporary early-year spike.\"},\"tunes\":{}},{\"id\":\"h-0012\",\"type\":\"header\",\"data\":{\"text\":\"At exactly the same time, the frame itself is changing\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0013\",\"type\":\"paragraph\",\"data\":{\"text\":\"Microsoft now describes machine learning as becoming foundational to real-time graphics. DirectX is adding shader-level and model-level ML paths so neural texture compression, denoising, super resolution and other learned workloads can sit inside the graphics stack instead of being bolted on as isolated features. NVIDIA's DLSS 5 research pushes the idea further by introducing a generative neural rendering stage that complements conventional rendering with learned appearance priors. Neural rendering does not mean conventional rendering disappears. The emerging model is hybrid: render some information directly, infer or reconstruct other information when doing so is cheaper or more useful.\"},\"tunes\":{}},{\"id\":\"ref-0014\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Ffigure.rocks\u002Fblog\u002Fdlss-5-is-not-just-upscaling-what-3d-guided-neural-rendering-actually-changes\",\"title\":\"DLSS 5 Is Not Just Upscaling: What Generative Neural Rendering Actually Changes\",\"excerpt\":\"Why the important change is not another quality mode, but a new stage in how visual information can be produced.\",\"ctaLabel\":\"Read the DLSS 5 analysis\"},\"tunes\":{}},{\"id\":\"cmp-0015\",\"type\":\"comparison\",\"data\":{\"title\":\"Traditional scaling vs neural-era scaling\",\"layout\":\"table\",\"columns\":[{\"id\":\"old\",\"label\":\"Traditional path\"},{\"id\":\"new\",\"label\":\"Neural-era path\"}],\"rows\":[{\"id\":\"fidelity\",\"label\":\"More visual fidelity\",\"values\":{\"old\":\"Store more detail and render more work\",\"new\":\"Store\u002Frender selectively, reconstruct or infer some detail\"}},{\"id\":\"memory\",\"label\":\"Memory response\",\"values\":{\"old\":\"Add capacity and bandwidth\",\"new\":\"Add capacity where needed, but also compress and reduce movement\"}},{\"id\":\"performance\",\"label\":\"Performance response\",\"values\":{\"old\":\"More shader\u002FRT throughput\",\"new\":\"Mix shader, RT and matrix\u002FTensor-style compute\"}},{\"id\":\"software\",\"label\":\"Software role\",\"values\":{\"old\":\"Engine schedules mostly conventional graphics work\",\"new\":\"Engine increasingly schedules rendering, data movement and ML workloads\"}}]},\"tunes\":{}},{\"id\":\"c-0016\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"The central Figure Rocks hypothesis\",\"body\":\"\u003Cstrong>AI may be weakening the economics of brute-force gaming hardware while simultaneously supplying techniques that make brute-force scaling less necessary.\u003C\u002Fstrong> That does not mean future games need less hardware. It means more of the result may come from deciding what to store, move, render, reconstruct or infer. Figure Rocks shorthand: \u003Cstrong>store less → move less → predict more → render less → infer more.\u003C\u002Fstrong> This is a hypothesis about where performance gains may increasingly come from, not a claim that every future game will use one pipeline.\"},\"tunes\":{}},{\"id\":\"d-0017\",\"type\":\"delimiter\",\"data\":{},\"tunes\":{}},{\"id\":\"h-0018\",\"type\":\"header\",\"data\":{\"text\":\"The 5090 question is useful only if we phrase it correctly\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0019\",\"type\":\"paragraph\",\"data\":{\"text\":\"The RTX 5090 is a useful example precisely because the evidence is mixed. As of October 18, 2026, NVIDIA still lists the GeForce RTX 5090 as a current product. At the same time, retailer behavior and press reports have documented unusually poor availability and unconfirmed claims of a production halt. That is a market signal, not an official end-of-production announcement. The defensible question is therefore not whether NVIDIA secretly killed one card, but whether the opportunity cost of allocating top-tier Blackwell-class silicon to enthusiast gaming rises when similar architecture can serve professional visualization and AI markets with very different economics.\"},\"tunes\":{}},{\"id\":\"c-0020\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"FACT \u002F SIGNAL \u002F HYPOTHESIS\",\"body\":\"\u003Cstrong>FACT:\u003C\u002Fstrong> NVIDIA still publicly lists the RTX 5090, and Blackwell architecture spans gaming and professional products.\u003Cbr>\u003Cstrong>INDUSTRY SIGNAL:\u003C\u002Fstrong> retailer disappearance, extreme scarcity and reports of a possible production halt exist, but NVIDIA has not confirmed an RTX 5090 EOL or production stop.\u003Cbr>\u003Cstrong>TECHNICAL INFERENCE:\u003C\u002Fstrong> a high-end die has multiple economically valuable destinations.\u003Cbr>\u003Cstrong>FIGURE ROCKS HYPOTHESIS:\u003C\u002Fstrong> AI and professional demand can make the traditional enthusiast expectation — that the largest practical die remains broadly attainable as a gaming flagship — harder to sustain.\"},\"tunes\":{}},{\"id\":\"v3-memory-compute\",\"type\":\"header\",\"data\":{\"text\":\"Memory is starting to become a compute problem, not only a capacity problem\",\"level\":2},\"tunes\":{}},{\"id\":\"v3-memory-compute-p1\",\"type\":\"paragraph\",\"data\":{\"text\":\"There are at least four ways to attack a memory bottleneck without simply increasing raw DRAM speed: compress the representation, reconstruct detail with compute, predict what data will be needed next, and keep the right data resident close to the execution unit. None of these makes a physical memory chip magically faster. They change how much useful work the system obtains from a finite capacity and bandwidth budget.\"},\"tunes\":{}},{\"id\":\"v3-four-memory-levers\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Technique\",\"What changes\",\"What does not change automatically\"],[\"Compression\",\"Fewer physical bytes represent the same logical data\",\"The DRAM clock and bus width\"],[\"Neural reconstruction\",\"Some detail is generated from a compact representation\",\"The cost disappears; inference has its own compute\u002Flatency cost\"],[\"Predictive prefetch\",\"Data arrives before the requesting workload stalls\",\"Total physical bandwidth\"],[\"Residency \u002F unified access\",\"Less unnecessary migration or duplication\",\"Contention and latency constraints\"]]},\"tunes\":{}},{\"id\":\"v3-buddy-data\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Research anchor: effective capacity is not raw speed\",\"body\":\"NVIDIA Research's Buddy Compression reported an average \u003Cstrong>2.2× compression ratio for HPC workloads and 1.5× for deep-learning workloads\u003C\u002Fstrong>, with 1–2% slowdown in that study. That result is not a gaming benchmark. Its relevance here is architectural: compressed memory can increase effective capacity and reduce some traffic without changing the physical DRAM clock.\"},\"tunes\":{}},{\"id\":\"v5-ntc-evidence\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Gaming-specific evidence: neural texture compression\",\"body\":\"NVIDIA Research's material-texture NTC work demonstrated \u003Cstrong>4× higher linear texture resolution — 16× more texels — while using 30% less memory\u003C\u002Fstrong> than its BC High comparison. That does not mean every game gets a 16× memory gain. It demonstrates the mechanism that matters here: some visual detail can be represented more compactly and reconstructed with compute instead of being stored conventionally at the same fidelity.\"},\"tunes\":{}},{\"id\":\"v3-460-correction\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"What the “460×” number does not mean\",\"body\":\"A 460× figure sometimes associated with NVIDIA systems refers to a comparison in GPU-accessible memory capacity across DGX generations, \u003Cstrong>not a 460× memory-compression ratio\u003C\u002Fstrong>. This article deliberately does not use it as evidence for compression.\"},\"tunes\":{}},{\"id\":\"h-0021\",\"type\":\"header\",\"data\":{\"text\":\"How the technical response could work\",\"level\":2},\"tunes\":{}},{\"id\":\"flow-0022\",\"type\":\"processFlow\",\"data\":{\"title\":\"One possible future frame pipeline\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"Compress\",\"description\":\"Keep textures or learned representations smaller where quality permits.\"},{\"label\":\"Predict\",\"description\":\"Use deterministic game state and learned models to estimate what data will be needed next.\"},{\"label\":\"Prefetch\",\"description\":\"Move useful data before the GPU stalls waiting for it.\"},{\"label\":\"Render\",\"description\":\"Spend conventional graphics work where it changes the visible result most.\"},{\"label\":\"Infer\",\"description\":\"Use neural reconstruction or generation where inference is cheaper than storing or simulating everything directly.\"},{\"label\":\"Present\",\"description\":\"Deliver the frame while keeping latency, artifacts and frame pacing inside acceptable limits.\"}]},\"tunes\":{}},{\"id\":\"p-0023\",\"type\":\"paragraph\",\"data\":{\"text\":\"This pipeline is not one announced product. Every component already exists in some form, but the integrated chain is the hypothesis. Neural texture compression has shown that learned representations can exchange compute for memory. GPU prefetch research has shown that learned prediction can improve memory-page hit rates. DirectX is formalizing ML inside the graphics programming model. DLSS 5 shows a generative stage entering real-time rendering.\"},\"tunes\":{}},{\"id\":\"v3-predictive-loop\",\"type\":\"header\",\"data\":{\"text\":\"A game has one advantage general workloads often do not: it already knows part of its future\",\"level\":2},\"tunes\":{}},{\"id\":\"v3-predictive-loop-p1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A game engine knows the camera transform, player velocity, current world cell, neighboring streaming cells, animation state, active entities, LOD transitions, shader dependencies and often likely traversal paths. That deterministic context does not reveal the future perfectly, but it gives a predictor a richer starting point than a generic memory trace alone.\"},\"tunes\":{}},{\"id\":\"v3-predictive-door\",\"type\":\"processFlow\",\"data\":{\"title\":\"A predictive gaming-memory example\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Observe deterministic state\",\"description\":\"Camera direction, movement vector, current room, visible portals and known asset dependencies already exist in engine state.\"},{\"label\":\"2. Estimate the near-future working set\",\"description\":\"A learned predictor can rank likely next rooms, textures, geometry, shaders or neural representations.\"},{\"label\":\"3. Prefetch during available bandwidth\",\"description\":\"Move likely resources while the memory system has headroom instead of waiting for a hard demand miss.\"},{\"label\":\"4. Keep deterministic guarantees\",\"description\":\"Critical assets still use authored rules; prediction supplements rather than replaces correctness.\"},{\"label\":\"5. Measure the miss cost\",\"description\":\"If prediction wastes bandwidth or evicts useful data, confidence or prefetch depth must fall.\"}]},\"tunes\":{}},{\"id\":\"v3-learned-evidence\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"This idea has a research precedent, but not yet a gaming proof\",\"body\":\"A published CPU–GPU unified-virtual-memory study reported a \u003Cstrong>10.89% performance improvement\u003C\u002Fstrong>, page-hit rate rising from \u003Cstrong>76.10% to 89.02%\u003C\u002Fstrong>, and \u003Cstrong>11.05% lower CPU–GPU interconnect traffic\u003C\u002Fstrong> using learned prefetching. A 2026 AAAI paper on asynchronous KV-cache prefetching reported \u003Cstrong>2.15× attention-kernel efficiency and up to 1.97× end-to-end throughput\u003C\u002Fstrong> on its LLM workload. Neither result should be copied onto games; both demonstrate that prediction and prefetch can hide memory cost in real GPU workloads.\"},\"tunes\":{}},{\"id\":\"h-0024\",\"type\":\"header\",\"data\":{\"text\":\"Why a Spark-like architecture becomes interesting\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0025\",\"type\":\"paragraph\",\"data\":{\"text\":\"DGX Spark is not a gaming PC, and treating it as one would hide the useful lesson. Its GB10 design combines Arm CPU cores, a Blackwell GPU, Tensor and RT hardware, and up to 128 GB of coherent unified system memory. That architecture asks a different question from a classic desktop: instead of splitting the system cleanly into CPU memory and discrete VRAM, what happens when multiple compute engines share a large memory pool?\"},\"tunes\":{}},{\"id\":\"t-0026\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Property\",\"DGX Spark reference\",\"Gaming implication if the principle were adapted\"],[\"Memory\",\"Up to 128 GB coherent unified LPDDR5X\",\"Large shared pool could reduce duplication and give local AI + graphics access to common data\"],[\"Memory bandwidth\",\"273 GB\u002Fs\",\"Capacity is not enough; high-end graphics still needs aggressive bandwidth and latency management\"],[\"Compute mix\",\"CPU + Blackwell GPU + Tensor + RT\",\"A future game workload could be split across more specialized engines\"],[\"Form factor\u002Fpower\",\"Compact GB10 system\",\"Integration can improve efficiency but may reduce modular upgradeability\"]]},\"tunes\":{}},{\"id\":\"c-0027\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Capacity is not bandwidth\",\"body\":\"A large unified pool does \u003Cstrong>not\u003C\u002Fstrong> automatically replace the bandwidth of a high-end discrete GPU. DGX Spark lists 273 GB\u002Fs of memory bandwidth, while NVIDIA's RTX PRO 6000 Blackwell Workstation Edition lists 1,792 GB\u002Fs. These are very different products and the comparison is not a gaming benchmark; it simply makes the architectural constraint visible. A Spark-like gaming design would need to solve contention, latency and bandwidth — not just provide more shared gigabytes.\"},\"tunes\":{}},{\"id\":\"h-0028\",\"type\":\"header\",\"data\":{\"text\":\"What would have to be true for this transition to work?\",\"level\":2},\"tunes\":{}},{\"id\":\"flow-0029\",\"type\":\"processFlow\",\"data\":{\"title\":\"The Neural Gaming Viability Test\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Inference must save more than it costs\",\"description\":\"Neural work has to remove enough storage, bandwidth or conventional rendering cost to justify its own compute and latency.\"},{\"label\":\"2. The engine must expose useful state\",\"description\":\"Prediction works better when the system knows camera direction, asset dependencies, movement and likely visibility.\"},{\"label\":\"3. Memory movement must become deliberate\",\"description\":\"Compression without good residency and prefetch policy can still stall.\"},{\"label\":\"4. Quality must remain stable\",\"description\":\"Generated detail cannot introduce unacceptable artifacts, temporal instability or incorrect game information.\"},{\"label\":\"5. Latency must stay bounded\",\"description\":\"A prettier frame is not automatically a more responsive game.\"},{\"label\":\"6. The stack must survive vendor differences\",\"description\":\"Useful techniques need APIs, drivers and engine paths that do not fragment into one-off demos.\"}]},\"tunes\":{}},{\"id\":\"v3-reader-spark-expect\",\"type\":\"header\",\"data\":{\"text\":\"What should a buyer expect from a Spark-like transition?\",\"level\":2},\"tunes\":{}},{\"id\":\"v3-buyer-transition\",\"type\":\"comparison\",\"data\":{\"title\":\"Potential benefit vs real cost\",\"layout\":\"table\",\"columns\":[{\"id\":\"gain\",\"label\":\"Potential gain\"},{\"id\":\"cost\",\"label\":\"Cost \u002F risk\"}],\"rows\":[{\"id\":\"pool\",\"label\":\"Large coherent pool\",\"values\":{\"gain\":\"More flexible sharing between CPU, graphics and local AI\",\"cost\":\"Shared clients can contend for the same bandwidth\"}},{\"id\":\"movement\",\"label\":\"Less duplication\",\"values\":{\"gain\":\"Fewer copies between separate system-RAM and VRAM pools\",\"cost\":\"Coherence and scheduling add complexity\"}},{\"id\":\"ai\",\"label\":\"More local AI headroom\",\"values\":{\"gain\":\"Larger models, agents or neural assets can coexist locally\",\"cost\":\"AI can compete with graphics for compute and memory\"}},{\"id\":\"efficiency\",\"label\":\"System-level optimization\",\"values\":{\"gain\":\"The platform can optimize data placement and accelerators together\",\"cost\":\"Tighter integration can reduce upgradeability and increase lock-in\"}},{\"id\":\"longevity\",\"label\":\"New workload flexibility\",\"values\":{\"gain\":\"A machine may age better if future games shift toward neural workloads\",\"cost\":\"Only if engines and runtimes actually use those capabilities\"}}]},\"tunes\":{}},{\"id\":\"h-0030\",\"type\":\"header\",\"data\":{\"text\":\"What would falsify this hypothesis?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0031\",\"type\":\"paragraph\",\"data\":{\"text\":\"This thesis is deliberately falsifiable. The table below defines the market, software, hardware and game-adoption signals that would make the argument stronger or weaker over time.\"},\"tunes\":{}},{\"id\":\"cmp-0032\",\"type\":\"comparison\",\"data\":{\"title\":\"Evidence that strengthens or weakens the thesis\",\"layout\":\"table\",\"columns\":[{\"id\":\"strengthens\",\"label\":\"Would strengthen it\"},{\"id\":\"weakens\",\"label\":\"Would weaken it\"}],\"rows\":[{\"id\":\"memory\",\"label\":\"Memory economics\",\"values\":{\"strengthens\":\"Server\u002FHBM priority continues to squeeze consumer allocation\",\"weakens\":\"Consumer capacity expands and price pressure normalizes\"}},{\"id\":\"graphics\",\"label\":\"Graphics stack\",\"values\":{\"strengthens\":\"ML primitives become normal engine\u002FDirectX features\",\"weakens\":\"Neural graphics remains vendor-specific optional post-processing\"}},{\"id\":\"hardware\",\"label\":\"Hardware design\",\"values\":{\"strengthens\":\"More integrated heterogeneous compute and larger coherent memory pools\",\"weakens\":\"Discrete GPU + separate RAM remains clearly superior on cost, flexibility and latency\"}},{\"id\":\"games\",\"label\":\"Game adoption\",\"values\":{\"strengthens\":\"Studios ship neural compression, generation and predictive data paths broadly\",\"weakens\":\"Tech remains limited to demos or a few flagship games\"}}]},\"tunes\":{}},{\"id\":\"h-0033\",\"type\":\"header\",\"data\":{\"text\":\"The practical conclusion for a gamer today\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0034\",\"type\":\"paragraph\",\"data\":{\"text\":\"Do not buy hardware because a speculative architecture might arrive. Buy for the games, resolution, latency target and workloads you actually have. But do not assume that future-proofing can still be reduced to one number such as raster performance or VRAM capacity. The direction of the software stack suggests that memory behavior, neural compute and engine support may become increasingly important parts of the value equation.\"},\"tunes\":{}},{\"id\":\"ref-0035\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Ffigure.rocks\u002Fblog\u002Fvram-usage-is-not-vram-requirement-why-a-full-memory-meter-does-not-tell-the-whole-story\",\"title\":\"VRAM Usage Is Not VRAM Requirement: Why a Full Memory Meter Does Not Tell the Whole Story\",\"excerpt\":\"A practical explanation of working sets, residency and why an allocated VRAM number is not the same thing as a hard requirement.\",\"ctaLabel\":\"Read the VRAM guide\"},\"tunes\":{}},{\"id\":\"h-0036\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources\",\"level\":2},\"tunes\":{}},{\"id\":\"v3-src-newzoo\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fnewzoo.com\u002Farticles\u002F2026-global-games-market-key-numbers\",\"meta\":{\"title\":\"Newzoo — 2026 Global Games Market Key Numbers\",\"description\":\"2026 games-market forecast used for the scale comparison.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"src-0038\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.semiconductors.org\u002Fglobal-annual-semiconductor-sales-increase-25-6-to-791-7-billion-in-2025\u002F\",\"meta\":{\"title\":\"Semiconductor Industry Association — 2025 Global Sales\",\"description\":\"2025 semiconductor sales and the association's roughly $1 trillion 2026 projection.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v3-src-trend-sep\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.trendforce.com\u002Fpresscenter\u002Fnews\u002F20260930-13258.html\",\"meta\":{\"title\":\"TrendForce — AI Server Demand Sustains Memory Price Increases in 4Q26\",\"description\":\"Late-2026 evidence for ongoing server-priority capacity allocation and consumer pressure.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v3-src-buddy\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fresearch.nvidia.com\u002Fpublication\u002F2019-04_buddy-compression-enabling-larger-memory-deep-learning-and-hpc-workloads-gpus\",\"meta\":{\"title\":\"NVIDIA Research — Buddy Compression\",\"description\":\"Research source for 2.2× HPC and 1.5× DL average compression ratios.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v3-src-uvm\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0743731522002490\",\"meta\":{\"title\":\"Deep-learning based CPU–GPU UVM prefetching\",\"description\":\"Research source for learned page-prefetching results.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v3-src-aaai\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fojs.aaai.org\u002Findex.php\u002FAAAI\u002Farticle\u002Fview\u002F39224\",\"meta\":{\"title\":\"AAAI 2026 — Asynchronous KV Cache Prefetching\",\"description\":\"Research source demonstrating latency hiding through proactive GPU-cache prefetching.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"src-0039\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.trendforce.com\u002Fpresscenter\u002Fnews\u002F20260331-12995.html\",\"meta\":{\"title\":\"TrendForce — AI Server Demand and 2Q26 Memory Prices\",\"description\":\"Current evidence for server\u002FHBM prioritization, GDDR constraints and consumer pressure.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"src-0040\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevblogs.microsoft.com\u002Fdirectx\u002Fevolving-directx-for-the-ml-era-on-windows\u002F\",\"meta\":{\"title\":\"Microsoft DirectX — Evolving DirectX for the ML Era\",\"description\":\"Official GDC 2026 overview of shader-level and model-level ML in DirectX.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"src-0041\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Fadlr\u002FDLSS5\u002F\",\"meta\":{\"title\":\"NVIDIA Research — DLSS 5: Generative Neural Rendering\",\"description\":\"Primary research page describing DLSS 5 as a real-time generative rendering stage.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"src-0042\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fproducts\u002Fworkstations\u002Fdgx-spark\u002F\",\"meta\":{\"title\":\"NVIDIA — DGX Spark Specifications\",\"description\":\"Official architecture, unified memory and bandwidth specifications.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v5-src-5090-official\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fgeforce\u002Fgraphics-cards\u002F50-series\u002Frtx-5090\u002F\",\"meta\":{\"title\":\"NVIDIA — GeForce RTX 5090\",\"description\":\"Official current RTX 5090 product page used to distinguish confirmed product status from production-halt rumors.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v5-src-5090-signal\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.tomshardware.com\u002Fpc-components\u002Fgpus\u002Fnvidia-rtx-5090-disappears-from-micro-center-amid-rumors-of-a-production-halt-retailer-flags-flagship-as-not-carried-as-stock-mysteriously-vanishes\",\"meta\":{\"title\":\"Tom’s Hardware — RTX 5090 Retail Disappearance and Production-Halt Rumors\",\"description\":\"Current market report used only as an industry signal; it explicitly notes that NVIDIA has not confirmed a production halt.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v5-src-ntc\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Frtr\u002Fneural_texture_compression\u002F\",\"meta\":{\"title\":\"NVIDIA Research — Random-Access Neural Compression of Material Textures\",\"description\":\"Primary source for the 4× linear resolution \u002F 16× texel comparison at 30% less memory versus BC High.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v5-src-rtxpro6000\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.nvidia.com\u002Fde-de\u002Fproducts\u002Fworkstations\u002Fprofessional-desktop-gpus\u002Frtx-pro-6000\u002F\",\"meta\":{\"title\":\"NVIDIA — RTX PRO 6000 Blackwell Workstation Edition\",\"description\":\"Official source for 96 GB GDDR7 and 1,792 GB\u002Fs memory bandwidth used as a bandwidth reference point.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"gloss-0044\",\"type\":\"glossary\",\"data\":{\"title\":\"Key concepts\",\"entries\":[{\"term\":\"Neural rendering\",\"definition\":\"Rendering methods that use trained models as part of producing, reconstructing or enhancing visual output.\",\"anchor\":\"neural-rendering\"},{\"term\":\"Heterogeneous compute\",\"definition\":\"A system that assigns different workloads to different compute engines such as CPU, GPU, RT and matrix\u002FTensor hardware.\",\"anchor\":\"heterogeneous-compute\"},{\"term\":\"Effective memory\",\"definition\":\"A practical description of how much useful data a memory system can keep and feed to compute after compression, residency and movement efficiency are considered. It is not a formal replacement for physical capacity.\",\"anchor\":\"effective-memory\"},{\"term\":\"Predictive memory\",\"definition\":\"Figure Rocks shorthand for combining known game state and learned prediction to prepare likely-needed data before a stall. It is a hypothesis, not an industry standard.\",\"anchor\":\"predictive-memory\"}]},\"tunes\":{}},{\"id\":\"p-0001\",\"type\":\"paragraph\",\"data\":{\"text\":\"For decades, enthusiast PC gaming followed a familiar bargain: games asked for more compute, GPU generations delivered more compute, and players upgraded when the gap became large enough. That loop never worked perfectly, but the direction was understandable. In 2026, the loop is becoming harder to read because two changes are happening at the same time: AI infrastructure is competing aggressively for silicon and memory, while AI techniques are moving directly into the way games create frames.\"},\"tunes\":{}},{\"id\":\"c-0002\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"\u003Cstrong>The old gaming upgrade cycle is under pressure, but it is not simply being replaced by more expensive GPUs.\u003C\u002Fstrong> AI is changing both sides of the equation: it increases competition for semiconductor and memory resources, and it also enables neural rendering techniques that can trade stored data or conventional rendering work for inference. The important possibility is that gaming may respond to tighter hardware economics by becoming more computationally selective, not merely by demanding larger GPUs.\"},\"tunes\":{}},{\"id\":\"c-0003\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"How to read this article\",\"body\":\"This is an \u003Cstrong>evidence-backed hypothesis\u003C\u002Fstrong>. Documented market data and shipping or announced technologies are labeled as facts or industry signals. The connections between them are technical inference. The future architecture described later is a Figure Rocks hypothesis, not a claim about an unannounced NVIDIA, AMD, Intel, Microsoft or console roadmap.\"},\"tunes\":{}},{\"id\":\"toc-0004\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"h-0005\",\"type\":\"header\",\"data\":{\"text\":\"The scale mismatch is already visible\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0006\",\"type\":\"paragraph\",\"data\":{\"text\":\"Newzoo forecasts the global games market at $213.9 billion in 2026, up 6.1% year over year. The Semiconductor Industry Association reported $791.7 billion in global semiconductor sales for 2025, up 25.6%, and projected roughly $1 trillion for 2026. The games business and semiconductor business still depend on each other, but their incentives are becoming less symmetric: the same advanced manufacturing ecosystem that enables premium gaming now serves AI and data-center buyers with much larger infrastructure budgets. These are not directly comparable product categories; they establish the scale of the upstream compute economy around gaming.\"},\"tunes\":{}},{\"id\":\"t-0007\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Reference point\",\"Reported or forecast value\",\"Why it matters here\"],[\"Global games market, 2026 forecast\",\"$213.9B, +6.1% YoY\",\"Large consumer entertainment market, but downstream of advanced hardware supply\"],[\"PC games, 2026 forecast\",\"$45.9B, +5.3% YoY\",\"The gaming segment most directly exposed to PC component economics\"],[\"Global semiconductor sales, 2025\",\"$791.7B, +25.6% YoY\",\"Shows the scale of the upstream industry serving gaming, AI, mobile, automotive and cloud\"],[\"Global semiconductor industry, 2026 projection\",\"~$1T\",\"Raises the opportunity cost of dedicating premium silicon only to consumer gaming\"]]},\"tunes\":{}},{\"id\":\"c-0008\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"What these market numbers do — and do not — prove\",\"body\":\"The figures establish \u003Cstrong>economic context, not direct causation\u003C\u002Fstrong>. They do not prove that a specific wafer, GPU or memory package was taken from a gamer and reassigned to AI. They also do not mean gaming and semiconductors are the two largest industries in the world. The narrower, defensible point is that a $200B+ games market depends on an upstream semiconductor economy approaching trillion-dollar annual scale, where AI infrastructure now competes for advanced compute and memory under very different budget and margin conditions.\"},\"tunes\":{}},{\"id\":\"h-0009\",\"type\":\"header\",\"data\":{\"text\":\"Memory is where the pressure becomes concrete\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0010\",\"type\":\"paragraph\",\"data\":{\"text\":\"TrendForce has repeatedly reported that DRAM suppliers are shifting capacity toward server and HBM products as AI demand grows. In March 2026 it forecast conventional DRAM contract prices rising 58–63% quarter over quarter in Q2 and said limited GDDR allocation was constraining graphics memory supply. By Q3, TrendForce said consumer customers were reaching an affordability limit even as AI and server demand remained strong.\"},\"tunes\":{}},{\"id\":\"flow-0011\",\"type\":\"processFlow\",\"data\":{\"title\":\"The resource-allocation pressure\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. AI infrastructure expands\",\"description\":\"Cloud providers and AI builders secure server memory, HBM, enterprise SSDs and advanced compute.\"},{\"label\":\"2. Suppliers optimize product mix\",\"description\":\"Capacity moves toward products with stronger demand, margins or long-term contracts.\"},{\"label\":\"3. Consumer allocation tightens\",\"description\":\"PC, graphics and consumer memory buyers face higher prices or constrained availability.\"},{\"label\":\"4. Gaming vendors absorb or pass through cost\",\"description\":\"Board design, VRAM capacity and system price become harder trade-offs.\"},{\"label\":\"5. The old upgrade cycle weakens\",\"description\":\"A faster GPU is still useful, but brute-force scaling becomes economically harder to repeat at the same consumer price points.\"}]},\"tunes\":{}},{\"id\":\"v3-sep-signal\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"A September 2026 signal, not an old shortage story\",\"body\":\"TrendForce reported on September 30, 2026 that suppliers still prioritize advanced-process capacity for high-performance server products, with conventional DRAM contract prices projected to rise another 10–15% QoQ in Q4. Its DRAM bulletin also says HBM continues to crowd out general DRAM capacity. The pressure described here therefore remains visible late in 2026; it is not based only on a temporary early-year spike.\"},\"tunes\":{}},{\"id\":\"h-0012\",\"type\":\"header\",\"data\":{\"text\":\"At exactly the same time, the frame itself is changing\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0013\",\"type\":\"paragraph\",\"data\":{\"text\":\"Microsoft now describes machine learning as becoming foundational to real-time graphics. DirectX is adding shader-level and model-level ML paths so neural texture compression, denoising, super resolution and other learned workloads can sit inside the graphics stack instead of being bolted on as isolated features. NVIDIA's DLSS 5 research pushes the idea further by introducing a generative neural rendering stage that complements conventional rendering with learned appearance priors. Neural rendering does not mean conventional rendering disappears. The emerging model is hybrid: render some information directly, infer or reconstruct other information when doing so is cheaper or more useful.\"},\"tunes\":{}},{\"id\":\"ref-0014\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Ffigure.rocks\u002Fblog\u002Fdlss-5-is-not-just-upscaling-what-3d-guided-neural-rendering-actually-changes\",\"title\":\"DLSS 5 Is Not Just Upscaling: What Generative Neural Rendering Actually Changes\",\"excerpt\":\"Why the important change is not another quality mode, but a new stage in how visual information can be produced.\",\"ctaLabel\":\"Read the DLSS 5 analysis\"},\"tunes\":{}},{\"id\":\"cmp-0015\",\"type\":\"comparison\",\"data\":{\"title\":\"Traditional scaling vs neural-era scaling\",\"layout\":\"table\",\"columns\":[{\"id\":\"old\",\"label\":\"Traditional path\"},{\"id\":\"new\",\"label\":\"Neural-era path\"}],\"rows\":[{\"id\":\"fidelity\",\"label\":\"More visual fidelity\",\"values\":{\"old\":\"Store more detail and render more work\",\"new\":\"Store\u002Frender selectively, reconstruct or infer some detail\"}},{\"id\":\"memory\",\"label\":\"Memory response\",\"values\":{\"old\":\"Add capacity and bandwidth\",\"new\":\"Add capacity where needed, but also compress and reduce movement\"}},{\"id\":\"performance\",\"label\":\"Performance response\",\"values\":{\"old\":\"More shader\u002FRT throughput\",\"new\":\"Mix shader, RT and matrix\u002FTensor-style compute\"}},{\"id\":\"software\",\"label\":\"Software role\",\"values\":{\"old\":\"Engine schedules mostly conventional graphics work\",\"new\":\"Engine increasingly schedules rendering, data movement and ML workloads\"}}]},\"tunes\":{}},{\"id\":\"c-0016\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"The central Figure Rocks hypothesis\",\"body\":\"\u003Cstrong>AI may be weakening the economics of brute-force gaming hardware while simultaneously supplying techniques that make brute-force scaling less necessary.\u003C\u002Fstrong> That does not mean future games need less hardware. It means more of the result may come from deciding what to store, move, render, reconstruct or infer. Figure Rocks shorthand: \u003Cstrong>store less → move less → predict more → render less → infer more.\u003C\u002Fstrong> This is a hypothesis about where performance gains may increasingly come from, not a claim that every future game will use one pipeline.\"},\"tunes\":{}},{\"id\":\"d-0017\",\"type\":\"delimiter\",\"data\":{},\"tunes\":{}},{\"id\":\"h-0018\",\"type\":\"header\",\"data\":{\"text\":\"The 5090 question is useful only if we phrase it correctly\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0019\",\"type\":\"paragraph\",\"data\":{\"text\":\"The RTX 5090 is a useful example precisely because the evidence is mixed. As of October 18, 2026, NVIDIA still lists the GeForce RTX 5090 as a current product. At the same time, retailer behavior and press reports have documented unusually poor availability and unconfirmed claims of a production halt. That is a market signal, not an official end-of-production announcement. The defensible question is therefore not whether NVIDIA secretly killed one card, but whether the opportunity cost of allocating top-tier Blackwell-class silicon to enthusiast gaming rises when similar architecture can serve professional visualization and AI markets with very different economics.\"},\"tunes\":{}},{\"id\":\"c-0020\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"FACT \u002F SIGNAL \u002F HYPOTHESIS\",\"body\":\"\u003Cstrong>FACT:\u003C\u002Fstrong> NVIDIA still publicly lists the RTX 5090, and Blackwell architecture spans gaming and professional products.\u003Cbr>\u003Cstrong>INDUSTRY SIGNAL:\u003C\u002Fstrong> retailer disappearance, extreme scarcity and reports of a possible production halt exist, but NVIDIA has not confirmed an RTX 5090 EOL or production stop.\u003Cbr>\u003Cstrong>TECHNICAL INFERENCE:\u003C\u002Fstrong> a high-end die has multiple economically valuable destinations.\u003Cbr>\u003Cstrong>FIGURE ROCKS HYPOTHESIS:\u003C\u002Fstrong> AI and professional demand can make the traditional enthusiast expectation — that the largest practical die remains broadly attainable as a gaming flagship — harder to sustain.\"},\"tunes\":{}},{\"id\":\"v3-memory-compute\",\"type\":\"header\",\"data\":{\"text\":\"Memory is starting to become a compute problem, not only a capacity problem\",\"level\":2},\"tunes\":{}},{\"id\":\"v3-memory-compute-p1\",\"type\":\"paragraph\",\"data\":{\"text\":\"There are at least four ways to attack a memory bottleneck without simply increasing raw DRAM speed: compress the representation, reconstruct detail with compute, predict what data will be needed next, and keep the right data resident close to the execution unit. None of these makes a physical memory chip magically faster. They change how much useful work the system obtains from a finite capacity and bandwidth budget.\"},\"tunes\":{}},{\"id\":\"v3-four-memory-levers\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Technique\",\"What changes\",\"What does not change automatically\"],[\"Compression\",\"Fewer physical bytes represent the same logical data\",\"The DRAM clock and bus width\"],[\"Neural reconstruction\",\"Some detail is generated from a compact representation\",\"The cost disappears; inference has its own compute\u002Flatency cost\"],[\"Predictive prefetch\",\"Data arrives before the requesting workload stalls\",\"Total physical bandwidth\"],[\"Residency \u002F unified access\",\"Less unnecessary migration or duplication\",\"Contention and latency constraints\"]]},\"tunes\":{}},{\"id\":\"v3-buddy-data\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Research anchor: effective capacity is not raw speed\",\"body\":\"NVIDIA Research's Buddy Compression reported an average \u003Cstrong>2.2× compression ratio for HPC workloads and 1.5× for deep-learning workloads\u003C\u002Fstrong>, with 1–2% slowdown in that study. That result is not a gaming benchmark. Its relevance here is architectural: compressed memory can increase effective capacity and reduce some traffic without changing the physical DRAM clock.\"},\"tunes\":{}},{\"id\":\"v5-ntc-evidence\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Gaming-specific evidence: neural texture compression\",\"body\":\"NVIDIA Research's material-texture NTC work demonstrated \u003Cstrong>4× higher linear texture resolution — 16× more texels — while using 30% less memory\u003C\u002Fstrong> than its BC High comparison. That does not mean every game gets a 16× memory gain. It demonstrates the mechanism that matters here: some visual detail can be represented more compactly and reconstructed with compute instead of being stored conventionally at the same fidelity.\"},\"tunes\":{}},{\"id\":\"v3-460-correction\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"What the “460×” number does not mean\",\"body\":\"A 460× figure sometimes associated with NVIDIA systems refers to a comparison in GPU-accessible memory capacity across DGX generations, \u003Cstrong>not a 460× memory-compression ratio\u003C\u002Fstrong>. This article deliberately does not use it as evidence for compression.\"},\"tunes\":{}},{\"id\":\"h-0021\",\"type\":\"header\",\"data\":{\"text\":\"How the technical response could work\",\"level\":2},\"tunes\":{}},{\"id\":\"flow-0022\",\"type\":\"processFlow\",\"data\":{\"title\":\"One possible future frame pipeline\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"Compress\",\"description\":\"Keep textures or learned representations smaller where quality permits.\"},{\"label\":\"Predict\",\"description\":\"Use deterministic game state and learned models to estimate what data will be needed next.\"},{\"label\":\"Prefetch\",\"description\":\"Move useful data before the GPU stalls waiting for it.\"},{\"label\":\"Render\",\"description\":\"Spend conventional graphics work where it changes the visible result most.\"},{\"label\":\"Infer\",\"description\":\"Use neural reconstruction or generation where inference is cheaper than storing or simulating everything directly.\"},{\"label\":\"Present\",\"description\":\"Deliver the frame while keeping latency, artifacts and frame pacing inside acceptable limits.\"}]},\"tunes\":{}},{\"id\":\"p-0023\",\"type\":\"paragraph\",\"data\":{\"text\":\"This pipeline is not one announced product. Every component already exists in some form, but the integrated chain is the hypothesis. Neural texture compression has shown that learned representations can exchange compute for memory. GPU prefetch research has shown that learned prediction can improve memory-page hit rates. DirectX is formalizing ML inside the graphics programming model. DLSS 5 shows a generative stage entering real-time rendering.\"},\"tunes\":{}},{\"id\":\"v3-predictive-loop\",\"type\":\"header\",\"data\":{\"text\":\"A game has one advantage general workloads often do not: it already knows part of its future\",\"level\":2},\"tunes\":{}},{\"id\":\"v3-predictive-loop-p1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A game engine knows the camera transform, player velocity, current world cell, neighboring streaming cells, animation state, active entities, LOD transitions, shader dependencies and often likely traversal paths. That deterministic context does not reveal the future perfectly, but it gives a predictor a richer starting point than a generic memory trace alone.\"},\"tunes\":{}},{\"id\":\"v3-predictive-door\",\"type\":\"processFlow\",\"data\":{\"title\":\"A predictive gaming-memory example\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Observe deterministic state\",\"description\":\"Camera direction, movement vector, current room, visible portals and known asset dependencies already exist in engine state.\"},{\"label\":\"2. Estimate the near-future working set\",\"description\":\"A learned predictor can rank likely next rooms, textures, geometry, shaders or neural representations.\"},{\"label\":\"3. Prefetch during available bandwidth\",\"description\":\"Move likely resources while the memory system has headroom instead of waiting for a hard demand miss.\"},{\"label\":\"4. Keep deterministic guarantees\",\"description\":\"Critical assets still use authored rules; prediction supplements rather than replaces correctness.\"},{\"label\":\"5. Measure the miss cost\",\"description\":\"If prediction wastes bandwidth or evicts useful data, confidence or prefetch depth must fall.\"}]},\"tunes\":{}},{\"id\":\"v3-learned-evidence\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"This idea has a research precedent, but not yet a gaming proof\",\"body\":\"A published CPU–GPU unified-virtual-memory study reported a \u003Cstrong>10.89% performance improvement\u003C\u002Fstrong>, page-hit rate rising from \u003Cstrong>76.10% to 89.02%\u003C\u002Fstrong>, and \u003Cstrong>11.05% lower CPU–GPU interconnect traffic\u003C\u002Fstrong> using learned prefetching. A 2026 AAAI paper on asynchronous KV-cache prefetching reported \u003Cstrong>2.15× attention-kernel efficiency and up to 1.97× end-to-end throughput\u003C\u002Fstrong> on its LLM workload. Neither result should be copied onto games; both demonstrate that prediction and prefetch can hide memory cost in real GPU workloads.\"},\"tunes\":{}},{\"id\":\"h-0024\",\"type\":\"header\",\"data\":{\"text\":\"Why a Spark-like architecture becomes interesting\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0025\",\"type\":\"paragraph\",\"data\":{\"text\":\"DGX Spark is not a gaming PC, and treating it as one would hide the useful lesson. Its GB10 design combines Arm CPU cores, a Blackwell GPU, Tensor and RT hardware, and up to 128 GB of coherent unified system memory. That architecture asks a different question from a classic desktop: instead of splitting the system cleanly into CPU memory and discrete VRAM, what happens when multiple compute engines share a large memory pool?\"},\"tunes\":{}},{\"id\":\"t-0026\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Property\",\"DGX Spark reference\",\"Gaming implication if the principle were adapted\"],[\"Memory\",\"Up to 128 GB coherent unified LPDDR5X\",\"Large shared pool could reduce duplication and give local AI + graphics access to common data\"],[\"Memory bandwidth\",\"273 GB\u002Fs\",\"Capacity is not enough; high-end graphics still needs aggressive bandwidth and latency management\"],[\"Compute mix\",\"CPU + Blackwell GPU + Tensor + RT\",\"A future game workload could be split across more specialized engines\"],[\"Form factor\u002Fpower\",\"Compact GB10 system\",\"Integration can improve efficiency but may reduce modular upgradeability\"]]},\"tunes\":{}},{\"id\":\"c-0027\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Capacity is not bandwidth\",\"body\":\"A large unified pool does \u003Cstrong>not\u003C\u002Fstrong> automatically replace the bandwidth of a high-end discrete GPU. DGX Spark lists 273 GB\u002Fs of memory bandwidth, while NVIDIA's RTX PRO 6000 Blackwell Workstation Edition lists 1,792 GB\u002Fs. These are very different products and the comparison is not a gaming benchmark; it simply makes the architectural constraint visible. A Spark-like gaming design would need to solve contention, latency and bandwidth — not just provide more shared gigabytes.\"},\"tunes\":{}},{\"id\":\"h-0028\",\"type\":\"header\",\"data\":{\"text\":\"What would have to be true for this transition to work?\",\"level\":2},\"tunes\":{}},{\"id\":\"flow-0029\",\"type\":\"processFlow\",\"data\":{\"title\":\"The Neural Gaming Viability Test\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Inference must save more than it costs\",\"description\":\"Neural work has to remove enough storage, bandwidth or conventional rendering cost to justify its own compute and latency.\"},{\"label\":\"2. The engine must expose useful state\",\"description\":\"Prediction works better when the system knows camera direction, asset dependencies, movement and likely visibility.\"},{\"label\":\"3. Memory movement must become deliberate\",\"description\":\"Compression without good residency and prefetch policy can still stall.\"},{\"label\":\"4. Quality must remain stable\",\"description\":\"Generated detail cannot introduce unacceptable artifacts, temporal instability or incorrect game information.\"},{\"label\":\"5. Latency must stay bounded\",\"description\":\"A prettier frame is not automatically a more responsive game.\"},{\"label\":\"6. The stack must survive vendor differences\",\"description\":\"Useful techniques need APIs, drivers and engine paths that do not fragment into one-off demos.\"}]},\"tunes\":{}},{\"id\":\"v3-reader-spark-expect\",\"type\":\"header\",\"data\":{\"text\":\"What should a buyer expect from a Spark-like transition?\",\"level\":2},\"tunes\":{}},{\"id\":\"v3-buyer-transition\",\"type\":\"comparison\",\"data\":{\"title\":\"Potential benefit vs real cost\",\"layout\":\"table\",\"columns\":[{\"id\":\"gain\",\"label\":\"Potential gain\"},{\"id\":\"cost\",\"label\":\"Cost \u002F risk\"}],\"rows\":[{\"id\":\"pool\",\"label\":\"Large coherent pool\",\"values\":{\"gain\":\"More flexible sharing between CPU, graphics and local AI\",\"cost\":\"Shared clients can contend for the same bandwidth\"}},{\"id\":\"movement\",\"label\":\"Less duplication\",\"values\":{\"gain\":\"Fewer copies between separate system-RAM and VRAM pools\",\"cost\":\"Coherence and scheduling add complexity\"}},{\"id\":\"ai\",\"label\":\"More local AI headroom\",\"values\":{\"gain\":\"Larger models, agents or neural assets can coexist locally\",\"cost\":\"AI can compete with graphics for compute and memory\"}},{\"id\":\"efficiency\",\"label\":\"System-level optimization\",\"values\":{\"gain\":\"The platform can optimize data placement and accelerators together\",\"cost\":\"Tighter integration can reduce upgradeability and increase lock-in\"}},{\"id\":\"longevity\",\"label\":\"New workload flexibility\",\"values\":{\"gain\":\"A machine may age better if future games shift toward neural workloads\",\"cost\":\"Only if engines and runtimes actually use those capabilities\"}}]},\"tunes\":{}},{\"id\":\"h-0030\",\"type\":\"header\",\"data\":{\"text\":\"What would falsify this hypothesis?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0031\",\"type\":\"paragraph\",\"data\":{\"text\":\"This thesis is deliberately falsifiable. The table below defines the market, software, hardware and game-adoption signals that would make the argument stronger or weaker over time.\"},\"tunes\":{}},{\"id\":\"cmp-0032\",\"type\":\"comparison\",\"data\":{\"title\":\"Evidence that strengthens or weakens the thesis\",\"layout\":\"table\",\"columns\":[{\"id\":\"strengthens\",\"label\":\"Would strengthen it\"},{\"id\":\"weakens\",\"label\":\"Would weaken it\"}],\"rows\":[{\"id\":\"memory\",\"label\":\"Memory economics\",\"values\":{\"strengthens\":\"Server\u002FHBM priority continues to squeeze consumer allocation\",\"weakens\":\"Consumer capacity expands and price pressure normalizes\"}},{\"id\":\"graphics\",\"label\":\"Graphics stack\",\"values\":{\"strengthens\":\"ML primitives become normal engine\u002FDirectX features\",\"weakens\":\"Neural graphics remains vendor-specific optional post-processing\"}},{\"id\":\"hardware\",\"label\":\"Hardware design\",\"values\":{\"strengthens\":\"More integrated heterogeneous compute and larger coherent memory pools\",\"weakens\":\"Discrete GPU + separate RAM remains clearly superior on cost, flexibility and latency\"}},{\"id\":\"games\",\"label\":\"Game adoption\",\"values\":{\"strengthens\":\"Studios ship neural compression, generation and predictive data paths broadly\",\"weakens\":\"Tech remains limited to demos or a few flagship games\"}}]},\"tunes\":{}},{\"id\":\"h-0033\",\"type\":\"header\",\"data\":{\"text\":\"The practical conclusion for a gamer today\",\"level\":2},\"tunes\":{}},{\"id\":\"p-0034\",\"type\":\"paragraph\",\"data\":{\"text\":\"Do not buy hardware because a speculative architecture might arrive. Buy for the games, resolution, latency target and workloads you actually have. But do not assume that future-proofing can still be reduced to one number such as raster performance or VRAM capacity. The direction of the software stack suggests that memory behavior, neural compute and engine support may become increasingly important parts of the value equation.\"},\"tunes\":{}},{\"id\":\"ref-0035\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Ffigure.rocks\u002Fblog\u002Fvram-usage-is-not-vram-requirement-why-a-full-memory-meter-does-not-tell-the-whole-story\",\"title\":\"VRAM Usage Is Not VRAM Requirement: Why a Full Memory Meter Does Not Tell the Whole Story\",\"excerpt\":\"A practical explanation of working sets, residency and why an allocated VRAM number is not the same thing as a hard requirement.\",\"ctaLabel\":\"Read the VRAM guide\"},\"tunes\":{}},{\"id\":\"h-0036\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources\",\"level\":2},\"tunes\":{}},{\"id\":\"v3-src-newzoo\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fnewzoo.com\u002Farticles\u002F2026-global-games-market-key-numbers\",\"meta\":{\"title\":\"Newzoo — 2026 Global Games Market Key Numbers\",\"description\":\"2026 games-market forecast used for the scale comparison.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"src-0038\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.semiconductors.org\u002Fglobal-annual-semiconductor-sales-increase-25-6-to-791-7-billion-in-2025\u002F\",\"meta\":{\"title\":\"Semiconductor Industry Association — 2025 Global Sales\",\"description\":\"2025 semiconductor sales and the association's roughly $1 trillion 2026 projection.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v3-src-trend-sep\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.trendforce.com\u002Fpresscenter\u002Fnews\u002F20260930-13258.html\",\"meta\":{\"title\":\"TrendForce — AI Server Demand Sustains Memory Price Increases in 4Q26\",\"description\":\"Late-2026 evidence for ongoing server-priority capacity allocation and consumer pressure.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v3-src-buddy\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fresearch.nvidia.com\u002Fpublication\u002F2019-04_buddy-compression-enabling-larger-memory-deep-learning-and-hpc-workloads-gpus\",\"meta\":{\"title\":\"NVIDIA Research — Buddy Compression\",\"description\":\"Research source for 2.2× HPC and 1.5× DL average compression ratios.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v3-src-uvm\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0743731522002490\",\"meta\":{\"title\":\"Deep-learning based CPU–GPU UVM prefetching\",\"description\":\"Research source for learned page-prefetching results.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v3-src-aaai\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fojs.aaai.org\u002Findex.php\u002FAAAI\u002Farticle\u002Fview\u002F39224\",\"meta\":{\"title\":\"AAAI 2026 — Asynchronous KV Cache Prefetching\",\"description\":\"Research source demonstrating latency hiding through proactive GPU-cache prefetching.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"src-0039\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.trendforce.com\u002Fpresscenter\u002Fnews\u002F20260331-12995.html\",\"meta\":{\"title\":\"TrendForce — AI Server Demand and 2Q26 Memory Prices\",\"description\":\"Current evidence for server\u002FHBM prioritization, GDDR constraints and consumer pressure.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"src-0040\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevblogs.microsoft.com\u002Fdirectx\u002Fevolving-directx-for-the-ml-era-on-windows\u002F\",\"meta\":{\"title\":\"Microsoft DirectX — Evolving DirectX for the ML Era\",\"description\":\"Official GDC 2026 overview of shader-level and model-level ML in DirectX.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"src-0041\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Fadlr\u002FDLSS5\u002F\",\"meta\":{\"title\":\"NVIDIA Research — DLSS 5: Generative Neural Rendering\",\"description\":\"Primary research page describing DLSS 5 as a real-time generative rendering stage.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"src-0042\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fproducts\u002Fworkstations\u002Fdgx-spark\u002F\",\"meta\":{\"title\":\"NVIDIA — DGX Spark Specifications\",\"description\":\"Official architecture, unified memory and bandwidth specifications.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v5-src-5090-official\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fgeforce\u002Fgraphics-cards\u002F50-series\u002Frtx-5090\u002F\",\"meta\":{\"title\":\"NVIDIA — GeForce RTX 5090\",\"description\":\"Official current RTX 5090 product page used to distinguish confirmed product status from production-halt rumors.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v5-src-5090-signal\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.tomshardware.com\u002Fpc-components\u002Fgpus\u002Fnvidia-rtx-5090-disappears-from-micro-center-amid-rumors-of-a-production-halt-retailer-flags-flagship-as-not-carried-as-stock-mysteriously-vanishes\",\"meta\":{\"title\":\"Tom’s Hardware — RTX 5090 Retail Disappearance and Production-Halt Rumors\",\"description\":\"Current market report used only as an industry signal; it explicitly notes that NVIDIA has not confirmed a production halt.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v5-src-ntc\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Frtr\u002Fneural_texture_compression\u002F\",\"meta\":{\"title\":\"NVIDIA Research — Random-Access Neural Compression of Material Textures\",\"description\":\"Primary source for the 4× linear resolution \u002F 16× texel comparison at 30% less memory versus BC High.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"v5-src-rtxpro6000\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.nvidia.com\u002Fde-de\u002Fproducts\u002Fworkstations\u002Fprofessional-desktop-gpus\u002Frtx-pro-6000\u002F\",\"meta\":{\"title\":\"NVIDIA — RTX PRO 6000 Blackwell Workstation Edition\",\"description\":\"Official source for 96 GB GDDR7 and 1,792 GB\u002Fs memory bandwidth used as a bandwidth reference point.\",\"image\":{\"url\":\"\"}}},\"tunes\":{}},{\"id\":\"gloss-0044\",\"type\":\"glossary\",\"data\":{\"title\":\"Key concepts\",\"entries\":[{\"term\":\"Neural rendering\",\"definition\":\"Rendering methods that use trained models as part of producing, reconstructing or enhancing visual output.\",\"anchor\":\"neural-rendering\"},{\"term\":\"Heterogeneous compute\",\"definition\":\"A system that assigns different workloads to different compute engines such as CPU, GPU, RT and matrix\u002FTensor hardware.\",\"anchor\":\"heterogeneous-compute\"},{\"term\":\"Effective memory\",\"definition\":\"A practical description of how much useful data a memory system can keep and feed to compute after compression, residency and movement efficiency are considered. It is not a formal replacement for physical capacity.\",\"anchor\":\"effective-memory\"},{\"term\":\"Predictive memory\",\"definition\":\"Figure Rocks shorthand for combining known game state and learned prediction to prepare likely-needed data before a stall. It is a hypothesis, not an industry standard.\",\"anchor\":\"predictive-memory\"}]},\"tunes\":{}}],\"version\":\"2.31.6\"}",{"time":1629,"blocks":1630,"version":2473},1792336677504,[1631,1635,1640,1645,1649,1653,1657,1681,1686,1690,1694,1714,1719,1723,1727,1734,1764,1769,1772,1776,1780,1785,1789,1793,1815,1820,1825,1830,1834,1857,1861,1865,1869,1889,1894,1898,1902,1926,1931,1935,1958,1962,1997,2001,2005,2035,2039,2043,2050,2054,2061,2068,2075,2081,2088,2095,2102,2109,2116,2123,2129,2136,2143,2149,2166,2169,2172,2175,2178,2181,2184,2193,2196,2199,2202,2211,2214,2217,2220,2223,2238,2241,2244,2247,2250,2253,2256,2259,2268,2271,2274,2277,2280,2290,2293,2296,2299,2308,2311,2314,2317,2326,2329,2332,2342,2345,2362,2365,2368,2383,2386,2389,2392,2395,2400,2405,2410,2415,2420,2425,2430,2435,2440,2445,2450,2455,2460,2465],{"id":541,"data":1632,"type":544,"tunes":1634},{"text":1633},"For decades, enthusiast PC gaming followed a familiar bargain: games asked for more compute, GPU generations delivered more compute, and players upgraded when the gap became large enough. That loop never worked perfectly, but the direction was understandable. In 2026, the loop is becoming harder to read because two changes are happening at the same time: AI infrastructure is competing aggressively for silicon and memory, while AI techniques are moving directly into the way games create frames.",{},{"id":547,"data":1636,"type":552,"tunes":1639},{"body":1637,"title":1638,"variant":551},"\u003Cstrong>The old gaming upgrade cycle is under pressure, but it is not simply being replaced by more expensive GPUs.\u003C\u002Fstrong> AI is changing both sides of the equation: it increases competition for semiconductor and memory resources, and it also enables neural rendering techniques that can trade stored data or conventional rendering work for inference. The important possibility is that gaming may respond to tighter hardware economics by becoming more computationally selective, not merely by demanding larger GPUs.","Direct answer",{},{"id":555,"data":1641,"type":552,"tunes":1644},{"body":1642,"title":1643,"variant":559},"This is an \u003Cstrong>evidence-backed hypothesis\u003C\u002Fstrong>. Documented market data and shipping or announced technologies are labeled as facts or industry signals. The connections between them are technical inference. The future architecture described later is a Figure Rocks hypothesis, not a claim about an unannounced NVIDIA, AMD, Intel, Microsoft or console roadmap.","How to read this article",{},{"id":562,"data":1646,"type":566,"tunes":1648},{"title":1647,"maxLevel":565,"minLevel":47},"Contents",{},{"id":569,"data":1650,"type":572,"tunes":1652},{"text":1651,"level":47},"The scale mismatch is already visible",{},{"id":575,"data":1654,"type":544,"tunes":1656},{"text":1655},"Newzoo forecasts the global games market at $213.9 billion in 2026, up 6.1% year over year. The Semiconductor Industry Association reported $791.7 billion in global semiconductor sales for 2025, up 25.6%, and projected roughly $1 trillion for 2026. The games business and semiconductor business still depend on each other, but their incentives are becoming less symmetric: the same advanced manufacturing ecosystem that enables premium gaming now serves AI and data-center buyers with much larger infrastructure budgets. These are not directly comparable product categories; they establish the scale of the upstream compute economy around gaming.",{},{"id":580,"data":1658,"type":604,"tunes":1680},{"content":1659,"stretched":603,"withHeadings":15},[1660,1664,1668,1672,1676],[1661,1662,1663],"Reference point","Reported or forecast value","Why it matters here",[1665,1666,1667],"Global games market, 2026 forecast","$213.9B, +6.1% YoY","Large consumer entertainment market, but downstream of advanced hardware supply",[1669,1670,1671],"PC games, 2026 forecast","$45.9B, +5.3% YoY","The gaming segment most directly exposed to PC component economics",[1673,1674,1675],"Global semiconductor sales, 2025","$791.7B, +25.6% YoY","Shows the scale of the upstream industry serving gaming, AI, mobile, automotive and cloud",[1677,1678,1679],"Global semiconductor industry, 2026 projection","~$1T","Raises the opportunity cost of dedicating premium silicon only to consumer gaming",{},{"id":607,"data":1682,"type":552,"tunes":1685},{"body":1683,"title":1684,"variant":611},"The figures establish \u003Cstrong>economic context, not direct causation\u003C\u002Fstrong>. They do not prove that a specific wafer, GPU or memory package was taken from a gamer and reassigned to AI. They also do not mean gaming and semiconductors are the two largest industries in the world. The narrower, defensible point is that a $200B+ games market depends on an upstream semiconductor economy approaching trillion-dollar annual scale, where AI infrastructure now competes for advanced compute and memory under very different budget and margin conditions.","What these market numbers do — and do not — prove",{},{"id":614,"data":1687,"type":572,"tunes":1689},{"text":1688,"level":47},"Memory is where the pressure becomes concrete",{},{"id":619,"data":1691,"type":544,"tunes":1693},{"text":1692},"TrendForce has repeatedly reported that DRAM suppliers are shifting capacity toward server and HBM products as AI demand grows. In March 2026 it forecast conventional DRAM contract prices rising 58–63% quarter over quarter in Q2 and said limited GDDR allocation was constraining graphics memory supply. By Q3, TrendForce said consumer customers were reaching an affordability limit even as AI and server demand remained strong.",{},{"id":624,"data":1695,"type":644,"tunes":1713},{"steps":1696,"title":1712,"orientation":643},[1697,1700,1703,1706,1709],{"label":1698,"description":1699},"1. AI infrastructure expands","Cloud providers and AI builders secure server memory, HBM, enterprise SSDs and advanced compute.",{"label":1701,"description":1702},"2. Suppliers optimize product mix","Capacity moves toward products with stronger demand, margins or long-term contracts.",{"label":1704,"description":1705},"3. Consumer allocation tightens","PC, graphics and consumer memory buyers face higher prices or constrained availability.",{"label":1707,"description":1708},"4. Gaming vendors absorb or pass through cost","Board design, VRAM capacity and system price become harder trade-offs.",{"label":1710,"description":1711},"5. The old upgrade cycle weakens","A faster GPU is still useful, but brute-force scaling becomes economically harder to repeat at the same consumer price points.","The resource-allocation pressure",{},{"id":647,"data":1715,"type":552,"tunes":1718},{"body":1716,"title":1717,"variant":611},"TrendForce reported on September 30, 2026 that suppliers still prioritize advanced-process capacity for high-performance server products, with conventional DRAM contract prices projected to rise another 10–15% QoQ in Q4. Its DRAM bulletin also says HBM continues to crowd out general DRAM capacity. The pressure described here therefore remains visible late in 2026; it is not based only on a temporary early-year spike.","A September 2026 signal, not an old shortage story",{},{"id":653,"data":1720,"type":572,"tunes":1722},{"text":1721,"level":47},"At exactly the same time, the frame itself is changing",{},{"id":658,"data":1724,"type":544,"tunes":1726},{"text":1725},"Microsoft now describes machine learning as becoming foundational to real-time graphics. DirectX is adding shader-level and model-level ML paths so neural texture compression, denoising, super resolution and other learned workloads can sit inside the graphics stack instead of being bolted on as isolated features. NVIDIA's DLSS 5 research pushes the idea further by introducing a generative neural rendering stage that complements conventional rendering with learned appearance priors. Neural rendering does not mean conventional rendering disappears. The emerging model is hybrid: render some information directly, infer or reconstruct other information when doing so is cheaper or more useful.",{},{"id":663,"data":1728,"type":669,"tunes":1733},{"url":1729,"title":1730,"excerpt":1731,"ctaLabel":1732},"https:\u002F\u002Ffigure.rocks\u002Fblog\u002Fdlss-5-is-not-just-upscaling-what-3d-guided-neural-rendering-actually-changes","DLSS 5 Is Not Just Upscaling: What Generative Neural Rendering Actually Changes","Why the important change is not another quality mode, but a new stage in how visual information can be produced.","Read the DLSS 5 analysis",{},{"id":672,"data":1735,"type":707,"tunes":1763},{"rows":1736,"title":1757,"layout":604,"columns":1758},[1737,1742,1747,1752],{"id":676,"label":1738,"values":1739},"More visual fidelity",{"new":1740,"old":1741},"Store\u002Frender selectively, reconstruct or infer some detail","Store more detail and render more work",{"id":682,"label":1743,"values":1744},"Memory response",{"new":1745,"old":1746},"Add capacity where needed, but also compress and reduce movement","Add capacity and bandwidth",{"id":688,"label":1748,"values":1749},"Performance response",{"new":1750,"old":1751},"Mix shader, RT and matrix\u002FTensor-style compute","More shader\u002FRT throughput",{"id":694,"label":1753,"values":1754},"Software role",{"new":1755,"old":1756},"Engine increasingly schedules rendering, data movement and ML workloads","Engine schedules mostly conventional graphics work","Traditional scaling vs neural-era scaling",[1759,1761],{"id":702,"label":1760},"Traditional path",{"id":705,"label":1762},"Neural-era path",{},{"id":710,"data":1765,"type":552,"tunes":1768},{"body":1766,"title":1767,"variant":714},"\u003Cstrong>AI may be weakening the economics of brute-force gaming hardware while simultaneously supplying techniques that make brute-force scaling less necessary.\u003C\u002Fstrong> That does not mean future games need less hardware. It means more of the result may come from deciding what to store, move, render, reconstruct or infer. Figure Rocks shorthand: \u003Cstrong>store less → move less → predict more → render less → infer more.\u003C\u002Fstrong> This is a hypothesis about where performance gains may increasingly come from, not a claim that every future game will use one pipeline.","The central Figure Rocks hypothesis",{},{"id":717,"data":1770,"type":719,"tunes":1771},{},{},{"id":722,"data":1773,"type":572,"tunes":1775},{"text":1774,"level":47},"The 5090 question is useful only if we phrase it correctly",{},{"id":727,"data":1777,"type":544,"tunes":1779},{"text":1778},"The RTX 5090 is a useful example precisely because the evidence is mixed. As of October 18, 2026, NVIDIA still lists the GeForce RTX 5090 as a current product. At the same time, retailer behavior and press reports have documented unusually poor availability and unconfirmed claims of a production halt. That is a market signal, not an official end-of-production announcement. The defensible question is therefore not whether NVIDIA secretly killed one card, but whether the opportunity cost of allocating top-tier Blackwell-class silicon to enthusiast gaming rises when similar architecture can serve professional visualization and AI markets with very different economics.",{},{"id":732,"data":1781,"type":552,"tunes":1784},{"body":1782,"title":1783,"variant":559},"\u003Cstrong>FACT:\u003C\u002Fstrong> NVIDIA still publicly lists the RTX 5090, and Blackwell architecture spans gaming and professional products.\u003Cbr>\u003Cstrong>INDUSTRY SIGNAL:\u003C\u002Fstrong> retailer disappearance, extreme scarcity and reports of a possible production halt exist, but NVIDIA has not confirmed an RTX 5090 EOL or production stop.\u003Cbr>\u003Cstrong>TECHNICAL INFERENCE:\u003C\u002Fstrong> a high-end die has multiple economically valuable destinations.\u003Cbr>\u003Cstrong>FIGURE ROCKS HYPOTHESIS:\u003C\u002Fstrong> AI and professional demand can make the traditional enthusiast expectation — that the largest practical die remains broadly attainable as a gaming flagship — harder to sustain.","FACT \u002F SIGNAL \u002F HYPOTHESIS",{},{"id":738,"data":1786,"type":572,"tunes":1788},{"text":1787,"level":47},"Memory is starting to become a compute problem, not only a capacity problem",{},{"id":743,"data":1790,"type":544,"tunes":1792},{"text":1791},"There are at least four ways to attack a memory bottleneck without simply increasing raw DRAM speed: compress the representation, reconstruct detail with compute, predict what data will be needed next, and keep the right data resident close to the execution unit. None of these makes a physical memory chip magically faster. They change how much useful work the system obtains from a finite capacity and bandwidth budget.",{},{"id":748,"data":1794,"type":604,"tunes":1814},{"content":1795,"stretched":603,"withHeadings":15},[1796,1799,1802,1806,1810],[752,1797,1798],"What changes","What does not change automatically",[756,1800,1801],"Fewer physical bytes represent the same logical data","The DRAM clock and bus width",[1803,1804,1805],"Neural reconstruction","Some detail is generated from a compact representation","The cost disappears; inference has its own compute\u002Flatency cost",[1807,1808,1809],"Predictive prefetch","Data arrives before the requesting workload stalls","Total physical bandwidth",[1811,1812,1813],"Residency \u002F unified access","Less unnecessary migration or duplication","Contention and latency constraints",{},{"id":773,"data":1816,"type":552,"tunes":1819},{"body":1817,"title":1818,"variant":551},"NVIDIA Research's Buddy Compression reported an average \u003Cstrong>2.2× compression ratio for HPC workloads and 1.5× for deep-learning workloads\u003C\u002Fstrong>, with 1–2% slowdown in that study. That result is not a gaming benchmark. Its relevance here is architectural: compressed memory can increase effective capacity and reduce some traffic without changing the physical DRAM clock.","Research anchor: effective capacity is not raw speed",{},{"id":779,"data":1821,"type":552,"tunes":1824},{"body":1822,"title":1823,"variant":714},"NVIDIA Research's material-texture NTC work demonstrated \u003Cstrong>4× higher linear texture resolution — 16× more texels — while using 30% less memory\u003C\u002Fstrong> than its BC High comparison. That does not mean every game gets a 16× memory gain. It demonstrates the mechanism that matters here: some visual detail can be represented more compactly and reconstructed with compute instead of being stored conventionally at the same fidelity.","Gaming-specific evidence: neural texture compression",{},{"id":785,"data":1826,"type":552,"tunes":1829},{"body":1827,"title":1828,"variant":611},"A 460× figure sometimes associated with NVIDIA systems refers to a comparison in GPU-accessible memory capacity across DGX generations, \u003Cstrong>not a 460× memory-compression ratio\u003C\u002Fstrong>. This article deliberately does not use it as evidence for compression.","What the “460×” number does not mean",{},{"id":791,"data":1831,"type":572,"tunes":1833},{"text":1832,"level":47},"How the technical response could work",{},{"id":796,"data":1835,"type":644,"tunes":1856},{"steps":1836,"title":1855,"orientation":643},[1837,1840,1843,1846,1849,1852],{"label":1838,"description":1839},"Compress","Keep textures or learned representations smaller where quality permits.",{"label":1841,"description":1842},"Predict","Use deterministic game state and learned models to estimate what data will be needed next.",{"label":1844,"description":1845},"Prefetch","Move useful data before the GPU stalls waiting for it.",{"label":1847,"description":1848},"Render","Spend conventional graphics work where it changes the visible result most.",{"label":1850,"description":1851},"Infer","Use neural reconstruction or generation where inference is cheaper than storing or simulating everything directly.",{"label":1853,"description":1854},"Present","Deliver the frame while keeping latency, artifacts and frame pacing inside acceptable limits.","One possible future frame pipeline",{},{"id":820,"data":1858,"type":544,"tunes":1860},{"text":1859},"This pipeline is not one announced product. Every component already exists in some form, but the integrated chain is the hypothesis. Neural texture compression has shown that learned representations can exchange compute for memory. GPU prefetch research has shown that learned prediction can improve memory-page hit rates. DirectX is formalizing ML inside the graphics programming model. DLSS 5 shows a generative stage entering real-time rendering.",{},{"id":825,"data":1862,"type":572,"tunes":1864},{"text":1863,"level":47},"A game has one advantage general workloads often do not: it already knows part of its future",{},{"id":830,"data":1866,"type":544,"tunes":1868},{"text":1867},"A game engine knows the camera transform, player velocity, current world cell, neighboring streaming cells, animation state, active entities, LOD transitions, shader dependencies and often likely traversal paths. That deterministic context does not reveal the future perfectly, but it gives a predictor a richer starting point than a generic memory trace alone.",{},{"id":835,"data":1870,"type":644,"tunes":1888},{"steps":1871,"title":1887,"orientation":643},[1872,1875,1878,1881,1884],{"label":1873,"description":1874},"1. Observe deterministic state","Camera direction, movement vector, current room, visible portals and known asset dependencies already exist in engine state.",{"label":1876,"description":1877},"2. Estimate the near-future working set","A learned predictor can rank likely next rooms, textures, geometry, shaders or neural representations.",{"label":1879,"description":1880},"3. Prefetch during available bandwidth","Move likely resources while the memory system has headroom instead of waiting for a hard demand miss.",{"label":1882,"description":1883},"4. Keep deterministic guarantees","Critical assets still use authored rules; prediction supplements rather than replaces correctness.",{"label":1885,"description":1886},"5. Measure the miss cost","If prediction wastes bandwidth or evicts useful data, confidence or prefetch depth must fall.","A predictive gaming-memory example",{},{"id":856,"data":1890,"type":552,"tunes":1893},{"body":1891,"title":1892,"variant":559},"A published CPU–GPU unified-virtual-memory study reported a \u003Cstrong>10.89% performance improvement\u003C\u002Fstrong>, page-hit rate rising from \u003Cstrong>76.10% to 89.02%\u003C\u002Fstrong>, and \u003Cstrong>11.05% lower CPU–GPU interconnect traffic\u003C\u002Fstrong> using learned prefetching. A 2026 AAAI paper on asynchronous KV-cache prefetching reported \u003Cstrong>2.15× attention-kernel efficiency and up to 1.97× end-to-end throughput\u003C\u002Fstrong> on its LLM workload. Neither result should be copied onto games; both demonstrate that prediction and prefetch can hide memory cost in real GPU workloads.","This idea has a research precedent, but not yet a gaming proof",{},{"id":862,"data":1895,"type":572,"tunes":1897},{"text":1896,"level":47},"Why a Spark-like architecture becomes interesting",{},{"id":867,"data":1899,"type":544,"tunes":1901},{"text":1900},"DGX Spark is not a gaming PC, and treating it as one would hide the useful lesson. Its GB10 design combines Arm CPU cores, a Blackwell GPU, Tensor and RT hardware, and up to 128 GB of coherent unified system memory. That architecture asks a different question from a classic desktop: instead of splitting the system cleanly into CPU memory and discrete VRAM, what happens when multiple compute engines share a large memory pool?",{},{"id":872,"data":1903,"type":604,"tunes":1925},{"content":1904,"stretched":603,"withHeadings":15},[1905,1909,1913,1917,1921],[1906,1907,1908],"Property","DGX Spark reference","Gaming implication if the principle were adapted",[1910,1911,1912],"Memory","Up to 128 GB coherent unified LPDDR5X","Large shared pool could reduce duplication and give local AI + graphics access to common data",[1914,1915,1916],"Memory bandwidth","273 GB\u002Fs","Capacity is not enough; high-end graphics still needs aggressive bandwidth and latency management",[1918,1919,1920],"Compute mix","CPU + Blackwell GPU + Tensor + RT","A future game workload could be split across more specialized engines",[1922,1923,1924],"Form factor\u002Fpower","Compact GB10 system","Integration can improve efficiency but may reduce modular upgradeability",{},{"id":897,"data":1927,"type":552,"tunes":1930},{"body":1928,"title":1929,"variant":611},"A large unified pool does \u003Cstrong>not\u003C\u002Fstrong> automatically replace the bandwidth of a high-end discrete GPU. DGX Spark lists 273 GB\u002Fs of memory bandwidth, while NVIDIA's RTX PRO 6000 Blackwell Workstation Edition lists 1,792 GB\u002Fs. These are very different products and the comparison is not a gaming benchmark; it simply makes the architectural constraint visible. A Spark-like gaming design would need to solve contention, latency and bandwidth — not just provide more shared gigabytes.","Capacity is not bandwidth",{},{"id":903,"data":1932,"type":572,"tunes":1934},{"text":1933,"level":47},"What would have to be true for this transition to work?",{},{"id":908,"data":1936,"type":644,"tunes":1957},{"steps":1937,"title":1956,"orientation":643},[1938,1941,1944,1947,1950,1953],{"label":1939,"description":1940},"1. Inference must save more than it costs","Neural work has to remove enough storage, bandwidth or conventional rendering cost to justify its own compute and latency.",{"label":1942,"description":1943},"2. The engine must expose useful state","Prediction works better when the system knows camera direction, asset dependencies, movement and likely visibility.",{"label":1945,"description":1946},"3. Memory movement must become deliberate","Compression without good residency and prefetch policy can still stall.",{"label":1948,"description":1949},"4. Quality must remain stable","Generated detail cannot introduce unacceptable artifacts, temporal instability or incorrect game information.",{"label":1951,"description":1952},"5. Latency must stay bounded","A prettier frame is not automatically a more responsive game.",{"label":1954,"description":1955},"6. The stack must survive vendor differences","Useful techniques need APIs, drivers and engine paths that do not fragment into one-off demos.","The Neural Gaming Viability Test",{},{"id":932,"data":1959,"type":572,"tunes":1961},{"text":1960,"level":47},"What should a buyer expect from a Spark-like transition?",{},{"id":937,"data":1963,"type":707,"tunes":1996},{"rows":1964,"title":1990,"layout":604,"columns":1991},[1965,1970,1975,1980,1985],{"id":941,"label":1966,"values":1967},"Large coherent pool",{"cost":1968,"gain":1969},"Shared clients can contend for the same bandwidth","More flexible sharing between CPU, graphics and local AI",{"id":947,"label":1971,"values":1972},"Less duplication",{"cost":1973,"gain":1974},"Coherence and scheduling add complexity","Fewer copies between separate system-RAM and VRAM pools",{"id":953,"label":1976,"values":1977},"More local AI headroom",{"cost":1978,"gain":1979},"AI can compete with graphics for compute and memory","Larger models, agents or neural assets can coexist locally",{"id":959,"label":1981,"values":1982},"System-level optimization",{"cost":1983,"gain":1984},"Tighter integration can reduce upgradeability and increase lock-in","The platform can optimize data placement and accelerators together",{"id":965,"label":1986,"values":1987},"New workload flexibility",{"cost":1988,"gain":1989},"Only if engines and runtimes actually use those capabilities","A machine may age better if future games shift toward neural workloads","Potential benefit vs real cost",[1992,1994],{"id":973,"label":1993},"Potential gain",{"id":976,"label":1995},"Cost \u002F risk",{},{"id":980,"data":1998,"type":572,"tunes":2000},{"text":1999,"level":47},"What would falsify this hypothesis?",{},{"id":985,"data":2002,"type":544,"tunes":2004},{"text":2003},"This thesis is deliberately falsifiable. The table below defines the market, software, hardware and game-adoption signals that would make the argument stronger or weaker over time.",{},{"id":990,"data":2006,"type":707,"tunes":2034},{"rows":2007,"title":2028,"layout":604,"columns":2029},[2008,2013,2018,2023],{"id":682,"label":2009,"values":2010},"Memory economics",{"weakens":2011,"strengthens":2012},"Consumer capacity expands and price pressure normalizes","Server\u002FHBM priority continues to squeeze consumer allocation",{"id":999,"label":2014,"values":2015},"Graphics stack",{"weakens":2016,"strengthens":2017},"Neural graphics remains vendor-specific optional post-processing","ML primitives become normal engine\u002FDirectX features",{"id":1005,"label":2019,"values":2020},"Hardware design",{"weakens":2021,"strengthens":2022},"Discrete GPU + separate RAM remains clearly superior on cost, flexibility and latency","More integrated heterogeneous compute and larger coherent memory pools",{"id":1011,"label":2024,"values":2025},"Game adoption",{"weakens":2026,"strengthens":2027},"Tech remains limited to demos or a few flagship games","Studios ship neural compression, generation and predictive data paths broadly","Evidence that strengthens or weakens the thesis",[2030,2032],{"id":1019,"label":2031},"Would strengthen it",{"id":1022,"label":2033},"Would weaken it",{},{"id":1026,"data":2036,"type":572,"tunes":2038},{"text":2037,"level":47},"The practical conclusion for a gamer today",{},{"id":1031,"data":2040,"type":544,"tunes":2042},{"text":2041},"Do not buy hardware because a speculative architecture might arrive. Buy for the games, resolution, latency target and workloads you actually have. But do not assume that future-proofing can still be reduced to one number such as raster performance or VRAM capacity. The direction of the software stack suggests that memory behavior, neural compute and engine support may become increasingly important parts of the value equation.",{},{"id":1036,"data":2044,"type":669,"tunes":2049},{"url":2045,"title":2046,"excerpt":2047,"ctaLabel":2048},"https:\u002F\u002Ffigure.rocks\u002Fblog\u002Fvram-usage-is-not-vram-requirement-why-a-full-memory-meter-does-not-tell-the-whole-story","VRAM Usage Is Not VRAM Requirement: Why a Full Memory Meter Does Not Tell the Whole Story","A practical explanation of working sets, residency and why an allocated VRAM number is not the same thing as a hard requirement.","Read the VRAM guide",{},{"id":1044,"data":2051,"type":572,"tunes":2053},{"text":2052,"level":47},"Primary sources",{},{"id":1049,"data":2055,"type":1056,"tunes":2060},{"link":1051,"meta":2056},{"image":2057,"title":2058,"description":2059},{"url":13},"Newzoo — 2026 Global Games Market Key Numbers","2026 games-market forecast used for the scale comparison.",{},{"id":1059,"data":2062,"type":1056,"tunes":2067},{"link":1061,"meta":2063},{"image":2064,"title":2065,"description":2066},{"url":13},"Semiconductor Industry Association — 2025 Global Sales","2025 semiconductor sales and the association's roughly $1 trillion 2026 projection.",{},{"id":1068,"data":2069,"type":1056,"tunes":2074},{"link":1070,"meta":2070},{"image":2071,"title":2072,"description":2073},{"url":13},"TrendForce — AI Server Demand Sustains Memory Price Increases in 4Q26","Late-2026 evidence for ongoing server-priority capacity allocation and consumer pressure.",{},{"id":1077,"data":2076,"type":1056,"tunes":2080},{"link":1079,"meta":2077},{"image":2078,"title":1082,"description":2079},{"url":13},"Research source for 2.2× HPC and 1.5× DL average compression ratios.",{},{"id":1086,"data":2082,"type":1056,"tunes":2087},{"link":1088,"meta":2083},{"image":2084,"title":2085,"description":2086},{"url":13},"Deep-learning based CPU–GPU UVM prefetching","Research source for learned page-prefetching results.",{},{"id":1095,"data":2089,"type":1056,"tunes":2094},{"link":1097,"meta":2090},{"image":2091,"title":2092,"description":2093},{"url":13},"AAAI 2026 — Asynchronous KV Cache Prefetching","Research source demonstrating latency hiding through proactive GPU-cache prefetching.",{},{"id":1104,"data":2096,"type":1056,"tunes":2101},{"link":1106,"meta":2097},{"image":2098,"title":2099,"description":2100},{"url":13},"TrendForce — AI Server Demand and 2Q26 Memory Prices","Current evidence for server\u002FHBM prioritization, GDDR constraints and consumer pressure.",{},{"id":1113,"data":2103,"type":1056,"tunes":2108},{"link":1115,"meta":2104},{"image":2105,"title":2106,"description":2107},{"url":13},"Microsoft DirectX — Evolving DirectX for the ML Era","Official GDC 2026 overview of shader-level and model-level ML in DirectX.",{},{"id":1122,"data":2110,"type":1056,"tunes":2115},{"link":1124,"meta":2111},{"image":2112,"title":2113,"description":2114},{"url":13},"NVIDIA Research — DLSS 5: Generative Neural Rendering","Primary research page describing DLSS 5 as a real-time generative rendering stage.",{},{"id":1131,"data":2117,"type":1056,"tunes":2122},{"link":1133,"meta":2118},{"image":2119,"title":2120,"description":2121},{"url":13},"NVIDIA — DGX Spark Specifications","Official architecture, unified memory and bandwidth specifications.",{},{"id":1140,"data":2124,"type":1056,"tunes":2128},{"link":1142,"meta":2125},{"image":2126,"title":1145,"description":2127},{"url":13},"Official current RTX 5090 product page used to distinguish confirmed product status from production-halt rumors.",{},{"id":1149,"data":2130,"type":1056,"tunes":2135},{"link":1151,"meta":2131},{"image":2132,"title":2133,"description":2134},{"url":13},"Tom’s Hardware — RTX 5090 Retail Disappearance and Production-Halt Rumors","Current market report used only as an industry signal; it explicitly notes that NVIDIA has not confirmed a production halt.",{},{"id":1158,"data":2137,"type":1056,"tunes":2142},{"link":1160,"meta":2138},{"image":2139,"title":2140,"description":2141},{"url":13},"NVIDIA Research — Random-Access Neural Compression of Material Textures","Primary source for the 4× linear resolution \u002F 16× texel comparison at 30% less memory versus BC High.",{},{"id":1167,"data":2144,"type":1056,"tunes":2148},{"link":1169,"meta":2145},{"image":2146,"title":1172,"description":2147},{"url":13},"Official source for 96 GB GDDR7 and 1,792 GB\u002Fs memory bandwidth used as a bandwidth reference point.",{},{"id":1176,"data":2150,"type":1196,"tunes":2165},{"title":2151,"entries":2152},"Key concepts",[2153,2156,2159,2162],{"term":2154,"anchor":1182,"definition":2155},"Neural rendering","Rendering methods that use trained models as part of producing, reconstructing or enhancing visual output.",{"term":2157,"anchor":1186,"definition":2158},"Heterogeneous compute","A system that assigns different workloads to different compute engines such as CPU, GPU, RT and matrix\u002FTensor hardware.",{"term":2160,"anchor":1190,"definition":2161},"Effective memory","A practical description of how much useful data a memory system can keep and feed to compute after compression, residency and movement efficiency are considered. It is not a formal replacement for physical capacity.",{"term":2163,"anchor":1194,"definition":2164},"Predictive memory","Figure Rocks shorthand for combining known game state and learned prediction to prepare likely-needed data before a stall. It is a hypothesis, not an industry standard.",{},{"id":541,"data":2167,"type":544,"tunes":2168},{"text":1633},{},{"id":547,"data":2170,"type":552,"tunes":2171},{"body":1637,"title":1638,"variant":551},{},{"id":555,"data":2173,"type":552,"tunes":2174},{"body":1642,"title":1643,"variant":559},{},{"id":562,"data":2176,"type":566,"tunes":2177},{"title":1647,"maxLevel":565,"minLevel":47},{},{"id":569,"data":2179,"type":572,"tunes":2180},{"text":1651,"level":47},{},{"id":575,"data":2182,"type":544,"tunes":2183},{"text":1655},{},{"id":580,"data":2185,"type":604,"tunes":2192},{"content":2186,"stretched":603,"withHeadings":15},[2187,2188,2189,2190,2191],[1661,1662,1663],[1665,1666,1667],[1669,1670,1671],[1673,1674,1675],[1677,1678,1679],{},{"id":607,"data":2194,"type":552,"tunes":2195},{"body":1683,"title":1684,"variant":611},{},{"id":614,"data":2197,"type":572,"tunes":2198},{"text":1688,"level":47},{},{"id":619,"data":2200,"type":544,"tunes":2201},{"text":1692},{},{"id":624,"data":2203,"type":644,"tunes":2210},{"steps":2204,"title":1712,"orientation":643},[2205,2206,2207,2208,2209],{"label":1698,"description":1699},{"label":1701,"description":1702},{"label":1704,"description":1705},{"label":1707,"description":1708},{"label":1710,"description":1711},{},{"id":647,"data":2212,"type":552,"tunes":2213},{"body":1716,"title":1717,"variant":611},{},{"id":653,"data":2215,"type":572,"tunes":2216},{"text":1721,"level":47},{},{"id":658,"data":2218,"type":544,"tunes":2219},{"text":1725},{},{"id":663,"data":2221,"type":669,"tunes":2222},{"url":1729,"title":1730,"excerpt":1731,"ctaLabel":1732},{},{"id":672,"data":2224,"type":707,"tunes":2237},{"rows":2225,"title":1757,"layout":604,"columns":2234},[2226,2228,2230,2232],{"id":676,"label":1738,"values":2227},{"new":1740,"old":1741},{"id":682,"label":1743,"values":2229},{"new":1745,"old":1746},{"id":688,"label":1748,"values":2231},{"new":1750,"old":1751},{"id":694,"label":1753,"values":2233},{"new":1755,"old":1756},[2235,2236],{"id":702,"label":1760},{"id":705,"label":1762},{},{"id":710,"data":2239,"type":552,"tunes":2240},{"body":1766,"title":1767,"variant":714},{},{"id":717,"data":2242,"type":719,"tunes":2243},{},{},{"id":722,"data":2245,"type":572,"tunes":2246},{"text":1774,"level":47},{},{"id":727,"data":2248,"type":544,"tunes":2249},{"text":1778},{},{"id":732,"data":2251,"type":552,"tunes":2252},{"body":1782,"title":1783,"variant":559},{},{"id":738,"data":2254,"type":572,"tunes":2255},{"text":1787,"level":47},{},{"id":743,"data":2257,"type":544,"tunes":2258},{"text":1791},{},{"id":748,"data":2260,"type":604,"tunes":2267},{"content":2261,"stretched":603,"withHeadings":15},[2262,2263,2264,2265,2266],[752,1797,1798],[756,1800,1801],[1803,1804,1805],[1807,1808,1809],[1811,1812,1813],{},{"id":773,"data":2269,"type":552,"tunes":2270},{"body":1817,"title":1818,"variant":551},{},{"id":779,"data":2272,"type":552,"tunes":2273},{"body":1822,"title":1823,"variant":714},{},{"id":785,"data":2275,"type":552,"tunes":2276},{"body":1827,"title":1828,"variant":611},{},{"id":791,"data":2278,"type":572,"tunes":2279},{"text":1832,"level":47},{},{"id":796,"data":2281,"type":644,"tunes":2289},{"steps":2282,"title":1855,"orientation":643},[2283,2284,2285,2286,2287,2288],{"label":1838,"description":1839},{"label":1841,"description":1842},{"label":1844,"description":1845},{"label":1847,"description":1848},{"label":1850,"description":1851},{"label":1853,"description":1854},{},{"id":820,"data":2291,"type":544,"tunes":2292},{"text":1859},{},{"id":825,"data":2294,"type":572,"tunes":2295},{"text":1863,"level":47},{},{"id":830,"data":2297,"type":544,"tunes":2298},{"text":1867},{},{"id":835,"data":2300,"type":644,"tunes":2307},{"steps":2301,"title":1887,"orientation":643},[2302,2303,2304,2305,2306],{"label":1873,"description":1874},{"label":1876,"description":1877},{"label":1879,"description":1880},{"label":1882,"description":1883},{"label":1885,"description":1886},{},{"id":856,"data":2309,"type":552,"tunes":2310},{"body":1891,"title":1892,"variant":559},{},{"id":862,"data":2312,"type":572,"tunes":2313},{"text":1896,"level":47},{},{"id":867,"data":2315,"type":544,"tunes":2316},{"text":1900},{},{"id":872,"data":2318,"type":604,"tunes":2325},{"content":2319,"stretched":603,"withHeadings":15},[2320,2321,2322,2323,2324],[1906,1907,1908],[1910,1911,1912],[1914,1915,1916],[1918,1919,1920],[1922,1923,1924],{},{"id":897,"data":2327,"type":552,"tunes":2328},{"body":1928,"title":1929,"variant":611},{},{"id":903,"data":2330,"type":572,"tunes":2331},{"text":1933,"level":47},{},{"id":908,"data":2333,"type":644,"tunes":2341},{"steps":2334,"title":1956,"orientation":643},[2335,2336,2337,2338,2339,2340],{"label":1939,"description":1940},{"label":1942,"description":1943},{"label":1945,"description":1946},{"label":1948,"description":1949},{"label":1951,"description":1952},{"label":1954,"description":1955},{},{"id":932,"data":2343,"type":572,"tunes":2344},{"text":1960,"level":47},{},{"id":937,"data":2346,"type":707,"tunes":2361},{"rows":2347,"title":1990,"layout":604,"columns":2358},[2348,2350,2352,2354,2356],{"id":941,"label":1966,"values":2349},{"cost":1968,"gain":1969},{"id":947,"label":1971,"values":2351},{"cost":1973,"gain":1974},{"id":953,"label":1976,"values":2353},{"cost":1978,"gain":1979},{"id":959,"label":1981,"values":2355},{"cost":1983,"gain":1984},{"id":965,"label":1986,"values":2357},{"cost":1988,"gain":1989},[2359,2360],{"id":973,"label":1993},{"id":976,"label":1995},{},{"id":980,"data":2363,"type":572,"tunes":2364},{"text":1999,"level":47},{},{"id":985,"data":2366,"type":544,"tunes":2367},{"text":2003},{},{"id":990,"data":2369,"type":707,"tunes":2382},{"rows":2370,"title":2028,"layout":604,"columns":2379},[2371,2373,2375,2377],{"id":682,"label":2009,"values":2372},{"weakens":2011,"strengthens":2012},{"id":999,"label":2014,"values":2374},{"weakens":2016,"strengthens":2017},{"id":1005,"label":2019,"values":2376},{"weakens":2021,"strengthens":2022},{"id":1011,"label":2024,"values":2378},{"weakens":2026,"strengthens":2027},[2380,2381],{"id":1019,"label":2031},{"id":1022,"label":2033},{},{"id":1026,"data":2384,"type":572,"tunes":2385},{"text":2037,"level":47},{},{"id":1031,"data":2387,"type":544,"tunes":2388},{"text":2041},{},{"id":1036,"data":2390,"type":669,"tunes":2391},{"url":2045,"title":2046,"excerpt":2047,"ctaLabel":2048},{},{"id":1044,"data":2393,"type":572,"tunes":2394},{"text":2052,"level":47},{},{"id":1049,"data":2396,"type":1056,"tunes":2399},{"link":1051,"meta":2397},{"image":2398,"title":2058,"description":2059},{"url":13},{},{"id":1059,"data":2401,"type":1056,"tunes":2404},{"link":1061,"meta":2402},{"image":2403,"title":2065,"description":2066},{"url":13},{},{"id":1068,"data":2406,"type":1056,"tunes":2409},{"link":1070,"meta":2407},{"image":2408,"title":2072,"description":2073},{"url":13},{},{"id":1077,"data":2411,"type":1056,"tunes":2414},{"link":1079,"meta":2412},{"image":2413,"title":1082,"description":2079},{"url":13},{},{"id":1086,"data":2416,"type":1056,"tunes":2419},{"link":1088,"meta":2417},{"image":2418,"title":2085,"description":2086},{"url":13},{},{"id":1095,"data":2421,"type":1056,"tunes":2424},{"link":1097,"meta":2422},{"image":2423,"title":2092,"description":2093},{"url":13},{},{"id":1104,"data":2426,"type":1056,"tunes":2429},{"link":1106,"meta":2427},{"image":2428,"title":2099,"description":2100},{"url":13},{},{"id":1113,"data":2431,"type":1056,"tunes":2434},{"link":1115,"meta":2432},{"image":2433,"title":2106,"description":2107},{"url":13},{},{"id":1122,"data":2436,"type":1056,"tunes":2439},{"link":1124,"meta":2437},{"image":2438,"title":2113,"description":2114},{"url":13},{},{"id":1131,"data":2441,"type":1056,"tunes":2444},{"link":1133,"meta":2442},{"image":2443,"title":2120,"description":2121},{"url":13},{},{"id":1140,"data":2446,"type":1056,"tunes":2449},{"link":1142,"meta":2447},{"image":2448,"title":1145,"description":2127},{"url":13},{},{"id":1149,"data":2451,"type":1056,"tunes":2454},{"link":1151,"meta":2452},{"image":2453,"title":2133,"description":2134},{"url":13},{},{"id":1158,"data":2456,"type":1056,"tunes":2459},{"link":1160,"meta":2457},{"image":2458,"title":2140,"description":2141},{"url":13},{},{"id":1167,"data":2461,"type":1056,"tunes":2464},{"link":1169,"meta":2462},{"image":2463,"title":1172,"description":2147},{"url":13},{},{"id":1176,"data":2466,"type":1196,"tunes":2472},{"title":2151,"entries":2467},[2468,2469,2470,2471],{"term":2154,"anchor":1182,"definition":2155},{"term":2157,"anchor":1186,"definition":2158},{"term":2160,"anchor":1190,"definition":2161},{"term":2163,"anchor":1194,"definition":2164},{},"2.31.6","AI is making high-performance silicon and memory more valuable outside gaming while also giving games new ways to render, compress and predict. This analysis asks whether those two trends are converging into a new hardware model.",{"lang":7,"title":534,"content":536,"contentJson":2476,"excerpt":1586},{"time":538,"blocks":2477,"version":1585},[2478,2481,2484,2487,2490,2493,2496,2505,2508,2511,2514,2523,2526,2529,2532,2535,2550,2553,2556,2559,2562,2565,2568,2571,2580,2583,2586,2589,2592,2602,2605,2608,2611,2620,2623,2626,2629,2638,2641,2644,2654,2657,2674,2677,2680,2695,2698,2701,2704,2707,2712,2717,2722,2727,2732,2737,2742,2747,2752,2757,2762,2767,2772,2777,2785,2788,2791,2794,2797,2800,2803,2812,2815,2818,2821,2830,2833,2836,2839,2842,2857,2860,2863,2866,2869,2872,2875,2878,2887,2890,2893,2896,2899,2909,2912,2915,2918,2927,2930,2933,2936,2945,2948,2951,2961,2964,2981,2984,2987,3002,3005,3008,3011,3014,3019,3024,3029,3034,3039,3044,3049,3054,3059,3064,3069,3074,3079,3084],{"id":541,"data":2479,"type":544,"tunes":2480},{"text":543},{},{"id":547,"data":2482,"type":552,"tunes":2483},{"body":549,"title":550,"variant":551},{},{"id":555,"data":2485,"type":552,"tunes":2486},{"body":557,"title":558,"variant":559},{},{"id":562,"data":2488,"type":566,"tunes":2489},{"title":564,"maxLevel":565,"minLevel":47},{},{"id":569,"data":2491,"type":572,"tunes":2492},{"text":571,"level":47},{},{"id":575,"data":2494,"type":544,"tunes":2495},{"text":577},{},{"id":580,"data":2497,"type":604,"tunes":2504},{"content":2498,"stretched":603,"withHeadings":15},[2499,2500,2501,2502,2503],[584,585,586],[588,589,590],[592,593,594],[596,597,598],[600,601,602],{},{"id":607,"data":2506,"type":552,"tunes":2507},{"body":609,"title":610,"variant":611},{},{"id":614,"data":2509,"type":572,"tunes":2510},{"text":616,"level":47},{},{"id":619,"data":2512,"type":544,"tunes":2513},{"text":621},{},{"id":624,"data":2515,"type":644,"tunes":2522},{"steps":2516,"title":642,"orientation":643},[2517,2518,2519,2520,2521],{"label":628,"description":629},{"label":631,"description":632},{"label":634,"description":635},{"label":637,"description":638},{"label":640,"description":641},{},{"id":647,"data":2524,"type":552,"tunes":2525},{"body":649,"title":650,"variant":611},{},{"id":653,"data":2527,"type":572,"tunes":2528},{"text":655,"level":47},{},{"id":658,"data":2530,"type":544,"tunes":2531},{"text":660},{},{"id":663,"data":2533,"type":669,"tunes":2534},{"url":665,"title":666,"excerpt":667,"ctaLabel":668},{},{"id":672,"data":2536,"type":707,"tunes":2549},{"rows":2537,"title":699,"layout":604,"columns":2546},[2538,2540,2542,2544],{"id":676,"label":677,"values":2539},{"new":679,"old":680},{"id":682,"label":683,"values":2541},{"new":685,"old":686},{"id":688,"label":689,"values":2543},{"new":691,"old":692},{"id":694,"label":695,"values":2545},{"new":697,"old":698},[2547,2548],{"id":702,"label":703},{"id":705,"label":706},{},{"id":710,"data":2551,"type":552,"tunes":2552},{"body":712,"title":713,"variant":714},{},{"id":717,"data":2554,"type":719,"tunes":2555},{},{},{"id":722,"data":2557,"type":572,"tunes":2558},{"text":724,"level":47},{},{"id":727,"data":2560,"type":544,"tunes":2561},{"text":729},{},{"id":732,"data":2563,"type":552,"tunes":2564},{"body":734,"title":735,"variant":559},{},{"id":738,"data":2566,"type":572,"tunes":2567},{"text":740,"level":47},{},{"id":743,"data":2569,"type":544,"tunes":2570},{"text":745},{},{"id":748,"data":2572,"type":604,"tunes":2579},{"content":2573,"stretched":603,"withHeadings":15},[2574,2575,2576,2577,2578],[752,753,754],[756,757,758],[760,761,762],[764,765,766],[768,769,770],{},{"id":773,"data":2581,"type":552,"tunes":2582},{"body":775,"title":776,"variant":551},{},{"id":779,"data":2584,"type":552,"tunes":2585},{"body":781,"title":782,"variant":714},{},{"id":785,"data":2587,"type":552,"tunes":2588},{"body":787,"title":788,"variant":611},{},{"id":791,"data":2590,"type":572,"tunes":2591},{"text":793,"level":47},{},{"id":796,"data":2593,"type":644,"tunes":2601},{"steps":2594,"title":817,"orientation":643},[2595,2596,2597,2598,2599,2600],{"label":800,"description":801},{"label":803,"description":804},{"label":806,"description":807},{"label":809,"description":810},{"label":812,"description":813},{"label":815,"description":816},{},{"id":820,"data":2603,"type":544,"tunes":2604},{"text":822},{},{"id":825,"data":2606,"type":572,"tunes":2607},{"text":827,"level":47},{},{"id":830,"data":2609,"type":544,"tunes":2610},{"text":832},{},{"id":835,"data":2612,"type":644,"tunes":2619},{"steps":2613,"title":853,"orientation":643},[2614,2615,2616,2617,2618],{"label":839,"description":840},{"label":842,"description":843},{"label":845,"description":846},{"label":848,"description":849},{"label":851,"description":852},{},{"id":856,"data":2621,"type":552,"tunes":2622},{"body":858,"title":859,"variant":559},{},{"id":862,"data":2624,"type":572,"tunes":2625},{"text":864,"level":47},{},{"id":867,"data":2627,"type":544,"tunes":2628},{"text":869},{},{"id":872,"data":2630,"type":604,"tunes":2637},{"content":2631,"stretched":603,"withHeadings":15},[2632,2633,2634,2635,2636],[876,877,878],[880,881,882],[884,885,886],[888,889,890],[892,893,894],{},{"id":897,"data":2639,"type":552,"tunes":2640},{"body":899,"title":900,"variant":611},{},{"id":903,"data":2642,"type":572,"tunes":2643},{"text":905,"level":47},{},{"id":908,"data":2645,"type":644,"tunes":2653},{"steps":2646,"title":929,"orientation":643},[2647,2648,2649,2650,2651,2652],{"label":912,"description":913},{"label":915,"description":916},{"label":918,"description":919},{"label":921,"description":922},{"label":924,"description":925},{"label":927,"description":928},{},{"id":932,"data":2655,"type":572,"tunes":2656},{"text":934,"level":47},{},{"id":937,"data":2658,"type":707,"tunes":2673},{"rows":2659,"title":970,"layout":604,"columns":2670},[2660,2662,2664,2666,2668],{"id":941,"label":942,"values":2661},{"cost":944,"gain":945},{"id":947,"label":948,"values":2663},{"cost":950,"gain":951},{"id":953,"label":954,"values":2665},{"cost":956,"gain":957},{"id":959,"label":960,"values":2667},{"cost":962,"gain":963},{"id":965,"label":966,"values":2669},{"cost":968,"gain":969},[2671,2672],{"id":973,"label":974},{"id":976,"label":977},{},{"id":980,"data":2675,"type":572,"tunes":2676},{"text":982,"level":47},{},{"id":985,"data":2678,"type":544,"tunes":2679},{"text":987},{},{"id":990,"data":2681,"type":707,"tunes":2694},{"rows":2682,"title":1016,"layout":604,"columns":2691},[2683,2685,2687,2689],{"id":682,"label":994,"values":2684},{"weakens":996,"strengthens":997},{"id":999,"label":1000,"values":2686},{"weakens":1002,"strengthens":1003},{"id":1005,"label":1006,"values":2688},{"weakens":1008,"strengthens":1009},{"id":1011,"label":1012,"values":2690},{"weakens":1014,"strengthens":1015},[2692,2693],{"id":1019,"label":1020},{"id":1022,"label":1023},{},{"id":1026,"data":2696,"type":572,"tunes":2697},{"text":1028,"level":47},{},{"id":1031,"data":2699,"type":544,"tunes":2700},{"text":1033},{},{"id":1036,"data":2702,"type":669,"tunes":2703},{"url":1038,"title":1039,"excerpt":1040,"ctaLabel":1041},{},{"id":1044,"data":2705,"type":572,"tunes":2706},{"text":1046,"level":47},{},{"id":1049,"data":2708,"type":1056,"tunes":2711},{"link":1051,"meta":2709},{"image":2710,"title":1054,"description":1055},{"url":13},{},{"id":1059,"data":2713,"type":1056,"tunes":2716},{"link":1061,"meta":2714},{"image":2715,"title":1064,"description":1065},{"url":13},{},{"id":1068,"data":2718,"type":1056,"tunes":2721},{"link":1070,"meta":2719},{"image":2720,"title":1073,"description":1074},{"url":13},{},{"id":1077,"data":2723,"type":1056,"tunes":2726},{"link":1079,"meta":2724},{"image":2725,"title":1082,"description":1083},{"url":13},{},{"id":1086,"data":2728,"type":1056,"tunes":2731},{"link":1088,"meta":2729},{"image":2730,"title":1091,"description":1092},{"url":13},{},{"id":1095,"data":2733,"type":1056,"tunes":2736},{"link":1097,"meta":2734},{"image":2735,"title":1100,"description":1101},{"url":13},{},{"id":1104,"data":2738,"type":1056,"tunes":2741},{"link":1106,"meta":2739},{"image":2740,"title":1109,"description":1110},{"url":13},{},{"id":1113,"data":2743,"type":1056,"tunes":2746},{"link":1115,"meta":2744},{"image":2745,"title":1118,"description":1119},{"url":13},{},{"id":1122,"data":2748,"type":1056,"tunes":2751},{"link":1124,"meta":2749},{"image":2750,"title":1127,"description":1128},{"url":13},{},{"id":1131,"data":2753,"type":1056,"tunes":2756},{"link":1133,"meta":2754},{"image":2755,"title":1136,"description":1137},{"url":13},{},{"id":1140,"data":2758,"type":1056,"tunes":2761},{"link":1142,"meta":2759},{"image":2760,"title":1145,"description":1146},{"url":13},{},{"id":1149,"data":2763,"type":1056,"tunes":2766},{"link":1151,"meta":2764},{"image":2765,"title":1154,"description":1155},{"url":13},{},{"id":1158,"data":2768,"type":1056,"tunes":2771},{"link":1160,"meta":2769},{"image":2770,"title":1163,"description":1164},{"url":13},{},{"id":1167,"data":2773,"type":1056,"tunes":2776},{"link":1169,"meta":2774},{"image":2775,"title":1172,"description":1173},{"url":13},{},{"id":1176,"data":2778,"type":1196,"tunes":2784},{"title":1178,"entries":2779},[2780,2781,2782,2783],{"term":1181,"anchor":1182,"definition":1183},{"term":1185,"anchor":1186,"definition":1187},{"term":1189,"anchor":1190,"definition":1191},{"term":1193,"anchor":1194,"definition":1195},{},{"id":541,"data":2786,"type":544,"tunes":2787},{"text":1200},{},{"id":547,"data":2789,"type":552,"tunes":2790},{"body":1204,"title":550,"variant":551},{},{"id":555,"data":2792,"type":552,"tunes":2793},{"body":1208,"title":558,"variant":559},{},{"id":562,"data":2795,"type":566,"tunes":2796},{"title":564,"maxLevel":565,"minLevel":47},{},{"id":569,"data":2798,"type":572,"tunes":2799},{"text":571,"level":47},{},{"id":575,"data":2801,"type":544,"tunes":2802},{"text":1218},{},{"id":580,"data":2804,"type":604,"tunes":2811},{"content":2805,"stretched":603,"withHeadings":15},[2806,2807,2808,2809,2810],[584,585,586],[588,589,590],[1226,593,594],[596,597,598],[600,601,602],{},{"id":607,"data":2813,"type":552,"tunes":2814},{"body":1232,"title":610,"variant":611},{},{"id":614,"data":2816,"type":572,"tunes":2817},{"text":616,"level":47},{},{"id":619,"data":2819,"type":544,"tunes":2820},{"text":1239},{},{"id":624,"data":2822,"type":644,"tunes":2829},{"steps":2823,"title":642,"orientation":643},[2824,2825,2826,2827,2828],{"label":1245,"description":1246},{"label":631,"description":1248},{"label":634,"description":1250},{"label":1252,"description":638},{"label":640,"description":1254},{},{"id":647,"data":2831,"type":552,"tunes":2832},{"body":1258,"title":650,"variant":611},{},{"id":653,"data":2834,"type":572,"tunes":2835},{"text":1262,"level":47},{},{"id":658,"data":2837,"type":544,"tunes":2838},{"text":1266},{},{"id":663,"data":2840,"type":669,"tunes":2841},{"url":665,"title":666,"excerpt":667,"ctaLabel":668},{},{"id":672,"data":2843,"type":707,"tunes":2856},{"rows":2844,"title":699,"layout":604,"columns":2853},[2845,2847,2849,2851],{"id":676,"label":677,"values":2846},{"new":679,"old":1276},{"id":682,"label":683,"values":2848},{"new":685,"old":686},{"id":688,"label":689,"values":2850},{"new":1281,"old":692},{"id":694,"label":695,"values":2852},{"new":697,"old":698},[2854,2855],{"id":702,"label":1286},{"id":705,"label":1288},{},{"id":710,"data":2858,"type":552,"tunes":2859},{"body":712,"title":713,"variant":714},{},{"id":717,"data":2861,"type":719,"tunes":2862},{},{},{"id":722,"data":2864,"type":572,"tunes":2865},{"text":724,"level":47},{},{"id":727,"data":2867,"type":544,"tunes":2868},{"text":1301},{},{"id":732,"data":2870,"type":552,"tunes":2871},{"body":1305,"title":735,"variant":559},{},{"id":738,"data":2873,"type":572,"tunes":2874},{"text":1309,"level":47},{},{"id":743,"data":2876,"type":544,"tunes":2877},{"text":1313},{},{"id":748,"data":2879,"type":604,"tunes":2886},{"content":2880,"stretched":603,"withHeadings":15},[2881,2882,2883,2884,2885],[752,753,754],[756,757,758],[760,761,762],[764,765,766],[768,769,770],{},{"id":773,"data":2888,"type":552,"tunes":2889},{"body":1326,"title":776,"variant":551},{},{"id":779,"data":2891,"type":552,"tunes":2892},{"body":1330,"title":782,"variant":714},{},{"id":785,"data":2894,"type":552,"tunes":2895},{"body":787,"title":1334,"variant":611},{},{"id":791,"data":2897,"type":572,"tunes":2898},{"text":793,"level":47},{},{"id":796,"data":2900,"type":644,"tunes":2908},{"steps":2901,"title":1352,"orientation":643},[2902,2903,2904,2905,2906,2907],{"label":800,"description":801},{"label":803,"description":804},{"label":806,"description":1345},{"label":809,"description":1347},{"label":812,"description":1349},{"label":815,"description":1351},{},{"id":820,"data":2910,"type":544,"tunes":2911},{"text":1356},{},{"id":825,"data":2913,"type":572,"tunes":2914},{"text":827,"level":47},{},{"id":830,"data":2916,"type":544,"tunes":2917},{"text":832},{},{"id":835,"data":2919,"type":644,"tunes":2926},{"steps":2920,"title":853,"orientation":643},[2921,2922,2923,2924,2925],{"label":839,"description":1368},{"label":842,"description":843},{"label":845,"description":846},{"label":848,"description":1372},{"label":1374,"description":1375},{},{"id":856,"data":2928,"type":552,"tunes":2929},{"body":1379,"title":1380,"variant":559},{},{"id":862,"data":2931,"type":572,"tunes":2932},{"text":864,"level":47},{},{"id":867,"data":2934,"type":544,"tunes":2935},{"text":1387},{},{"id":872,"data":2937,"type":604,"tunes":2944},{"content":2938,"stretched":603,"withHeadings":15},[2939,2940,2941,2942,2943],[876,877,878],[880,881,1394],[884,885,1396],[888,889,1398],[1400,893,894],{},{"id":897,"data":2946,"type":552,"tunes":2947},{"body":1404,"title":900,"variant":611},{},{"id":903,"data":2949,"type":572,"tunes":2950},{"text":905,"level":47},{},{"id":908,"data":2952,"type":644,"tunes":2960},{"steps":2953,"title":929,"orientation":643},[2954,2955,2956,2957,2958,2959],{"label":912,"description":913},{"label":915,"description":1414},{"label":1416,"description":1417},{"label":921,"description":1419},{"label":924,"description":1421},{"label":927,"description":928},{},{"id":932,"data":2962,"type":572,"tunes":2963},{"text":1426,"level":47},{},{"id":937,"data":2965,"type":707,"tunes":2980},{"rows":2966,"title":970,"layout":604,"columns":2977},[2967,2969,2971,2973,2975],{"id":941,"label":942,"values":2968},{"cost":944,"gain":1433},{"id":947,"label":948,"values":2970},{"cost":950,"gain":951},{"id":953,"label":954,"values":2972},{"cost":1438,"gain":1439},{"id":959,"label":960,"values":2974},{"cost":962,"gain":963},{"id":965,"label":966,"values":2976},{"cost":1444,"gain":1445},[2978,2979],{"id":973,"label":974},{"id":976,"label":977},{},{"id":980,"data":2982,"type":572,"tunes":2983},{"text":982,"level":47},{},{"id":985,"data":2985,"type":544,"tunes":2986},{"text":1455},{},{"id":990,"data":2988,"type":707,"tunes":3001},{"rows":2989,"title":1473,"layout":604,"columns":2998},[2990,2992,2994,2996],{"id":682,"label":994,"values":2991},{"weakens":996,"strengthens":997},{"id":999,"label":1000,"values":2993},{"weakens":1464,"strengthens":1465},{"id":1005,"label":1006,"values":2995},{"weakens":1468,"strengthens":1469},{"id":1011,"label":1012,"values":2997},{"weakens":1014,"strengthens":1472},[2999,3000],{"id":1019,"label":1476},{"id":1022,"label":1478},{},{"id":1026,"data":3003,"type":572,"tunes":3004},{"text":1028,"level":47},{},{"id":1031,"data":3006,"type":544,"tunes":3007},{"text":1485},{},{"id":1036,"data":3009,"type":669,"tunes":3010},{"url":1038,"title":1489,"excerpt":1040,"ctaLabel":1490},{},{"id":1044,"data":3012,"type":572,"tunes":3013},{"text":1046,"level":47},{},{"id":1049,"data":3015,"type":1056,"tunes":3018},{"link":1051,"meta":3016},{"image":3017,"title":1499,"description":1500},{"url":13},{},{"id":1059,"data":3020,"type":1056,"tunes":3023},{"link":1061,"meta":3021},{"image":3022,"title":1064,"description":1065},{"url":13},{},{"id":1068,"data":3025,"type":1056,"tunes":3028},{"link":1070,"meta":3026},{"image":3027,"title":1073,"description":1511},{"url":13},{},{"id":1077,"data":3030,"type":1056,"tunes":3033},{"link":1079,"meta":3031},{"image":3032,"title":1082,"description":1517},{"url":13},{},{"id":1086,"data":3035,"type":1056,"tunes":3038},{"link":1088,"meta":3036},{"image":3037,"title":1091,"description":1092},{"url":13},{},{"id":1095,"data":3040,"type":1056,"tunes":3043},{"link":1097,"meta":3041},{"image":3042,"title":1100,"description":1528},{"url":13},{},{"id":1104,"data":3045,"type":1056,"tunes":3048},{"link":1106,"meta":3046},{"image":3047,"title":1109,"description":1534},{"url":13},{},{"id":1113,"data":3050,"type":1056,"tunes":3053},{"link":1115,"meta":3051},{"image":3052,"title":1118,"description":1119},{"url":13},{},{"id":1122,"data":3055,"type":1056,"tunes":3058},{"link":1124,"meta":3056},{"image":3057,"title":1127,"description":1545},{"url":13},{},{"id":1131,"data":3060,"type":1056,"tunes":3063},{"link":1133,"meta":3061},{"image":3062,"title":1136,"description":1137},{"url":13},{},{"id":1140,"data":3065,"type":1056,"tunes":3068},{"link":1142,"meta":3066},{"image":3067,"title":1145,"description":1146},{"url":13},{},{"id":1149,"data":3070,"type":1056,"tunes":3073},{"link":1151,"meta":3071},{"image":3072,"title":1561,"description":1155},{"url":13},{},{"id":1158,"data":3075,"type":1056,"tunes":3078},{"link":1160,"meta":3076},{"image":3077,"title":1163,"description":1567},{"url":13},{},{"id":1167,"data":3080,"type":1056,"tunes":3083},{"link":1169,"meta":3081},{"image":3082,"title":1172,"description":1573},{"url":13},{},{"id":1176,"data":3085,"type":1196,"tunes":3091},{"title":1178,"entries":3086},[3087,3088,3089,3090],{"term":1181,"anchor":1182,"definition":1579},{"term":1185,"anchor":1186,"definition":1187},{"term":1189,"anchor":1190,"definition":1191},{"term":1193,"anchor":1194,"definition":1583},{},"Post erfolgreich abgerufen",{"items":3094,"source":3162,"manualIds":3163,"manualMatchedIds":3164},[3095,3101,3106,3112,3119,3124,3129,3133,3140,3147,3152,3157],{"id":3096,"slug":3097,"title":3098,"excerpt":3099,"featuredImage":14,"publishedAt":3100},"53","smoothness-is-frame-pacing-why-stable-frametime-beats-raw-fps","La fluidité, c'est le frame pacing : pourquoi un frametime stable l'emporte sur les FPS bruts","Si votre jeu semble saccadé à un FPS élevé, c'est généralement dû au frame pacing. Apprenez ce qu'est le frametime, ce qui cause les pics et comment le stabiliser en priorité.","2026-02-19T11:00:00.000Z",{"id":3102,"slug":3103,"title":3104,"excerpt":3105,"featuredImage":14,"publishedAt":3100},"122","ergonomics-for-long-sessions-comfort-that-prevents-fatigue","Ergonomie pour les sessions prolongées : le confort qui prévient la fatigue","Le confort, c'est la performance. Utilisez cette base ergonomique simple pour réduire la fatigue, maintenir un contrôle constant et jouer plus longtemps sans douleur.",{"id":3107,"slug":3108,"title":3109,"excerpt":3110,"featuredImage":14,"publishedAt":3111},"36","how-we-test-gear-a-simple-experience-first-method","Comment nous testons le matériel : une méthode simple axée sur l'expérience","Une méthode claire : définir le résultat, stabiliser la chaîne, tester un seul changement et ne garder que ce qui améliore le jeu réel.","2026-02-19T12:00:00.000Z",{"id":3113,"slug":3114,"title":3115,"excerpt":3116,"featuredImage":3117,"publishedAt":3118},"433","pre-order-alert-good-smile-company-figma-doom-the-dark-ages-doom-slayer-dx-edition","Alerte précommande : Good Smile Company Figma Doom: The Dark Ages – Doom Slayer DX Edition","La nouvelle Good Smile Company Figma Doom: The Dark Ages Doom Slayer DX Edition est plus qu'une simple sortie de figurine habituelle. Elle fait le lien entre la demande des collectionneurs, l'identité de la franchise et l'attrait plus large de Doom en tant qu'une des icônes les plus durables du jeu vidéo.","\u002Fuploads\u002F2026\u002F05\u002Fpre-order-alert-good-smile-company-figma-doom-the-dark-ages-doom-slayer-dx-edition-1779227794098-251pwj.webp","2026-04-22T04:37:00.000Z",{"id":3120,"slug":3121,"title":3122,"excerpt":3123,"featuredImage":14,"publishedAt":3100},"61","gaming-comfort-ergonomics-that-prevent-fatigue-long-sessions-no-pain","Confort de jeu : l'ergonomie qui prévient la fatigue (sessions prolongées, sans douleur)","Le confort, c'est la performance. Apprenez une base ergonomique pratique pour le siège, le bureau, l'écran et les commandes afin de réduire la fatigue et de maintenir votre régularité lors de longues sessions.",{"id":3125,"slug":3126,"title":3127,"excerpt":3128,"featuredImage":14,"publishedAt":3111},"40","experience-first-gaming-the-anti-race-handbook","Gaming axé sur l'expérience : Le manuel anti-course","Un guide pilier pour les joueurs lassés de la course aux specs. Ressenti du build, stabilité et goût : mieux jouer, des évolutions plus sereines, une valeur à long terme.",{"id":283,"slug":3130,"title":3131,"excerpt":3132,"featuredImage":14,"publishedAt":3111},"responsiveness-in-gaming-what-it-really-means","Réactivité dans le jeu vidéo : ce que cela signifie réellement","La réactivité est la sensation d'un contrôle instantané. Voici ce qui la crée, ce qui la détruit, et comment l'améliorer sans courir après les mythes.",{"id":3134,"slug":3135,"title":3136,"excerpt":3137,"featuredImage":3138,"publishedAt":3139},"454","why-ai-is-reshaping-gaming-memory-hbm-gddr-vram-and-the-fight-for-capacity","Pourquoi l'IA remodèle la mémoire des jeux : HBM, GDDR, VRAM et la lutte pour la capacité","Le problème de mémoire derrière le jeu moderne ne concerne plus seulement le nombre de gigaoctets dont un GPU a besoin. L'infrastructure d'IA modifie les produits de mémoire que les fournisseurs privilégient et ce que les acheteurs particuliers peuvent se permettre.","\u002Fuploads\u002F2026\u002F10\u002Fwhy-ai-is-reshaping-gaming-memory-hbm-gddr-vram-and-the-fight-for-capacity-1792335495408-ymehaw.webp","2026-10-18T10:56:00.000Z",{"id":3141,"slug":3142,"title":3143,"excerpt":3144,"featuredImage":3145,"publishedAt":3146},"434","google-io-2026-gaming-ai-xr-and-the-next-wave-of-collectibles","Google I\u002FO 2026 et le jeu vidéo : IA, XR et la prochaine vague d'objets de collection","Google I\u002FO 2026 n'était pas un événement de gaming classique, mais ses annonces concernant l'IA, la XR, Gemini, Google Play et les outils de création pointent vers un changement clair dans la culture du gaming. Cet article explique comment la découverte par l'IA, les couches compagnons XR, les médias propulsés par Gemini et une visibilité plus rapide des personnages pourraient façonner les jeux, les figurines, les objets de collection et les futurs écosystèmes de fans.","\u002Fuploads\u002F2026\u002F05\u002Fgoogle-io-2026-gaming-ai-xr-and-the-next-wave-of-collectibles-1779257974958-jjj07f.webp","2026-05-20T00:17:00.000Z",{"id":3148,"slug":3149,"title":3150,"excerpt":3151,"featuredImage":14,"publishedAt":3100},"37","the-gaming-feel-chain-why-one-upgrade-often-does-nothing","La chaîne du ressenti en jeu : pourquoi une seule amélioration ne change souvent rien","Le ressenti est une chaîne : input, système, frame pacing, synchronisation, affichage, réseau. Si un maillon est instable, les améliorations ne se font pas sentir.",{"id":3153,"slug":3154,"title":3155,"excerpt":3156,"featuredImage":14,"publishedAt":3100},"21","gaming-controls-build-input-feel-without-hand-pain","Commandes de jeu : Améliorer le ressenti des commandes sans douleur aux mains","Les commandes façonnent la réactivité et le confort. Ce guide se concentre sur l'ergonomie, la régularité et les habitudes de configuration pratiques.",{"id":3158,"slug":3159,"title":3160,"excerpt":3161,"featuredImage":14,"publishedAt":3100},"35","products-objects-that-improve-gaming-feel","Produits : Objets qui améliorent les sensations de jeu","Produits sélectionnés pour mieux jouer : clarté, réactivité, confort et stabilité — choisis par expérience, pas par effet de mode.","fallback",[],[]]