[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:figure:ru":3,"public-menus:all":45,"post:render-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle:ru":531,"related:post:render-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle:ru:1":3134},{"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","ru","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":3133},{"id":533,"title":534,"slug":535,"content":536,"contentJson":537,"excerpt":1625,"featuredImage":1626,"featuredImageAlt":1627,"featuredImageCaption":14,"featuredImageTitle":14,"featuredImageCopyright":14,"featuredImageAuthor":14,"featuredImageSourceUrl":14,"featuredImageLicense":14,"featuredImageIsAiGenerated":603,"status":1628,"publishedAt":1629,"createdAt":1630,"updatedAt":1631,"seoLocalePaths":1632,"categories":1641,"author":1660,"translations":1663},"453","Рендерить меньше, выводить больше: ломает ли ИИ традиционный цикл обновления игрового железа?","render-less-infer-more-is-ai-breaking-the-traditional-gaming-hardware-upgrade-cycle","\u003Cp>На протяжении десятилетий энтузиастский PC-гейминг следовал знакомой сделке: игры требовали больше вычислений, поколения GPU давали больше вычислений, а игроки обновлялись, когда разрыв становился достаточно большим. Этот цикл никогда не работал идеально, но направление было понятным. В 2026 году цикл становится труднее для понимания, потому что два изменения происходят одновременно: инфраструктура ИИ агрессивно конкурирует за кремний и память, в то время как методы ИИ напрямую проникают в то, как игры создают кадры.\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\">Прямой ответ\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>Старый цикл обновления для гейминга находится под давлением, но его не просто заменяют более дорогие GPU.\u003C\u002Fstrong> ИИ меняет обе стороны уравнения: он усиливает конкуренцию за ресурсы полупроводников и памяти, а также открывает методы нейронного рендеринга, которые могут обменивать хранимые данные или работу обычного рендеринга на инференс. Важная возможность заключается в том, что гейминг может ответить на более жесткую экономику аппаратного обеспечения, став более вычислительно избирательным, а не просто требуя более крупных GPU.\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\">Как читать эту статью\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Это \u003Cstrong>гипотеза, подкрепленная доказательствами\u003C\u002Fstrong>. Документированные рыночные данные и выпущенные или анонсированные технологии помечены как факты или отраслевые сигналы. Связи между ними — это технический вывод. Архитектура будущего, описанная далее, является гипотезой Figure Rocks, а не утверждением о неанонсированной дорожной карте NVIDIA, AMD, Intel, Microsoft или консолей.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Содержание\">\u003Cstrong class=\"editorjs-toc__title\">Содержание\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\">Несоответствие масштабов уже видно\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-9\" class=\"editorjs-toc__link\">Память — это место, где давление становится конкретным\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-13\" class=\"editorjs-toc__link\">В то же самое время меняется сам кадр\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-19\" class=\"editorjs-toc__link\">Вопрос о 5090 полезен, только если мы правильно его сформулируем\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-22\" class=\"editorjs-toc__link\">Память начинает становиться проблемой вычислений, а не только проблемой ёмкости\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-28\" class=\"editorjs-toc__link\">Как мог бы работать технический ответ\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-31\" class=\"editorjs-toc__link\">У игры есть одно преимущество, которого часто нет у общих рабочих нагрузок: она уже знает часть своего будущего\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-35\" class=\"editorjs-toc__link\">Почему архитектура, подобная Spark, становится интересной\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-39\" class=\"editorjs-toc__link\">Что должно было бы быть верно, чтобы этот переход сработал?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-41\" class=\"editorjs-toc__link\">Чего покупатель должен ожидать от перехода, подобного Spark?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-43\" class=\"editorjs-toc__link\">Что опровергло бы эту гипотезу?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-46\" class=\"editorjs-toc__link\">Практический вывод для геймера сегодня\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-49\" class=\"editorjs-toc__link\">Первоисточники\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-69\" class=\"editorjs-toc__link\">Несоответствие масштабов уже заметно\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-73\" class=\"editorjs-toc__link\">Память — это место, где давление становится осязаемым\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-77\" class=\"editorjs-toc__link\">В то же самое время меняется сам кадр\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-83\" class=\"editorjs-toc__link\">Вопрос о 5090 полезен, только если сформулировать его правильно\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-86\" class=\"editorjs-toc__link\">Память начинает становиться вычислительной проблемой, а не только проблемой ёмкости\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-92\" class=\"editorjs-toc__link\">Как мог бы работать технический ответ\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-95\" class=\"editorjs-toc__link\">У игры есть одно преимущество, которого часто нет у общих рабочих нагрузок: она уже знает часть своего будущего\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-99\" class=\"editorjs-toc__link\">Почему архитектура, подобная Spark, становится интересной\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-103\" class=\"editorjs-toc__link\">Что должно было бы быть верно, чтобы этот переход сработал?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-105\" class=\"editorjs-toc__link\">Чего покупателю ожидать от перехода, подобного Spark?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-107\" class=\"editorjs-toc__link\">Что опровергло бы эту гипотезу?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-110\" class=\"editorjs-toc__link\">Практический вывод для геймера сегодня\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-113\" class=\"editorjs-toc__link\">Первоисточники\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Ch2 id=\"section-5\">Несоответствие масштабов уже видно\u003C\u002Fh2>\n\u003Cp>Newzoo прогнозирует мировой рынок игр в 2026 году на уровне 213,9 млрд долларов, что на 6,1% больше в годовом исчислении. Ассоциация полупроводниковой промышленности сообщила о мировых продажах полупроводников в 2025 году в размере 791,7 млрд долларов, что на 25,6% больше, и прогнозирует около 1 трлн долларов на 2026 год. Игровой бизнес и полупроводниковый бизнес по-прежнему зависят друг от друга, но их стимулы становятся менее симметричными: та же передовая производственная экосистема, которая обеспечивает премиальный гейминг, теперь обслуживает покупателей ИИ и центров обработки данных с гораздо большими бюджетами на инфраструктуру. Это не напрямую сравнимые категории продуктов; они устанавливают масштаб вышестоящей вычислительной экономики вокруг гейминга.\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\">Точка отсчета\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Сообщенное или прогнозируемое значение\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Почему это важно здесь\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Мировой рынок игр, прогноз на 2026 год\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">213,9 млрд долларов, +6,1% г\u002Fг\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Крупный рынок потребительских развлечений, но ниже по цепочке от поставок передового оборудования\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">PC-игры, прогноз на 2026 год\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">45,9 млрд долларов, +5,3% г\u002Fг\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Игровой сегмент, наиболее напрямую подверженный экономике PC-компонентов\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Мировые продажи полупроводников, 2025 год\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">791,7 млрд долларов, +25,6% г\u002Fг\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Показывает масштаб вышестоящей отрасли, обслуживающей гейминг, ИИ, мобильные устройства, автомобили и облака\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Мировая полупроводниковая отрасль, прогноз на 2026 год\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">~1 трлн долларов\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Повышает альтернативную стоимость выделения премиального кремния только для потребительского гейминга\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\">Что эти рыночные цифры доказывают — и чего не доказывают\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Цифры устанавливают \u003Cstrong>экономический контекст, а не прямую причинно-следственную связь\u003C\u002Fstrong>. Они не доказывают, что конкретная пластина, GPU или модуль памяти были отобраны у геймера и переназначены для ИИ. Они также не означают, что гейминг и полупроводники — две крупнейшие отрасли в мире. Более узкий, обоснованный тезис состоит в том, что рынок игр стоимостью более 200 млрд долларов зависит от вышестоящей полупроводниковой экономики, приближающейся к триллионному годовому масштабу, где инфраструктура ИИ теперь конкурирует за передовые вычисления и память в совершенно иных бюджетных и маржинальных условиях.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-9\">Память — это место, где давление становится конкретным\u003C\u002Fh2>\n\u003Cp>TrendForce неоднократно сообщала, что поставщики DRAM перераспределяют мощности в сторону серверных продуктов и HBM по мере роста спроса на ИИ. В марте 2026 года она прогнозировала рост контрактных цен на обычную DRAM на 58–63% квартал к кварталу во втором квартале и заявила, что ограниченное распределение GDDR сдерживает поставки графической памяти. К третьему кварталу TrendForce сообщила, что потребительские клиенты достигают предела доступности, даже когда спрос на ИИ и серверы остается высоким.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Давление на распределение ресурсов\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. Инфраструктура ИИ расширяется\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Облачные провайдеры и создатели ИИ обеспечивают серверную память, HBM, корпоративные SSD и передовые вычисления.\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. Поставщики оптимизируют ассортимент\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Мощности смещаются в сторону продуктов с более сильным спросом, маржой или долгосрочными контрактами.\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. Потребительское распределение ужесточается\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Покупатели PC, графики и потребительской памяти сталкиваются с более высокими ценами или ограниченной доступностью.\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. Производители игрового оборудования поглощают или перекладывают затраты\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Дизайн плат, объем VRAM и цена системы становятся более сложными компромиссами.\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. Старый цикл обновления ослабевает\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Более быстрый GPU по-прежнему полезен, но грубое масштабирование становится экономически сложнее повторять при тех же потребительских ценах.\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\">Сигнал сентября 2026 года, а не история о старом дефиците\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">30 сентября 2026 года TrendForce сообщила, что поставщики по-прежнему отдают приоритет мощностям передового процесса для высокопроизводительных серверных продуктов, а контрактные цены на обычную DRAM, по прогнозам, вырастут еще на 10–15% квартал к кварталу в четвертом квартале. В ее бюллетене по DRAM также говорится, что HBM продолжает вытеснять мощности для обычной DRAM. Таким образом, описанное здесь давление остается заметным в конце 2026 года; оно основано не только на временном всплеске в начале года.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-13\">В то же самое время меняется сам кадр\u003C\u002Fh2>\n\u003Cp>Microsoft теперь описывает машинное обучение как становящееся основой для графики в реальном времени. DirectX добавляет ML-пути на уровне шейдеров и моделей, чтобы нейронное сжатие текстур, шумоподавление, суперразрешение и другие обученные рабочие нагрузки могли находиться внутри графического стека, а не прикручиваться как изолированные функции. Исследование NVIDIA DLSS 5 продвигает эту идею дальше, вводя этап генеративного нейронного рендеринга, который дополняет обычный рендеринг обученными априорными представлениями о внешнем виде. Нейронный рендеринг не означает, что обычный рендеринг исчезает. Формирующаяся модель является гибридной: рендерить некоторую информацию напрямую, выводить или реконструировать другую информацию, когда это дешевле или полезнее.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Ffigure.rocks\u002Fru\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 — это не просто апскейлинг: что на самом деле меняет генеративный нейронный рендеринг\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Почему важное изменение — это не еще один режим качества, а новый этап в том, как может создаваться визуальная информация.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Читать анализ 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\">Традиционное масштабирование против масштабирования нейронной эры\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\">Традиционный путь\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\">Путь нейронной эры\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\">Больше визуальной точности\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Хранить больше деталей и рендерить больше работы\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Хранить\u002Fрендерить избирательно, реконструировать или выводить некоторые детали\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Реакция памяти\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Добавлять емкость и пропускную способность\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Добавлять емкость там, где нужно, но также сжимать и сокращать перемещение\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Реакция производительности\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Больше пропускной способности шейдеров\u002FRT\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Смешивать шейдерные, RT и матричные\u002Fтензорные вычисления\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Роль программного обеспечения\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Движок планирует в основном обычную графическую работу\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Движок все больше планирует рендеринг, перемещение данных и рабочие нагрузки 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\">Центральная гипотеза Figure Rocks\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>ИИ может ослаблять экономику грубого игрового оборудования, одновременно предоставляя методы, которые делают грубое масштабирование менее необходимым.\u003C\u002Fstrong> Это не означает, что будущим играм нужно меньше оборудования. Это означает, что большая часть результата может происходить от решения, что хранить, перемещать, рендерить, реконструировать или выводить. Сокращение Figure Rocks: \u003Cstrong>хранить меньше → перемещать меньше → предсказывать больше → рендерить меньше → выводить больше.\u003C\u002Fstrong> Это гипотеза о том, откуда могут все чаще приходить приросты производительности, а не утверждение, что каждая будущая игра будет использовать один конвейер.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cdiv class=\"ce-delimiter cdx-block my-8\">\u003C\u002Fdiv>\n\u003Ch2 id=\"section-19\">Вопрос о 5090 полезен, только если мы правильно его сформулируем\u003C\u002Fh2>\n\u003Cp>RTX 5090 — полезный пример именно потому, что доказательства неоднозначны. По состоянию на 18 октября 2026 года NVIDIA по-прежнему указывает GeForce RTX 5090 как текущий продукт. В то же время поведение розничных продавцов и сообщения прессы документируют необычно низкую доступность и неподтверждённые заявления о прекращении производства. Это рыночный сигнал, а не официальное объявление о завершении производства. Поэтому обоснованный вопрос заключается не в том, тайно ли NVIDIA убила одну карту, а в том, растёт ли альтернативная стоимость выделения кремния высшего класса архитектуры Blackwell для энтузиастского гейминга, когда аналогичная архитектура может обслуживать рынки профессиональной визуализации и ИИ с совершенно иной экономикой.\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\">ФАКТ \u002F СИГНАЛ \u002F ГИПОТЕЗА\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>ФАКТ:\u003C\u002Fstrong> NVIDIA по-прежнему публично указывает RTX 5090, а архитектура Blackwell охватывает игровые и профессиональные продукты.\u003Cbr>\u003Cstrong>ОТРАСЛЕВОЙ СИГНАЛ:\u003C\u002Fstrong> исчезновение из розницы, экстремальный дефицит и сообщения о возможном прекращении производства существуют, но NVIDIA не подтвердила EOL или остановку производства RTX 5090.\u003Cbr>\u003Cstrong>ТЕХНИЧЕСКИЙ ВЫВОД:\u003C\u002Fstrong> высококлассный кристалл имеет несколько экономически ценных направлений использования.\u003Cbr>\u003Cstrong>ГИПОТЕЗА FIGURE ROCKS:\u003C\u002Fstrong> спрос на ИИ и профессиональные решения может сделать традиционное ожидание энтузиастов — что самый крупный практичный кристалл остаётся широко доступным в качестве игрового флагмана — труднее поддерживать.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-22\">Память начинает становиться проблемой вычислений, а не только проблемой ёмкости\u003C\u002Fh2>\n\u003Cp>Есть как минимум четыре способа атаковать узкое место памяти, не просто увеличивая сырую скорость DRAM: сжимать представление, восстанавливать детали вычислениями, предсказывать, какие данные понадобятся дальше, и держать нужные данные резидентно близко к исполнительному блоку. Ни один из них не делает физический чип памяти волшебным образом быстрее. Они меняют то, сколько полезной работы система получает от конечного бюджета ёмкости и пропускной способности.\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\">Техника\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Что меняется\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Что не меняется автоматически\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Сжатие\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Меньше физических байт представляют те же логические данные\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Тактовая частота DRAM и ширина шины\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Нейронная реконструкция\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Часть деталей генерируется из компактного представления\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Стоимость исчезает; инференс имеет собственную стоимость вычислений\u002Fзадержки\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Предиктивная предвыборка\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Данные прибывают до того, как запрашивающая рабочая нагрузка остановится\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Общая физическая пропускная способность\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Резидентность \u002F унифицированный доступ\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Меньше ненужной миграции или дублирования\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ограничения конкуренции и задержки\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\">Исследовательский ориентир: эффективная ёмкость — это не сырая скорость\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Buddy Compression от NVIDIA Research сообщил о среднем \u003Cstrong>коэффициенте сжатия 2,2× для HPC-нагрузок и 1,5× для нагрузок глубокого обучения\u003C\u002Fstrong>, с замедлением на 1–2% в том исследовании. Этот результат не является игровым бенчмарком. Его relevance здесь архитектурная: сжатая память может увеличить эффективную ёмкость и снизить часть трафика, не меняя физическую тактовую частоту 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\">Специфичное для игр доказательство: нейронное сжатие текстур\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Работа NVIDIA Research по материальным текстурам NTC продемонстрировала \u003Cstrong>в 4 раза более высокое линейное разрешение текстур — в 16 раз больше текселей — при использовании на 30% меньше памяти\u003C\u002Fstrong>, чем в сравнении с BC High. Это не означает, что каждая игра получает 16-кратный выигрыш памяти. Это демонстрирует механизм, который здесь важен: некоторые визуальные детали можно представить более компактно и восстановить вычислениями вместо обычного хранения с той же точностью.\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\">Что число «460×» не означает\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Цифра 460×, иногда связываемая с системами NVIDIA, относится к сравнению ёмкости памяти, доступной GPU, между поколениями DGX, \u003Cstrong>а не к коэффициенту сжатия памяти 460×\u003C\u002Fstrong>. Эта статья намеренно не использует её как доказательство сжатия.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-28\">Как мог бы работать технический ответ\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Один возможный будущий конвейер кадра\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\">Сжать\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Держать текстуры или обученные представления меньше там, где позволяет качество.\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\">Предсказать\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Использовать детерминированное состояние игры и обученные модели для оценки того, какие данные понадобятся дальше.\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\">Предвыбрать\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Перемещать полезные данные до того, как GPU остановится в ожидании их.\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\">Отрисовать\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Тратить обычную графическую работу там, где она больше всего меняет видимый результат.\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\">Вывести\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Использовать нейронную реконструкцию или генерацию там, где инференс дешевле прямого хранения или симуляции всего.\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\">Показать\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Выдавать кадр, удерживая задержку, артефакты и плавность кадров в приемлемых пределах.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Этот конвейер не является одним анонсированным продуктом. Каждый компонент уже существует в какой-то форме, но интегрированная цепочка — это гипотеза. Нейронное сжатие текстур показало, что обученные представления могут обменивать вычисления на память. Исследования предвыборки на GPU показали, что обученное предсказание может улучшить частоту попаданий в страницы памяти. DirectX формализует ML внутри модели графического программирования. DLSS 5 показывает, как генеративная стадия входит в рендеринг в реальном времени.\u003C\u002Fp>\n\u003Ch2 id=\"section-31\">У игры есть одно преимущество, которого часто нет у общих рабочих нагрузок: она уже знает часть своего будущего\u003C\u002Fh2>\n\u003Cp>Игровой движок знает преобразование камеры, скорость игрока, текущую ячейку мира, соседние потоковые ячейки, состояние анимации, активные сущности, переходы LOD, зависимости шейдеров и часто вероятные пути перемещения. Этот детерминированный контекст не раскрывает будущее идеально, но даёт предиктору более богатую отправную точку, чем один лишь общий трассировщик памяти.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Пример предиктивной игровой памяти\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. Наблюдать детерминированное состояние\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Направление камеры, вектор движения, текущая комната, видимые порталы и известные зависимости ассетов уже существуют в состоянии движка.\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. Оценить ближайший будущий рабочий набор\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Обученный предиктор может ранжировать вероятные следующие комнаты, текстуры, геометрию, шейдеры или нейронные представления.\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. Предвыбрать в течение доступной пропускной способности\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Перемещать вероятные ресурсы, пока у системы памяти есть запас, вместо ожидания жёсткого промаха по требованию.\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. Сохранять детерминированные гарантии\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Критические ассеты по-прежнему используют заданные правила; предсказание дополняет, а не заменяет корректность.\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. Измерять стоимость промаха\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Если предсказание тратит пропускную способность впустую или вытесняет полезные данные, уверенность или глубина предвыборки должны снижаться.\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\">У этой идеи есть исследовательский прецедент, но пока нет игрового доказательства\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Опубликованное исследование унифицированной виртуальной памяти CPU–GPU сообщило об \u003Cstrong>улучшении производительности на 10,89%\u003C\u002Fstrong>, росте частоты попаданий в страницы с \u003Cstrong>76,10% до 89,02%\u003C\u002Fstrong> и \u003Cstrong>снижении трафика межсоединения CPU–GPU на 11,05%\u003C\u002Fstrong> с использованием обученной предвыборки. Статья AAAI 2026 года об асинхронной предвыборке KV-кэша сообщила о \u003Cstrong>2,15-кратной эффективности ядра внимания и до 1,97-кратной сквозной пропускной способности\u003C\u002Fstrong> на своей нагрузке LLM. Ни один из результатов не следует копировать на игры; оба демонстрируют, что предсказание и предвыборка могут скрывать стоимость памяти в реальных нагрузках GPU.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-35\">Почему архитектура, подобная Spark, становится интересной\u003C\u002Fh2>\n\u003Cp>DGX Spark — это не игровой ПК, и относиться к нему как к таковому означало бы скрыть полезный урок. Его дизайн GB10 объединяет ядра Arm CPU, GPU Blackwell, аппаратные блоки Tensor и RT, а также до 128 ГБ когерентной унифицированной системной памяти. Эта архитектура задаёт иной вопрос, чем классический десктоп: вместо чёткого разделения системы на память CPU и дискретную VRAM — что происходит, когда несколько вычислительных движков совместно используют большой пул памяти?\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\">Свойство\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Эталон DGX Spark\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Влияние на игры при адаптации принципа\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Память\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">До 128 ГБ когерентной унифицированной LPDDR5X\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Большой общий пул может сократить дублирование и дать локальному ИИ и графике доступ к общим данным\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Пропускная способность памяти\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">273 ГБ\u002Fс\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ёмкости недостаточно; высокопроизводительной графике по-прежнему нужно агрессивное управление пропускной способностью и задержками\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Состав вычислений\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\">Будущая игровая нагрузка может быть распределена между более специализированными движками\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Форм-фактор\u002Fэнергопотребление\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Компактная система GB10\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Интеграция может повысить эффективность, но может снизить модульную модернизируемость\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\">Ёмкость — это не пропускная способность\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Большой унифицированный пул \u003Cstrong>не\u003C\u002Fstrong> заменяет автоматически пропускную способность высокопроизводительного дискретного GPU. DGX Spark указывает 273 ГБ\u002Fс пропускной способности памяти, тогда как NVIDIA RTX PRO 6000 Blackwell Workstation Edition указывает 1 792 ГБ\u002Fс. Это очень разные продукты, и сравнение не является игровым бенчмарком; оно просто делает архитектурное ограничение видимым. Игровой дизайн, подобный Spark, должен был бы решить проблемы конкуренции, задержек и пропускной способности — а не просто предоставить больше общих гигабайт.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-39\">Что должно было бы быть верно, чтобы этот переход сработал?\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Тест жизнеспособности нейронного гейминга\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. Инференс должен экономить больше, чем стоит\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Нейронная работа должна устранять достаточно затрат на хранение, пропускную способность или обычный рендеринг, чтобы оправдать собственные вычисления и задержки.\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. Движок должен предоставлять полезное состояние\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Предсказание работает лучше, когда система знает направление камеры, зависимости ассетов, движение и вероятную видимость.\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. Перемещение памяти должно стать осознанным\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Сжатие без хорошей политики резидентности и предвыборки всё равно может приводить к простоям.\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. Качество должно оставаться стабильным\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Сгенерированные детали не должны вносить неприемлемые артефакты, временную нестабильность или неверную игровую информацию.\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. Задержка должна оставаться ограниченной\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Более красивый кадр не обязательно означает более отзывчивую игру.\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. Стек должен выдерживать различия между вендорами\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Полезные техники нуждаются в API, драйверах и путях движка, которые не фрагментируются в разовые демо.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-41\">Чего покупатель должен ожидать от перехода, подобного Spark?\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Потенциальная выгода против реальной стоимости\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\">Потенциальный выигрыш\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\">Стоимость \u002F риск\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\">Большой когерентный пул\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Более гибкое совместное использование между CPU, графикой и локальным ИИ\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Совместные клиенты могут конкурировать за одну и ту же пропускную способность\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Меньше дублирования\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Меньше копий между отдельными пулами системной RAM и VRAM\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Когерентность и планирование добавляют сложности\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Больше запаса для локального ИИ\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Более крупные модели, агенты или нейронные ассеты могут сосуществовать локально\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">ИИ может конкурировать с графикой за вычисления и память\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Оптимизация на уровне системы\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Платформа может оптимизировать размещение данных и ускорители вместе\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Более тесная интеграция может снизить модернизируемость и увеличить привязку\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Гибкость для новых нагрузок\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Машина может лучше стареть, если будущие игры сместятся к нейронным нагрузкам\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Только если движки и среды выполнения действительно используют эти возможности\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-43\">Что опровергло бы эту гипотезу?\u003C\u002Fh2>\n\u003Cp>Этот тезис намеренно опровержим. Таблица ниже определяет рыночные, программные, аппаратные сигналы и сигналы принятия игр, которые со временем сделают аргумент сильнее или слабее.\u003C\u002Fp>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Доказательства, усиливающие или ослабляющие тезис\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\">Усилило бы его\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\">Ослабило бы его\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\">Экономика памяти\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Приоритет серверов\u002FHBM продолжает сжимать потребительские поставки\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Потребительская ёмкость растёт, а ценовое давление нормализуется\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Графический стек\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">ML-примитивы становятся обычными функциями движков\u002FDirectX\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Нейронная графика остаётся опциональной постобработкой, специфичной для вендора\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Аппаратный дизайн\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Больше интегрированных гетерогенных вычислений и более крупные когерентные пулы памяти\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Дискретный GPU + отдельная RAM остаются явно превосходящими по стоимости, гибкости и задержке\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Принятие в играх\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Студии широко выпускают нейронное сжатие, генерацию и предсказательные пути данных\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Технология остаётся ограниченной демо или несколькими флагманскими играми\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-46\">Практический вывод для геймера сегодня\u003C\u002Fh2>\n\u003Cp>Не покупайте оборудование из-за того, что может появиться спекулятивная архитектура. Покупайте под игры, разрешение, целевые задержки и нагрузки, которые у вас действительно есть. Но не предполагайте, что будущая устойчивость всё ещё сводится к одному числу, такому как растровая производительность или объём VRAM. Направление развития программного стека предполагает, что поведение памяти, нейронные вычисления и поддержка движков могут стать всё более важными частями уравнения ценности.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Ffigure.rocks\u002Fru\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\">Использование VRAM — это не требование к VRAM: почему заполненный индикатор памяти не рассказывает всей истории\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Практическое объяснение рабочих наборов, резидентности и того, почему выделенное число VRAM — не то же самое, что жёсткое требование.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Читать руководство по VRAM →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-49\">Первоисточники\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 — Ключевые цифры мирового игрового рынка 2026\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Прогноз игрового рынка на 2026 год, использованный для сравнения масштабов.\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\">Ассоциация полупроводниковой промышленности — Глобальные продажи 2025\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Продажи полупроводников в 2025 году и прогноз ассоциации примерно в 1 триллион долларов на 2026 год.\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 — Спрос на ИИ-серверы поддерживает рост цен на память в 4Q26\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Доказательства конца 2026 года о продолжающемся приоритетном распределении мощностей для серверов и давлении на потребителей.\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\">Источник исследования средних коэффициентов сжатия 2,2× для HPC и 1,5× для 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\">Предвыборка UVM CPU–GPU на основе глубокого обучения\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Источник исследования результатов обученной предвыборки страниц.\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 — Асинхронная предвыборка KV-кэша\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Исследовательский источник, демонстрирующий сокрытие задержки за счёт проактивной предвыборки в кэш 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 — Спрос на ИИ-серверы и цены на память во 2 квартале 2026 года\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Актуальные свидетельства приоритизации серверной\u002FHBM-памяти, ограничений GDDR и давления на потребительский сегмент.\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 — Развитие DirectX для эпохи машинного обучения\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Официальный обзор GDC 2026 по машинному обучению на уровне шейдеров и моделей в 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: генеративный нейронный рендеринг\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Первичная исследовательская страница, описывающая DLSS 5 как этап генеративного рендеринга в реальном времени.\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 — Характеристики DGX Spark\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Официальные спецификации архитектуры, унифицированной памяти и пропускной способности.\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\">Официальная актуальная страница продукта RTX 5090, используемая для разграничения подтверждённого статуса продукта и слухов о прекращении производства.\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 — Исчезновение RTX 5090 из розницы и слухи о прекращении производства\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Актуальный рыночный отчёт, используемый только как отраслевой сигнал; в нём прямо отмечается, что NVIDIA не подтвердила прекращение производства.\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 — Нейронное сжатие текстур материалов с произвольным доступом\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Первичный источник для сравнения 4× линейного разрешения \u002F 16× текселей при на 30% меньшем объёме памяти по сравнению с 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\">Официальный источник по 96 ГБ GDDR7 и пропускной способности памяти 1 792 ГБ\u002Fс, используемый как ориентир по пропускной способности.\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\">Ключевые понятия\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\">Нейронный рендеринг\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Методы рендеринга, использующие обученные модели как часть процесса создания, реконструкции или улучшения визуального вывода.\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\">Гетерогенные вычисления\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Система, распределяющая различные рабочие нагрузки между разными вычислительными движками, такими как CPU, GPU, RT и матричное\u002FTensor-оборудование.\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\">Эффективная память\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Практическое описание того, сколько полезных данных система памяти может хранить и подавать на вычисления с учётом сжатия, резидентности и эффективности перемещения. Это не формальная замена физическому объёму.\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\">Предиктивная память\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Сокращение Figure Rocks для сочетания известного состояния игры и обученного предсказания для подготовки вероятно необходимых данных до возникновения простоя. Это гипотеза, а не отраслевой стандарт.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Cp>На протяжении десятилетий энтузиастский PC-гейминг следовал знакомой схеме: игры требовали больше вычислений, поколения GPU давали больше вычислений, а игроки обновлялись, когда разрыв становился достаточно большим. Этот цикл никогда не работал идеально, но направление было понятным. В 2026 году этот цикл становится труднее читать, потому что одновременно происходят два изменения: ИИ-инфраструктура агрессивно конкурирует за кремний и память, а ИИ-технологии напрямую проникают в то, как игры создают кадры.\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\">Прямой ответ\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>Старый цикл игровых апгрейдов испытывает давление, но его не просто заменяют более дорогие GPU.\u003C\u002Fstrong> ИИ меняет обе стороны уравнения: он усиливает конкуренцию за полупроводниковые и памятные ресурсы, а также открывает методы нейронного рендеринга, которые могут обменивать хранимые данные или обычную работу рендеринга на инференс. Важная возможность состоит в том, что гейминг может ответить на ужесточение экономики оборудования большей вычислительной избирательностью, а не просто требованием более крупных GPU.\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\">Как читать эту статью\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Это \u003Cstrong>гипотеза, подкреплённая доказательствами\u003C\u002Fstrong>. Документированные рыночные данные и поставляемые или анонсированные технологии помечены как факты или отраслевые сигналы. Связи между ними — это техническое умозаключение. Описанная далее будущая архитектура — это гипотеза Figure Rocks, а не утверждение о неанонсированной дорожной карте NVIDIA, AMD, Intel, Microsoft или консолей.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Содержание\">\u003Cstrong class=\"editorjs-toc__title\">Содержание\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\">Несоответствие масштабов уже видно\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-9\" class=\"editorjs-toc__link\">Память — это место, где давление становится конкретным\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-13\" class=\"editorjs-toc__link\">В то же самое время меняется сам кадр\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-19\" class=\"editorjs-toc__link\">Вопрос о 5090 полезен, только если мы правильно его сформулируем\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-22\" class=\"editorjs-toc__link\">Память начинает становиться проблемой вычислений, а не только проблемой ёмкости\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-28\" class=\"editorjs-toc__link\">Как мог бы работать технический ответ\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-31\" class=\"editorjs-toc__link\">У игры есть одно преимущество, которого часто нет у общих рабочих нагрузок: она уже знает часть своего будущего\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-35\" class=\"editorjs-toc__link\">Почему архитектура, подобная Spark, становится интересной\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-39\" class=\"editorjs-toc__link\">Что должно было бы быть верно, чтобы этот переход сработал?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-41\" class=\"editorjs-toc__link\">Чего покупатель должен ожидать от перехода, подобного Spark?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-43\" class=\"editorjs-toc__link\">Что опровергло бы эту гипотезу?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-46\" class=\"editorjs-toc__link\">Практический вывод для геймера сегодня\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-49\" class=\"editorjs-toc__link\">Первоисточники\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-69\" class=\"editorjs-toc__link\">Несоответствие масштабов уже заметно\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-73\" class=\"editorjs-toc__link\">Память — это место, где давление становится осязаемым\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-77\" class=\"editorjs-toc__link\">В то же самое время меняется сам кадр\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-83\" class=\"editorjs-toc__link\">Вопрос о 5090 полезен, только если сформулировать его правильно\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-86\" class=\"editorjs-toc__link\">Память начинает становиться вычислительной проблемой, а не только проблемой ёмкости\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-92\" class=\"editorjs-toc__link\">Как мог бы работать технический ответ\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-95\" class=\"editorjs-toc__link\">У игры есть одно преимущество, которого часто нет у общих рабочих нагрузок: она уже знает часть своего будущего\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-99\" class=\"editorjs-toc__link\">Почему архитектура, подобная Spark, становится интересной\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-103\" class=\"editorjs-toc__link\">Что должно было бы быть верно, чтобы этот переход сработал?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-105\" class=\"editorjs-toc__link\">Чего покупателю ожидать от перехода, подобного Spark?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-107\" class=\"editorjs-toc__link\">Что опровергло бы эту гипотезу?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-110\" class=\"editorjs-toc__link\">Практический вывод для геймера сегодня\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-113\" class=\"editorjs-toc__link\">Первоисточники\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Ch2 id=\"section-69\">Несоответствие масштабов уже заметно\u003C\u002Fh2>\n\u003Cp>Newzoo прогнозирует мировой игровой рынок в 213,9 млрд долларов в 2026 году, что на 6,1% больше в годовом исчислении. Ассоциация полупроводниковой промышленности сообщила о мировых продажах полупроводников в 791,7 млрд долларов за 2025 год, что на 25,6% больше, и прогнозирует примерно 1 трлн долларов на 2026 год. Игровой бизнес и полупроводниковый бизнес по-прежнему зависят друг от друга, но их стимулы становятся менее симметричными: та же передовая производственная экосистема, которая обеспечивает премиальный гейминг, теперь обслуживает покупателей ИИ и дата-центров с гораздо большими бюджетами на инфраструктуру. Это не напрямую сопоставимые категории продуктов; они устанавливают масштаб вышестоящей вычислительной экономики вокруг гейминга.\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\">Ориентир\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Сообщённое или прогнозное значение\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Почему это важно здесь\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Мировой игровой рынок, прогноз на 2026 год\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">213,9 млрд долларов, +6,1% г\u002Fг\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Крупный рынок потребительских развлечений, но ниже по цепочке от поставок передового оборудования\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">PC-игры, прогноз на 2026 год\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">45,9 млрд долларов, +5,3% г\u002Fг\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Игровой сегмент, наиболее напрямую подверженный экономике PC-компонентов\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Мировые продажи полупроводников, 2025 год\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">791,7 млрд долларов, +25,6% г\u002Fг\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Показывает масштаб вышестоящей отрасли, обслуживающей гейминг, ИИ, мобильные устройства, автомобили и облака\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Мировая полупроводниковая отрасль, прогноз на 2026 год\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">~1 трлн долларов\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Повышает альтернативную стоимость выделения премиального кремния только для потребительского гейминга\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\">Что эти рыночные цифры доказывают — и чего не доказывают\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Эти цифры устанавливают \u003Cstrong>экономический контекст, а не прямую причинно-следственную связь\u003C\u002Fstrong>. Они не доказывают, что конкретная пластина, GPU или модуль памяти были отобраны у геймера и переназначены для ИИ. Они также не означают, что гейминг и полупроводники — две крупнейшие отрасли в мире. Более узкий и обоснованный тезис состоит в том, что игровой рынок стоимостью более 200 млрд долларов зависит от вышестоящей полупроводниковой экономики, приближающейся к триллионному годовому масштабу, где ИИ-инфраструктура теперь конкурирует за передовые вычисления и память в совершенно иных условиях по бюджетам и марже.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-73\">Память — это место, где давление становится осязаемым\u003C\u002Fh2>\n\u003Cp>TrendForce неоднократно сообщала, что поставщики DRAM переориентируют мощности на серверные продукты и HBM по мере роста спроса на ИИ. В марте 2026 года она прогнозировала рост контрактных цен на обычную DRAM на 58–63% квартал к кварталу во втором квартале и заявила, что ограниченное распределение GDDR сдерживает поставки графической памяти. К третьему кварталу TrendForce сообщила, что потребительские заказчики достигают предела доступности, даже несмотря на сохранение сильного спроса со стороны ИИ и серверов.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Давление распределения ресурсов\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. Расширение инфраструктуры ИИ\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Облачные провайдеры и разработчики ИИ обеспечивают себя серверной памятью, HBM, корпоративными SSD и передовыми вычислительными мощностями.\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. Поставщики оптимизируют ассортимент\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Мощности смещаются в сторону продуктов с более высоким спросом, маржой или долгосрочными контрактами.\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. Потребительские поставки сокращаются\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Покупатели памяти для ПК, графики и потребительских устройств сталкиваются с ростом цен или ограниченной доступностью.\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. Производители игровых решений поглощают или перекладывают затраты\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Проектирование плат, объём VRAM и цена системы становятся всё более сложным компромиссом.\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. Старый цикл обновлений ослабевает\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Более быстрый GPU по-прежнему полезен, но экстенсивное масштабирование становится экономически сложнее повторять при тех же потребительских ценах.\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\">Сигнал сентября 2026 года, а не история о старом дефиците\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">30 сентября 2026 года TrendForce сообщила, что поставщики по-прежнему отдают приоритет мощностям по передовым техпроцессам для высокопроизводительных серверных продуктов, а контрактные цены на обычную DRAM, по прогнозам, вырастут ещё на 10–15% квартал к кварталу в четвёртом квартале. В её бюллетене по DRAM также говорится, что HBM продолжает вытеснять мощности для обычной DRAM. Таким образом, описанное здесь давление сохраняется и в конце 2026 года; оно не основано лишь на временном всплеске в начале года.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-77\">В то же самое время меняется сам кадр\u003C\u002Fh2>\n\u003Cp>Microsoft теперь описывает машинное обучение как становящееся основой для графики в реальном времени. DirectX добавляет ML-пути на уровне шейдеров и моделей, чтобы нейронное сжатие текстур, шумоподавление, суперразрешение и другие обученные задачи могли находиться внутри графического стека, а не прикручиваться как изолированные функции. Исследование NVIDIA DLSS 5 развивает эту идею дальше, вводя этап генеративного нейронного рендеринга, который дополняет обычный рендеринг обученными априорными представлениями о внешнем виде. Нейронный рендеринг не означает, что обычный рендеринг исчезает. Формирующаяся модель гибридна: часть информации рендерится напрямую, другая информация выводится или реконструируется, когда это дешевле или полезнее.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Ffigure.rocks\u002Fru\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 — это не просто апскейлинг: что на самом деле меняет генеративный нейронный рендеринг\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Почему важное изменение — это не очередной режим качества, а новый этап в том, как может создаваться визуальная информация.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Читать анализ 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\">Традиционное масштабирование против масштабирования нейронной эры\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\">Традиционный путь\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\">Путь нейронной эры\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\">Больше визуальной точности\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Хранить больше деталей и выполнять больше работы по рендерингу\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Хранить\u002Fрендерить выборочно, реконструировать или выводить часть деталей\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Реакция памяти\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Добавлять ёмкость и пропускную способность\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Добавлять ёмкость там, где нужно, но также сжимать и сокращать перемещение данных\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Реакция производительности\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Больше пропускной способности шейдеров\u002FRT\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Смешивать шейдерные, RT- и матричные\u002Fтензорные вычисления\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Роль программного обеспечения\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Движок планирует в основном обычную графическую работу\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Движок всё больше планирует рендеринг, перемещение данных и ML-задачи\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\">Центральная гипотеза Figure Rocks\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>ИИ может ослаблять экономику экстенсивного игрового железа, одновременно предоставляя методы, которые делают экстенсивное масштабирование менее необходимым.\u003C\u002Fstrong> Это не означает, что будущим играм нужно меньше железа. Это означает, что большая часть результата может достигаться за счёт решения, что хранить, перемещать, рендерить, реконструировать или выводить. Формулировка Figure Rocks: \u003Cstrong>хранить меньше → перемещать меньше → предсказывать больше → рендерить меньше → выводить больше.\u003C\u002Fstrong> Это гипотеза о том, откуда всё чаще могут появляться приросты производительности, а не утверждение, что каждая будущая игра будет использовать один конвейер.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cdiv class=\"ce-delimiter cdx-block my-8\">\u003C\u002Fdiv>\n\u003Ch2 id=\"section-83\">Вопрос о 5090 полезен, только если сформулировать его правильно\u003C\u002Fh2>\n\u003Cp>RTX 5090 — полезный пример именно потому, что свидетельства противоречивы. По состоянию на 18 октября 2026 года NVIDIA по-прежнему указывает GeForce RTX 5090 как текущий продукт. В то же время поведение розничных продавцов и сообщения прессы документируют необычно плохую доступность и неподтверждённые заявления о прекращении производства. Это рыночный сигнал, а не официальное объявление о завершении производства. Поэтому обоснованный вопрос не в том, тайно ли NVIDIA убила одну карту, а в том, растёт ли альтернативная стоимость выделения кремния высшего класса Blackwell для энтузиастского гейминга, когда аналогичная архитектура может обслуживать рынки профессиональной визуализации и ИИ с совершенно иной экономикой.\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\">ФАКТ \u002F СИГНАЛ \u002F ГИПОТЕЗА\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>ФАКТ:\u003C\u002Fstrong> NVIDIA по-прежнему публично указывает RTX 5090, а архитектура Blackwell охватывает игровые и профессиональные продукты.\u003Cbr>\u003Cstrong>ОТРАСЛЕВОЙ СИГНАЛ:\u003C\u002Fstrong> исчезновение из розницы, экстремальный дефицит и сообщения о возможном прекращении производства существуют, но NVIDIA не подтвердила EOL или остановку производства RTX 5090.\u003Cbr>\u003Cstrong>ТЕХНИЧЕСКИЙ ВЫВОД:\u003C\u002Fstrong> высококлассный кристалл имеет несколько экономически ценных направлений использования.\u003Cbr>\u003Cstrong>ГИПОТЕЗА FIGURE ROCKS:\u003C\u002Fstrong> спрос со стороны ИИ и профессионального сегмента может сделать традиционное ожидание энтузиастов — что самый крупный практичный кристалл остаётся широко доступным в качестве игрового флагмана — более трудным для поддержания.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-86\">Память начинает становиться вычислительной проблемой, а не только проблемой ёмкости\u003C\u002Fh2>\n\u003Cp>Есть как минимум четыре способа атаковать узкое место памяти, не просто увеличивая сырую скорость DRAM: сжимать представление, реконструировать детали вычислениями, предсказывать, какие данные понадобятся следующими, и держать нужные данные резидентно близко к исполнительному блоку. Ни один из них не делает физический чип памяти волшебным образом быстрее. Они меняют то, сколько полезной работы система получает от конечного бюджета ёмкости и пропускной способности.\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\">Техника\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Что меняется\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Что не меняется автоматически\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Сжатие\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Меньше физических байт представляют те же логические данные\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Тактовая частота DRAM и разрядность шины\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Нейронная реконструкция\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Часть деталей генерируется из компактного представления\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Затраты исчезают; вывод имеет собственную вычислительную стоимость и задержку\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Предиктивная предвыборка\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Данные прибывают до того, как запрашивающая задача остановится\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Общая физическая пропускная способность\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Резидентность \u002F унифицированный доступ\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Меньше ненужной миграции или дублирования\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ограничения конкуренции и задержки\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\">Исследовательский ориентир: эффективная ёмкость — это не сырая скорость\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Buddy Compression от NVIDIA Research сообщила о среднем \u003Cstrong>коэффициенте сжатия 2,2× для HPC-задач и 1,5× для задач глубокого обучения\u003C\u002Fstrong>, с замедлением на 1–2% в том исследовании. Этот результат не является игровым бенчмарком. Его значимость здесь архитектурная: сжатая память может увеличить эффективную ёмкость и сократить часть трафика, не меняя тактовую частоту физической 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\">Свидетельство, специфичное для игр: нейронное сжатие текстур\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Работа NVIDIA Research по NTC для материальных текстур продемонстрировала \u003Cstrong>в 4 раза более высокое линейное разрешение текстур — в 16 раз больше текселей — при использовании на 30% меньше памяти\u003C\u002Fstrong>, чем в сравнении с BC High. Это не означает, что каждая игра получает 16-кратный выигрыш по памяти. Это демонстрирует механизм, который здесь важен: некоторые визуальные детали можно представить более компактно и реконструировать вычислениями вместо обычного хранения с той же точностью.\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\">Что число «460×» на самом деле не означает\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Цифра 460×, иногда связываемая с системами NVIDIA, относится к сравнению объёма памяти, доступной GPU, между поколениями DGX, \u003Cstrong>а не к коэффициенту сжатия памяти 460×\u003C\u002Fstrong>. В этой статье она намеренно не используется как доказательство сжатия.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-92\">Как мог бы работать технический ответ\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Один из возможных будущих конвейеров кадра\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\">Сжатие\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Сохранять текстуры или обученные представления меньшего размера там, где позволяет качество.\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\">Предсказание\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Использовать детерминированное состояние игры и обученные модели для оценки того, какие данные понадобятся дальше.\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\">Предзагрузка\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Перемещать полезные данные до того, как GPU начнёт простаивать в ожидании их.\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\">Рендеринг\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Тратить обычную графическую работу там, где она сильнее всего влияет на видимый результат.\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\">Инференс\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Использовать нейросетевую реконструкцию или генерацию там, где инференс дешевле прямого хранения или симуляции всего.\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\">Вывод\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Выдавать кадр, удерживая задержку, артефакты и равномерность кадров в приемлемых пределах.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Этот конвейер не является одним анонсированным продуктом. Каждый компонент уже существует в той или иной форме, но интегрированная цепочка — это гипотеза. Нейросетевое сжатие текстур показало, что обученные представления могут обменивать вычисления на память. Исследования предзагрузки для GPU показали, что обученное предсказание может повысить долю попаданий в страницы памяти. DirectX формализует ML внутри модели графического программирования. DLSS 5 показывает, как генеративный этап входит в рендеринг в реальном времени.\u003C\u002Fp>\n\u003Ch2 id=\"section-95\">У игры есть одно преимущество, которого часто нет у общих рабочих нагрузок: она уже знает часть своего будущего\u003C\u002Fh2>\n\u003Cp>Игровой движок знает преобразование камеры, скорость игрока, текущую ячейку мира, соседние ячейки потоковой загрузки, состояние анимации, активные сущности, переходы LOD, зависимости шейдеров и часто вероятные пути перемещения. Этот детерминированный контекст не раскрывает будущее идеально, но даёт предиктору более богатую отправную точку, чем один лишь общий трассировщик памяти.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Пример предсказательной игровой памяти\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. Наблюдение детерминированного состояния\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Направление камеры, вектор движения, текущая комната, видимые порталы и известные зависимости ассетов уже присутствуют в состоянии движка.\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. Оценка ближайшего рабочего набора\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Обученный предиктор может ранжировать вероятные следующие комнаты, текстуры, геометрию, шейдеры или нейросетевые представления.\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. Предзагрузка при доступной пропускной способности\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Перемещать вероятные ресурсы, пока у подсистемы памяти есть запас, вместо ожидания жёсткого промаха по требованию.\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. Сохранение детерминированных гарантий\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Критические ассеты по-прежнему используют заданные правила; предсказание дополняет, а не заменяет корректность.\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. Измерение стоимости промаха\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Если предсказание тратит пропускную способность впустую или вытесняет полезные данные, уверенность или глубина предзагрузки должны снижаться.\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\">У этой идеи есть исследовательский прецедент, но пока нет игрового доказательства\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Опубликованное исследование унифицированной виртуальной памяти CPU–GPU сообщило о \u003Cstrong>10,89% улучшении производительности\u003C\u002Fstrong>, росте доли попаданий в страницы с \u003Cstrong>76,10% до 89,02%\u003C\u002Fstrong> и \u003Cstrong>снижении трафика межсоединения CPU–GPU на 11,05%\u003C\u002Fstrong> при использовании обученной предзагрузки. Статья AAAI 2026 об асинхронной предзагрузке KV-кэша сообщила о \u003Cstrong>2,15× эффективности ядра внимания и до 1,97× сквозной пропускной способности\u003C\u002Fstrong> на своей нагрузке LLM. Ни один из результатов не следует переносить на игры; оба демонстрируют, что предсказание и предзагрузка могут скрывать стоимость памяти в реальных нагрузках GPU.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-99\">Почему архитектура, подобная Spark, становится интересной\u003C\u002Fh2>\n\u003Cp>DGX Spark — не игровой ПК, и относиться к нему как к таковому означало бы упустить полезный урок. Его дизайн GB10 объединяет ядра Arm CPU, GPU Blackwell, аппаратные блоки Tensor и RT, а также до 128 ГБ когерентной унифицированной системной памяти. Эта архитектура ставит иной вопрос, чем классический десктоп: вместо чёткого разделения системы на память CPU и дискретную VRAM — что происходит, когда несколько вычислительных движков совместно используют большой пул памяти?\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\">Свойство\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Справочные данные DGX Spark\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Игровое значение при адаптации принципа\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Память\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">До 128 ГБ когерентной унифицированной LPDDR5X\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Большой общий пул мог бы уменьшить дублирование и дать локальному ИИ и графике доступ к общим данным\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Пропускная способность памяти\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">273 ГБ\u002Fс\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Объёма недостаточно; высокопроизводительной графике по-прежнему нужно агрессивное управление пропускной способностью и задержкой\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Состав вычислений\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\">Будущая игровая нагрузка могла бы распределяться между более специализированными движками\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Форм-фактор\u002Fпитание\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Компактная система GB10\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Интеграция может повысить эффективность, но снизить модульную обновляемость\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\">Объём — это не пропускная способность\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Большой унифицированный пул \u003Cstrong>не\u003C\u002Fstrong> заменяет автоматически пропускную способность высокопроизводительного дискретного GPU. DGX Spark указывает 273 ГБ\u002Fс пропускной способности памяти, тогда как NVIDIA RTX PRO 6000 Blackwell Workstation Edition указывает 1 792 ГБ\u002Fс. Это очень разные продукты, и сравнение не является игровым бенчмарком; оно просто делает архитектурное ограничение видимым. Игровой дизайн, подобный Spark, должен был бы решать вопросы конкуренции за ресурсы, задержки и пропускной способности — а не просто предоставлять больше общих гигабайт.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-103\">Что должно было бы быть верно, чтобы этот переход сработал?\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Тест жизнеспособности нейросетевых игр\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. Инференс должен экономить больше, чем стоит\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Нейросетевая работа должна устранять достаточно затрат на хранение, пропускную способность или обычный рендеринг, чтобы оправдать собственные вычисления и задержку.\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. Движок должен предоставлять полезное состояние\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Предсказание работает лучше, когда система знает направление камеры, зависимости ассетов, движение и вероятную видимость.\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. Перемещение памяти должно стать осознанным\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Сжатие без хорошей политики резидентности и предзагрузки всё равно может приводить к простоям.\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. Качество должно оставаться стабильным\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Сгенерированные детали не должны вносить неприемлемые артефакты, временную нестабильность или неверную игровую информацию.\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. Задержка должна оставаться ограниченной\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Более красивый кадр не означает автоматически более отзывчивую игру.\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. Стек должен выдерживать различия между вендорами\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Полезные техники нуждаются в API, драйверах и путях движка, которые не распадаются на разовые демо.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-105\">Чего покупателю ожидать от перехода, подобного Spark?\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Потенциальная выгода против реальной стоимости\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\">Потенциальный выигрыш\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\">Стоимость \u002F риск\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\">Большой когерентный пул\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Более гибкое совместное использование между CPU, графикой и локальным ИИ\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Совместные клиенты могут конкурировать за одну и ту же пропускную способность\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Меньше дублирования\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Меньше копий между раздельными пулами системной RAM и VRAM\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Когерентность и планирование добавляют сложности\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Больше запаса для локального ИИ\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Более крупные модели, агенты или нейросетевые ассеты могут сосуществовать локально\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">ИИ может конкурировать с графикой за вычисления и память\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Оптимизация на уровне системы\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Платформа может оптимизировать размещение данных и ускорители совместно\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Более тесная интеграция может снизить обновляемость и увеличить привязку\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Гибкость для новых нагрузок\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Машина может лучше стареть, если будущие игры сместятся к нейросетевым нагрузкам\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Только если движки и среды выполнения действительно используют эти возможности\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-107\">Что опровергло бы эту гипотезу?\u003C\u002Fh2>\n\u003Cp>Этот тезис намеренно опровержим. Таблица ниже определяет рыночные, программные, аппаратные сигналы и сигналы принятия играми, которые со временем сделали бы аргумент сильнее или слабее.\u003C\u002Fp>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Доказательства, усиливающие или ослабляющие тезис\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\">Усилило бы его\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\">Ослабило бы его\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\">Экономика памяти\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Приоритет серверов\u002FHBM продолжает урезать потребительские поставки\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Потребительские мощности растут, а ценовое давление нормализуется\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Графический стек\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">ML-примитивы становятся обычными функциями движков\u002FDirectX\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Нейрографика остается опциональной постобработкой, специфичной для вендора\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Аппаратный дизайн\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Больше интегрированных гетерогенных вычислений и более крупные когерентные пулы памяти\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Дискретная GPU + отдельная RAM остаются явно лучше по стоимости, гибкости и задержке\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Внедрение в играх\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Студии широко внедряют нейросжатие, генерацию и предиктивные пути данных\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">Технология остается ограниченной демо или несколькими флагманскими играми\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-110\">Практический вывод для геймера сегодня\u003C\u002Fh2>\n\u003Cp>Не покупайте оборудование из-за того, что может появиться спекулятивная архитектура. Покупайте под игры, разрешение, целевую задержку и рабочие нагрузки, которые у вас действительно есть. Но не предполагайте, что задел на будущее по-прежнему можно свести к одному числу, например к растровой производительности или объему VRAM. Направление развития программного стека говорит о том, что поведение памяти, нейровычисления и поддержка движков могут становиться все более важными частями уравнения ценности.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Ffigure.rocks\u002Fru\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\">Использование VRAM — не то же самое, что требование к VRAM: почему заполненный индикатор памяти не рассказывает всей истории\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Практическое объяснение рабочих наборов, резидентности и того, почему выделенный объем VRAM — не то же самое, что жесткое требование.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Читать руководство по VRAM →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-113\">Первоисточники\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 — Ключевые цифры мирового игрового рынка 2026\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Прогноз игрового рынка на 2026 год, использованный для сравнения масштабов.\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\">Ассоциация полупроводниковой промышленности — Глобальные продажи 2025\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Продажи полупроводников в 2025 году и прогноз ассоциации примерно в 1 трлн долларов на 2026 год.\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 — Спрос на ИИ-серверы поддерживает рост цен на память в 4Q26\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Данные конца 2026 года о продолжающемся приоритетном распределении мощностей для серверов и давлении на потребительский сегмент.\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\">Источник исследования средних коэффициентов сжатия 2,2× для HPC и 1,5× для 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\">Основанная на глубоком обучении предвыборка UVM CPU–GPU\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Источник исследования результатов обучения предвыборке страниц.\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 — Асинхронная предвыборка KV-кэша\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Источник исследования, демонстрирующий скрытие задержки за счет проактивной предвыборки в GPU-кэш.\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 — Спрос на ИИ-серверы и цены на память во 2Q26\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Текущие данные о приоритизации серверов\u002FHBM, ограничениях GDDR и давлении на потребительский сегмент.\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 — Развитие DirectX для эпохи ML\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Официальный обзор GDC 2026 ML на уровне шейдеров и моделей в 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: генеративный нейрорендеринг\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Основная страница исследования, описывающая DLSS 5 как этап генеративного рендеринга в реальном времени.\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 — Характеристики DGX Spark\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Официальные спецификации архитектуры, унифицированной памяти и пропускной способности.\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\">Официальная текущая страница продукта RTX 5090, использованная для различения подтвержденного статуса продукта от слухов о прекращении производства.\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 — Исчезновение RTX 5090 из розницы и слухи о прекращении производства\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Текущий рыночный отчет, использованный только как отраслевой сигнал; в нем прямо отмечается, что NVIDIA не подтвердила прекращение производства.\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 — Нейросжатие текстур материалов со случайным доступом\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Первоисточник для сравнения 4× линейного разрешения \u002F 16× текселей при на 30% меньшем объеме памяти по сравнению с 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\">Официальный источник данных о 96 ГБ GDDR7 и пропускной способности памяти 1 792 ГБ\u002Fс, используемых в качестве ориентира по пропускной способности.\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\">Ключевые понятия\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\">Нейронный рендеринг\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Методы рендеринга, использующие обученные модели для создания, реконструкции или улучшения визуального вывода.\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\">Гетерогенные вычисления\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Система, распределяющая различные рабочие нагрузки между разными вычислительными движками, такими как CPU, GPU, RT и матричное\u002FTensor-оборудование.\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\">Эффективная память\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Практическое описание того, сколько полезных данных система памяти может хранить и передавать на вычисления с учётом сжатия, резидентности и эффективности перемещения. Это не формальная замена физической ёмкости.\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\">Предиктивная память\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Сокращение Figure Rocks для сочетания известного состояния игры и обученного предсказания, чтобы подготовить вероятно необходимые данные до возникновения задержки. Это гипотеза, а не отраслевой стандарт.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>",{"time":538,"blocks":539,"version":1624},1792337157952,[540,546,554,561,568,574,579,606,613,618,623,646,652,657,662,671,709,716,721,726,731,737,742,747,772,778,784,790,795,819,824,829,834,855,861,866,871,896,902,907,931,936,979,984,989,1025,1030,1035,1043,1048,1058,1067,1076,1085,1094,1103,1112,1121,1130,1139,1148,1157,1166,1175,1198,1202,1206,1210,1213,1217,1221,1233,1237,1241,1245,1264,1268,1271,1275,1279,1300,1304,1307,1311,1315,1319,1323,1327,1339,1343,1348,1353,1356,1377,1381,1384,1388,1407,1411,1414,1418,1434,1439,1442,1457,1461,1483,1486,1490,1512,1515,1519,1524,1527,1532,1538,1544,1549,1556,1562,1569,1576,1583,1588,1594,1600,1607,1613],{"id":541,"data":542,"type":544,"tunes":545},"p-0001",{"text":543},"На протяжении десятилетий энтузиастский PC-гейминг следовал знакомой сделке: игры требовали больше вычислений, поколения GPU давали больше вычислений, а игроки обновлялись, когда разрыв становился достаточно большим. Этот цикл никогда не работал идеально, но направление было понятным. В 2026 году цикл становится труднее для понимания, потому что два изменения происходят одновременно: инфраструктура ИИ агрессивно конкурирует за кремний и память, в то время как методы ИИ напрямую проникают в то, как игры создают кадры.","paragraph",{},{"id":547,"data":548,"type":552,"tunes":553},"c-0002",{"body":549,"title":550,"variant":551},"\u003Cstrong>Старый цикл обновления для гейминга находится под давлением, но его не просто заменяют более дорогие GPU.\u003C\u002Fstrong> ИИ меняет обе стороны уравнения: он усиливает конкуренцию за ресурсы полупроводников и памяти, а также открывает методы нейронного рендеринга, которые могут обменивать хранимые данные или работу обычного рендеринга на инференс. Важная возможность заключается в том, что гейминг может ответить на более жесткую экономику аппаратного обеспечения, став более вычислительно избирательным, а не просто требуя более крупных GPU.","Прямой ответ","info","callout",{},{"id":555,"data":556,"type":552,"tunes":560},"c-0003",{"body":557,"title":558,"variant":559},"Это \u003Cstrong>гипотеза, подкрепленная доказательствами\u003C\u002Fstrong>. Документированные рыночные данные и выпущенные или анонсированные технологии помечены как факты или отраслевые сигналы. Связи между ними — это технический вывод. Архитектура будущего, описанная далее, является гипотезой Figure Rocks, а не утверждением о неанонсированной дорожной карте NVIDIA, AMD, Intel, Microsoft или консолей.","Как читать эту статью","note",{},{"id":562,"data":563,"type":566,"tunes":567},"toc-0004",{"title":564,"maxLevel":565,"minLevel":47},"Содержание",3,"tableOfContents",{},{"id":569,"data":570,"type":572,"tunes":573},"h-0005",{"text":571,"level":47},"Несоответствие масштабов уже видно","header",{},{"id":575,"data":576,"type":544,"tunes":578},"p-0006",{"text":577},"Newzoo прогнозирует мировой рынок игр в 2026 году на уровне 213,9 млрд долларов, что на 6,1% больше в годовом исчислении. Ассоциация полупроводниковой промышленности сообщила о мировых продажах полупроводников в 2025 году в размере 791,7 млрд долларов, что на 25,6% больше, и прогнозирует около 1 трлн долларов на 2026 год. Игровой бизнес и полупроводниковый бизнес по-прежнему зависят друг от друга, но их стимулы становятся менее симметричными: та же передовая производственная экосистема, которая обеспечивает премиальный гейминг, теперь обслуживает покупателей ИИ и центров обработки данных с гораздо большими бюджетами на инфраструктуру. Это не напрямую сравнимые категории продуктов; они устанавливают масштаб вышестоящей вычислительной экономики вокруг гейминга.",{},{"id":580,"data":581,"type":604,"tunes":605},"t-0007",{"content":582,"stretched":603,"withHeadings":15},[583,587,591,595,599],[584,585,586],"Точка отсчета","Сообщенное или прогнозируемое значение","Почему это важно здесь",[588,589,590],"Мировой рынок игр, прогноз на 2026 год","213,9 млрд долларов, +6,1% г\u002Fг","Крупный рынок потребительских развлечений, но ниже по цепочке от поставок передового оборудования",[592,593,594],"PC-игры, прогноз на 2026 год","45,9 млрд долларов, +5,3% г\u002Fг","Игровой сегмент, наиболее напрямую подверженный экономике PC-компонентов",[596,597,598],"Мировые продажи полупроводников, 2025 год","791,7 млрд долларов, +25,6% г\u002Fг","Показывает масштаб вышестоящей отрасли, обслуживающей гейминг, ИИ, мобильные устройства, автомобили и облака",[600,601,602],"Мировая полупроводниковая отрасль, прогноз на 2026 год","~1 трлн долларов","Повышает альтернативную стоимость выделения премиального кремния только для потребительского гейминга",false,"table",{},{"id":607,"data":608,"type":552,"tunes":612},"c-0008",{"body":609,"title":610,"variant":611},"Цифры устанавливают \u003Cstrong>экономический контекст, а не прямую причинно-следственную связь\u003C\u002Fstrong>. Они не доказывают, что конкретная пластина, GPU или модуль памяти были отобраны у геймера и переназначены для ИИ. Они также не означают, что гейминг и полупроводники — две крупнейшие отрасли в мире. Более узкий, обоснованный тезис состоит в том, что рынок игр стоимостью более 200 млрд долларов зависит от вышестоящей полупроводниковой экономики, приближающейся к триллионному годовому масштабу, где инфраструктура ИИ теперь конкурирует за передовые вычисления и память в совершенно иных бюджетных и маржинальных условиях.","Что эти рыночные цифры доказывают — и чего не доказывают","warning",{},{"id":614,"data":615,"type":572,"tunes":617},"h-0009",{"text":616,"level":47},"Память — это место, где давление становится конкретным",{},{"id":619,"data":620,"type":544,"tunes":622},"p-0010",{"text":621},"TrendForce неоднократно сообщала, что поставщики DRAM перераспределяют мощности в сторону серверных продуктов и HBM по мере роста спроса на ИИ. В марте 2026 года она прогнозировала рост контрактных цен на обычную DRAM на 58–63% квартал к кварталу во втором квартале и заявила, что ограниченное распределение GDDR сдерживает поставки графической памяти. К третьему кварталу TrendForce сообщила, что потребительские клиенты достигают предела доступности, даже когда спрос на ИИ и серверы остается высоким.",{},{"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. Инфраструктура ИИ расширяется","Облачные провайдеры и создатели ИИ обеспечивают серверную память, HBM, корпоративные SSD и передовые вычисления.",{"label":631,"description":632},"2. Поставщики оптимизируют ассортимент","Мощности смещаются в сторону продуктов с более сильным спросом, маржой или долгосрочными контрактами.",{"label":634,"description":635},"3. Потребительское распределение ужесточается","Покупатели PC, графики и потребительской памяти сталкиваются с более высокими ценами или ограниченной доступностью.",{"label":637,"description":638},"4. Производители игрового оборудования поглощают или перекладывают затраты","Дизайн плат, объем VRAM и цена системы становятся более сложными компромиссами.",{"label":640,"description":641},"5. Старый цикл обновления ослабевает","Более быстрый GPU по-прежнему полезен, но грубое масштабирование становится экономически сложнее повторять при тех же потребительских ценах.","Давление на распределение ресурсов","auto","processFlow",{},{"id":647,"data":648,"type":552,"tunes":651},"v3-sep-signal",{"body":649,"title":650,"variant":611},"30 сентября 2026 года TrendForce сообщила, что поставщики по-прежнему отдают приоритет мощностям передового процесса для высокопроизводительных серверных продуктов, а контрактные цены на обычную DRAM, по прогнозам, вырастут еще на 10–15% квартал к кварталу в четвертом квартале. В ее бюллетене по DRAM также говорится, что HBM продолжает вытеснять мощности для обычной DRAM. Таким образом, описанное здесь давление остается заметным в конце 2026 года; оно основано не только на временном всплеске в начале года.","Сигнал сентября 2026 года, а не история о старом дефиците",{},{"id":653,"data":654,"type":572,"tunes":656},"h-0012",{"text":655,"level":47},"В то же самое время меняется сам кадр",{},{"id":658,"data":659,"type":544,"tunes":661},"p-0013",{"text":660},"Microsoft теперь описывает машинное обучение как становящееся основой для графики в реальном времени. DirectX добавляет ML-пути на уровне шейдеров и моделей, чтобы нейронное сжатие текстур, шумоподавление, суперразрешение и другие обученные рабочие нагрузки могли находиться внутри графического стека, а не прикручиваться как изолированные функции. Исследование NVIDIA DLSS 5 продвигает эту идею дальше, вводя этап генеративного нейронного рендеринга, который дополняет обычный рендеринг обученными априорными представлениями о внешнем виде. Нейронный рендеринг не означает, что обычный рендеринг исчезает. Формирующаяся модель является гибридной: рендерить некоторую информацию напрямую, выводить или реконструировать другую информацию, когда это дешевле или полезнее.",{},{"id":663,"data":664,"type":669,"tunes":670},"ref-0014",{"url":665,"title":666,"excerpt":667,"ctaLabel":668},"https:\u002F\u002Ffigure.rocks\u002Fru\u002Fblog\u002Fdlss-5-is-not-just-upscaling-what-3d-guided-neural-rendering-actually-changes","DLSS 5 — это не просто апскейлинг: что на самом деле меняет генеративный нейронный рендеринг","Почему важное изменение — это не еще один режим качества, а новый этап в том, как может создаваться визуальная информация.","Читать анализ 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","Больше визуальной точности",{"new":679,"old":680},"Хранить\u002Fрендерить избирательно, реконструировать или выводить некоторые детали","Хранить больше деталей и рендерить больше работы",{"id":682,"label":683,"values":684},"memory","Реакция памяти",{"new":685,"old":686},"Добавлять емкость там, где нужно, но также сжимать и сокращать перемещение","Добавлять емкость и пропускную способность",{"id":688,"label":689,"values":690},"performance","Реакция производительности",{"new":691,"old":692},"Смешивать шейдерные, RT и матричные\u002Fтензорные вычисления","Больше пропускной способности шейдеров\u002FRT",{"id":694,"label":695,"values":696},"software","Роль программного обеспечения",{"new":697,"old":698},"Движок все больше планирует рендеринг, перемещение данных и рабочие нагрузки ML","Движок планирует в основном обычную графическую работу","Традиционное масштабирование против масштабирования нейронной эры",[701,704],{"id":702,"label":703},"old","Традиционный путь",{"id":705,"label":706},"new","Путь нейронной эры","comparison",{},{"id":710,"data":711,"type":552,"tunes":715},"c-0016",{"body":712,"title":713,"variant":714},"\u003Cstrong>ИИ может ослаблять экономику грубого игрового оборудования, одновременно предоставляя методы, которые делают грубое масштабирование менее необходимым.\u003C\u002Fstrong> Это не означает, что будущим играм нужно меньше оборудования. Это означает, что большая часть результата может происходить от решения, что хранить, перемещать, рендерить, реконструировать или выводить. Сокращение Figure Rocks: \u003Cstrong>хранить меньше → перемещать меньше → предсказывать больше → рендерить меньше → выводить больше.\u003C\u002Fstrong> Это гипотеза о том, откуда могут все чаще приходить приросты производительности, а не утверждение, что каждая будущая игра будет использовать один конвейер.","Центральная гипотеза 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},"Вопрос о 5090 полезен, только если мы правильно его сформулируем",{},{"id":727,"data":728,"type":544,"tunes":730},"p-0019",{"text":729},"RTX 5090 — полезный пример именно потому, что доказательства неоднозначны. По состоянию на 18 октября 2026 года NVIDIA по-прежнему указывает GeForce RTX 5090 как текущий продукт. В то же время поведение розничных продавцов и сообщения прессы документируют необычно низкую доступность и неподтверждённые заявления о прекращении производства. Это рыночный сигнал, а не официальное объявление о завершении производства. Поэтому обоснованный вопрос заключается не в том, тайно ли NVIDIA убила одну карту, а в том, растёт ли альтернативная стоимость выделения кремния высшего класса архитектуры Blackwell для энтузиастского гейминга, когда аналогичная архитектура может обслуживать рынки профессиональной визуализации и ИИ с совершенно иной экономикой.",{},{"id":732,"data":733,"type":552,"tunes":736},"c-0020",{"body":734,"title":735,"variant":559},"\u003Cstrong>ФАКТ:\u003C\u002Fstrong> NVIDIA по-прежнему публично указывает RTX 5090, а архитектура Blackwell охватывает игровые и профессиональные продукты.\u003Cbr>\u003Cstrong>ОТРАСЛЕВОЙ СИГНАЛ:\u003C\u002Fstrong> исчезновение из розницы, экстремальный дефицит и сообщения о возможном прекращении производства существуют, но NVIDIA не подтвердила EOL или остановку производства RTX 5090.\u003Cbr>\u003Cstrong>ТЕХНИЧЕСКИЙ ВЫВОД:\u003C\u002Fstrong> высококлассный кристалл имеет несколько экономически ценных направлений использования.\u003Cbr>\u003Cstrong>ГИПОТЕЗА FIGURE ROCKS:\u003C\u002Fstrong> спрос на ИИ и профессиональные решения может сделать традиционное ожидание энтузиастов — что самый крупный практичный кристалл остаётся широко доступным в качестве игрового флагмана — труднее поддерживать.","ФАКТ \u002F СИГНАЛ \u002F ГИПОТЕЗА",{},{"id":738,"data":739,"type":572,"tunes":741},"v3-memory-compute",{"text":740,"level":47},"Память начинает становиться проблемой вычислений, а не только проблемой ёмкости",{},{"id":743,"data":744,"type":544,"tunes":746},"v3-memory-compute-p1",{"text":745},"Есть как минимум четыре способа атаковать узкое место памяти, не просто увеличивая сырую скорость DRAM: сжимать представление, восстанавливать детали вычислениями, предсказывать, какие данные понадобятся дальше, и держать нужные данные резидентно близко к исполнительному блоку. Ни один из них не делает физический чип памяти волшебным образом быстрее. Они меняют то, сколько полезной работы система получает от конечного бюджета ёмкости и пропускной способности.",{},{"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],"Техника","Что меняется","Что не меняется автоматически",[756,757,758],"Сжатие","Меньше физических байт представляют те же логические данные","Тактовая частота DRAM и ширина шины",[760,761,762],"Нейронная реконструкция","Часть деталей генерируется из компактного представления","Стоимость исчезает; инференс имеет собственную стоимость вычислений\u002Fзадержки",[764,765,766],"Предиктивная предвыборка","Данные прибывают до того, как запрашивающая рабочая нагрузка остановится","Общая физическая пропускная способность",[768,769,770],"Резидентность \u002F унифицированный доступ","Меньше ненужной миграции или дублирования","Ограничения конкуренции и задержки",{},{"id":773,"data":774,"type":552,"tunes":777},"v3-buddy-data",{"body":775,"title":776,"variant":551},"Buddy Compression от NVIDIA Research сообщил о среднем \u003Cstrong>коэффициенте сжатия 2,2× для HPC-нагрузок и 1,5× для нагрузок глубокого обучения\u003C\u002Fstrong>, с замедлением на 1–2% в том исследовании. Этот результат не является игровым бенчмарком. Его relevance здесь архитектурная: сжатая память может увеличить эффективную ёмкость и снизить часть трафика, не меняя физическую тактовую частоту DRAM.","Исследовательский ориентир: эффективная ёмкость — это не сырая скорость",{},{"id":779,"data":780,"type":552,"tunes":783},"v5-ntc-evidence",{"body":781,"title":782,"variant":714},"Работа NVIDIA Research по материальным текстурам NTC продемонстрировала \u003Cstrong>в 4 раза более высокое линейное разрешение текстур — в 16 раз больше текселей — при использовании на 30% меньше памяти\u003C\u002Fstrong>, чем в сравнении с BC High. Это не означает, что каждая игра получает 16-кратный выигрыш памяти. Это демонстрирует механизм, который здесь важен: некоторые визуальные детали можно представить более компактно и восстановить вычислениями вместо обычного хранения с той же точностью.","Специфичное для игр доказательство: нейронное сжатие текстур",{},{"id":785,"data":786,"type":552,"tunes":789},"v3-460-correction",{"body":787,"title":788,"variant":611},"Цифра 460×, иногда связываемая с системами NVIDIA, относится к сравнению ёмкости памяти, доступной GPU, между поколениями DGX, \u003Cstrong>а не к коэффициенту сжатия памяти 460×\u003C\u002Fstrong>. Эта статья намеренно не использует её как доказательство сжатия.","Что число «460×» не означает",{},{"id":791,"data":792,"type":572,"tunes":794},"h-0021",{"text":793,"level":47},"Как мог бы работать технический ответ",{},{"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},"Сжать","Держать текстуры или обученные представления меньше там, где позволяет качество.",{"label":803,"description":804},"Предсказать","Использовать детерминированное состояние игры и обученные модели для оценки того, какие данные понадобятся дальше.",{"label":806,"description":807},"Предвыбрать","Перемещать полезные данные до того, как GPU остановится в ожидании их.",{"label":809,"description":810},"Отрисовать","Тратить обычную графическую работу там, где она больше всего меняет видимый результат.",{"label":812,"description":813},"Вывести","Использовать нейронную реконструкцию или генерацию там, где инференс дешевле прямого хранения или симуляции всего.",{"label":815,"description":816},"Показать","Выдавать кадр, удерживая задержку, артефакты и плавность кадров в приемлемых пределах.","Один возможный будущий конвейер кадра",{},{"id":820,"data":821,"type":544,"tunes":823},"p-0023",{"text":822},"Этот конвейер не является одним анонсированным продуктом. Каждый компонент уже существует в какой-то форме, но интегрированная цепочка — это гипотеза. Нейронное сжатие текстур показало, что обученные представления могут обменивать вычисления на память. Исследования предвыборки на GPU показали, что обученное предсказание может улучшить частоту попаданий в страницы памяти. DirectX формализует ML внутри модели графического программирования. DLSS 5 показывает, как генеративная стадия входит в рендеринг в реальном времени.",{},{"id":825,"data":826,"type":572,"tunes":828},"v3-predictive-loop",{"text":827,"level":47},"У игры есть одно преимущество, которого часто нет у общих рабочих нагрузок: она уже знает часть своего будущего",{},{"id":830,"data":831,"type":544,"tunes":833},"v3-predictive-loop-p1",{"text":832},"Игровой движок знает преобразование камеры, скорость игрока, текущую ячейку мира, соседние потоковые ячейки, состояние анимации, активные сущности, переходы LOD, зависимости шейдеров и часто вероятные пути перемещения. Этот детерминированный контекст не раскрывает будущее идеально, но даёт предиктору более богатую отправную точку, чем один лишь общий трассировщик памяти.",{},{"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. Наблюдать детерминированное состояние","Направление камеры, вектор движения, текущая комната, видимые порталы и известные зависимости ассетов уже существуют в состоянии движка.",{"label":842,"description":843},"2. Оценить ближайший будущий рабочий набор","Обученный предиктор может ранжировать вероятные следующие комнаты, текстуры, геометрию, шейдеры или нейронные представления.",{"label":845,"description":846},"3. Предвыбрать в течение доступной пропускной способности","Перемещать вероятные ресурсы, пока у системы памяти есть запас, вместо ожидания жёсткого промаха по требованию.",{"label":848,"description":849},"4. Сохранять детерминированные гарантии","Критические ассеты по-прежнему используют заданные правила; предсказание дополняет, а не заменяет корректность.",{"label":851,"description":852},"5. Измерять стоимость промаха","Если предсказание тратит пропускную способность впустую или вытесняет полезные данные, уверенность или глубина предвыборки должны снижаться.","Пример предиктивной игровой памяти",{},{"id":856,"data":857,"type":552,"tunes":860},"v3-learned-evidence",{"body":858,"title":859,"variant":559},"Опубликованное исследование унифицированной виртуальной памяти CPU–GPU сообщило об \u003Cstrong>улучшении производительности на 10,89%\u003C\u002Fstrong>, росте частоты попаданий в страницы с \u003Cstrong>76,10% до 89,02%\u003C\u002Fstrong> и \u003Cstrong>снижении трафика межсоединения CPU–GPU на 11,05%\u003C\u002Fstrong> с использованием обученной предвыборки. Статья AAAI 2026 года об асинхронной предвыборке KV-кэша сообщила о \u003Cstrong>2,15-кратной эффективности ядра внимания и до 1,97-кратной сквозной пропускной способности\u003C\u002Fstrong> на своей нагрузке LLM. Ни один из результатов не следует копировать на игры; оба демонстрируют, что предсказание и предвыборка могут скрывать стоимость памяти в реальных нагрузках GPU.","У этой идеи есть исследовательский прецедент, но пока нет игрового доказательства",{},{"id":862,"data":863,"type":572,"tunes":865},"h-0024",{"text":864,"level":47},"Почему архитектура, подобная Spark, становится интересной",{},{"id":867,"data":868,"type":544,"tunes":870},"p-0025",{"text":869},"DGX Spark — это не игровой ПК, и относиться к нему как к таковому означало бы скрыть полезный урок. Его дизайн GB10 объединяет ядра Arm CPU, GPU Blackwell, аппаратные блоки Tensor и RT, а также до 128 ГБ когерентной унифицированной системной памяти. Эта архитектура задаёт иной вопрос, чем классический десктоп: вместо чёткого разделения системы на память CPU и дискретную VRAM — что происходит, когда несколько вычислительных движков совместно используют большой пул памяти?",{},{"id":872,"data":873,"type":604,"tunes":895},"t-0026",{"content":874,"stretched":603,"withHeadings":15},[875,879,883,887,891],[876,877,878],"Свойство","Эталон DGX Spark","Влияние на игры при адаптации принципа",[880,881,882],"Память","До 128 ГБ когерентной унифицированной LPDDR5X","Большой общий пул может сократить дублирование и дать локальному ИИ и графике доступ к общим данным",[884,885,886],"Пропускная способность памяти","273 ГБ\u002Fс","Ёмкости недостаточно; высокопроизводительной графике по-прежнему нужно агрессивное управление пропускной способностью и задержками",[888,889,890],"Состав вычислений","CPU + GPU Blackwell + Tensor + RT","Будущая игровая нагрузка может быть распределена между более специализированными движками",[892,893,894],"Форм-фактор\u002Fэнергопотребление","Компактная система GB10","Интеграция может повысить эффективность, но может снизить модульную модернизируемость",{},{"id":897,"data":898,"type":552,"tunes":901},"c-0027",{"body":899,"title":900,"variant":611},"Большой унифицированный пул \u003Cstrong>не\u003C\u002Fstrong> заменяет автоматически пропускную способность высокопроизводительного дискретного GPU. DGX Spark указывает 273 ГБ\u002Fс пропускной способности памяти, тогда как NVIDIA RTX PRO 6000 Blackwell Workstation Edition указывает 1 792 ГБ\u002Fс. Это очень разные продукты, и сравнение не является игровым бенчмарком; оно просто делает архитектурное ограничение видимым. Игровой дизайн, подобный Spark, должен был бы решить проблемы конкуренции, задержек и пропускной способности — а не просто предоставить больше общих гигабайт.","Ёмкость — это не пропускная способность",{},{"id":903,"data":904,"type":572,"tunes":906},"h-0028",{"text":905,"level":47},"Что должно было бы быть верно, чтобы этот переход сработал?",{},{"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. Инференс должен экономить больше, чем стоит","Нейронная работа должна устранять достаточно затрат на хранение, пропускную способность или обычный рендеринг, чтобы оправдать собственные вычисления и задержки.",{"label":915,"description":916},"2. Движок должен предоставлять полезное состояние","Предсказание работает лучше, когда система знает направление камеры, зависимости ассетов, движение и вероятную видимость.",{"label":918,"description":919},"3. Перемещение памяти должно стать осознанным","Сжатие без хорошей политики резидентности и предвыборки всё равно может приводить к простоям.",{"label":921,"description":922},"4. Качество должно оставаться стабильным","Сгенерированные детали не должны вносить неприемлемые артефакты, временную нестабильность или неверную игровую информацию.",{"label":924,"description":925},"5. Задержка должна оставаться ограниченной","Более красивый кадр не обязательно означает более отзывчивую игру.",{"label":927,"description":928},"6. Стек должен выдерживать различия между вендорами","Полезные техники нуждаются в API, драйверах и путях движка, которые не фрагментируются в разовые демо.","Тест жизнеспособности нейронного гейминга",{},{"id":932,"data":933,"type":572,"tunes":935},"v3-reader-spark-expect",{"text":934,"level":47},"Чего покупатель должен ожидать от перехода, подобного 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","Большой когерентный пул",{"cost":944,"gain":945},"Совместные клиенты могут конкурировать за одну и ту же пропускную способность","Более гибкое совместное использование между CPU, графикой и локальным ИИ",{"id":947,"label":948,"values":949},"movement","Меньше дублирования",{"cost":950,"gain":951},"Когерентность и планирование добавляют сложности","Меньше копий между отдельными пулами системной RAM и VRAM",{"id":953,"label":954,"values":955},"ai","Больше запаса для локального ИИ",{"cost":956,"gain":957},"ИИ может конкурировать с графикой за вычисления и память","Более крупные модели, агенты или нейронные ассеты могут сосуществовать локально",{"id":959,"label":960,"values":961},"efficiency","Оптимизация на уровне системы",{"cost":962,"gain":963},"Более тесная интеграция может снизить модернизируемость и увеличить привязку","Платформа может оптимизировать размещение данных и ускорители вместе",{"id":965,"label":966,"values":967},"longevity","Гибкость для новых нагрузок",{"cost":968,"gain":969},"Только если движки и среды выполнения действительно используют эти возможности","Машина может лучше стареть, если будущие игры сместятся к нейронным нагрузкам","Потенциальная выгода против реальной стоимости",[972,975],{"id":973,"label":974},"gain","Потенциальный выигрыш",{"id":976,"label":977},"cost","Стоимость \u002F риск",{},{"id":980,"data":981,"type":572,"tunes":983},"h-0030",{"text":982,"level":47},"Что опровергло бы эту гипотезу?",{},{"id":985,"data":986,"type":544,"tunes":988},"p-0031",{"text":987},"Этот тезис намеренно опровержим. Таблица ниже определяет рыночные, программные, аппаратные сигналы и сигналы принятия игр, которые со временем сделают аргумент сильнее или слабее.",{},{"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},"Экономика памяти",{"weakens":996,"strengthens":997},"Потребительская ёмкость растёт, а ценовое давление нормализуется","Приоритет серверов\u002FHBM продолжает сжимать потребительские поставки",{"id":999,"label":1000,"values":1001},"graphics","Графический стек",{"weakens":1002,"strengthens":1003},"Нейронная графика остаётся опциональной постобработкой, специфичной для вендора","ML-примитивы становятся обычными функциями движков\u002FDirectX",{"id":1005,"label":1006,"values":1007},"hardware","Аппаратный дизайн",{"weakens":1008,"strengthens":1009},"Дискретный GPU + отдельная RAM остаются явно превосходящими по стоимости, гибкости и задержке","Больше интегрированных гетерогенных вычислений и более крупные когерентные пулы памяти",{"id":1011,"label":1012,"values":1013},"games","Принятие в играх",{"weakens":1014,"strengthens":1015},"Технология остаётся ограниченной демо или несколькими флагманскими играми","Студии широко выпускают нейронное сжатие, генерацию и предсказательные пути данных","Доказательства, усиливающие или ослабляющие тезис",[1018,1021],{"id":1019,"label":1020},"strengthens","Усилило бы его",{"id":1022,"label":1023},"weakens","Ослабило бы его",{},{"id":1026,"data":1027,"type":572,"tunes":1029},"h-0033",{"text":1028,"level":47},"Практический вывод для геймера сегодня",{},{"id":1031,"data":1032,"type":544,"tunes":1034},"p-0034",{"text":1033},"Не покупайте оборудование из-за того, что может появиться спекулятивная архитектура. Покупайте под игры, разрешение, целевые задержки и нагрузки, которые у вас действительно есть. Но не предполагайте, что будущая устойчивость всё ещё сводится к одному числу, такому как растровая производительность или объём VRAM. Направление развития программного стека предполагает, что поведение памяти, нейронные вычисления и поддержка движков могут стать всё более важными частями уравнения ценности.",{},{"id":1036,"data":1037,"type":669,"tunes":1042},"ref-0035",{"url":1038,"title":1039,"excerpt":1040,"ctaLabel":1041},"https:\u002F\u002Ffigure.rocks\u002Fru\u002Fblog\u002Fvram-usage-is-not-vram-requirement-why-a-full-memory-meter-does-not-tell-the-whole-story","Использование VRAM — это не требование к VRAM: почему заполненный индикатор памяти не рассказывает всей истории","Практическое объяснение рабочих наборов, резидентности и того, почему выделенное число VRAM — не то же самое, что жёсткое требование.","Читать руководство по VRAM",{},{"id":1044,"data":1045,"type":572,"tunes":1047},"h-0036",{"text":1046,"level":47},"Первоисточники",{},{"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 — Ключевые цифры мирового игрового рынка 2026","Прогноз игрового рынка на 2026 год, использованный для сравнения масштабов.","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},"Ассоциация полупроводниковой промышленности — Глобальные продажи 2025","Продажи полупроводников в 2025 году и прогноз ассоциации примерно в 1 триллион долларов на 2026 год.",{},{"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 — Спрос на ИИ-серверы поддерживает рост цен на память в 4Q26","Доказательства конца 2026 года о продолжающемся приоритетном распределении мощностей для серверов и давлении на потребителей.",{},{"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","Источник исследования средних коэффициентов сжатия 2,2× для HPC и 1,5× для 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},"Предвыборка UVM CPU–GPU на основе глубокого обучения","Источник исследования результатов обученной предвыборки страниц.",{},{"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 — Асинхронная предвыборка KV-кэша","Исследовательский источник, демонстрирующий сокрытие задержки за счёт проактивной предвыборки в кэш 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 — Спрос на ИИ-серверы и цены на память во 2 квартале 2026 года","Актуальные свидетельства приоритизации серверной\u002FHBM-памяти, ограничений GDDR и давления на потребительский сегмент.",{},{"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 — Развитие DirectX для эпохи машинного обучения","Официальный обзор GDC 2026 по машинному обучению на уровне шейдеров и моделей в 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: генеративный нейронный рендеринг","Первичная исследовательская страница, описывающая DLSS 5 как этап генеративного рендеринга в реальном времени.",{},{"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 — Характеристики DGX Spark","Официальные спецификации архитектуры, унифицированной памяти и пропускной способности.",{},{"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","Официальная актуальная страница продукта RTX 5090, используемая для разграничения подтверждённого статуса продукта и слухов о прекращении производства.",{},{"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 — Исчезновение RTX 5090 из розницы и слухи о прекращении производства","Актуальный рыночный отчёт, используемый только как отраслевой сигнал; в нём прямо отмечается, что NVIDIA не подтвердила прекращение производства.",{},{"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 — Нейронное сжатие текстур материалов с произвольным доступом","Первичный источник для сравнения 4× линейного разрешения \u002F 16× текселей при на 30% меньшем объёме памяти по сравнению с 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","Официальный источник по 96 ГБ GDDR7 и пропускной способности памяти 1 792 ГБ\u002Fс, используемый как ориентир по пропускной способности.",{},{"id":1176,"data":1177,"type":1196,"tunes":1197},"gloss-0044",{"title":1178,"entries":1179},"Ключевые понятия",[1180,1184,1188,1192],{"term":1181,"anchor":1182,"definition":1183},"Нейронный рендеринг","neural-rendering","Методы рендеринга, использующие обученные модели как часть процесса создания, реконструкции или улучшения визуального вывода.",{"term":1185,"anchor":1186,"definition":1187},"Гетерогенные вычисления","heterogeneous-compute","Система, распределяющая различные рабочие нагрузки между разными вычислительными движками, такими как CPU, GPU, RT и матричное\u002FTensor-оборудование.",{"term":1189,"anchor":1190,"definition":1191},"Эффективная память","effective-memory","Практическое описание того, сколько полезных данных система памяти может хранить и подавать на вычисления с учётом сжатия, резидентности и эффективности перемещения. Это не формальная замена физическому объёму.",{"term":1193,"anchor":1194,"definition":1195},"Предиктивная память","predictive-memory","Сокращение Figure Rocks для сочетания известного состояния игры и обученного предсказания для подготовки вероятно необходимых данных до возникновения простоя. Это гипотеза, а не отраслевой стандарт.","glossary",{},{"id":541,"data":1199,"type":544,"tunes":1201},{"text":1200},"На протяжении десятилетий энтузиастский PC-гейминг следовал знакомой схеме: игры требовали больше вычислений, поколения GPU давали больше вычислений, а игроки обновлялись, когда разрыв становился достаточно большим. Этот цикл никогда не работал идеально, но направление было понятным. В 2026 году этот цикл становится труднее читать, потому что одновременно происходят два изменения: ИИ-инфраструктура агрессивно конкурирует за кремний и память, а ИИ-технологии напрямую проникают в то, как игры создают кадры.",{},{"id":547,"data":1203,"type":552,"tunes":1205},{"body":1204,"title":550,"variant":551},"\u003Cstrong>Старый цикл игровых апгрейдов испытывает давление, но его не просто заменяют более дорогие GPU.\u003C\u002Fstrong> ИИ меняет обе стороны уравнения: он усиливает конкуренцию за полупроводниковые и памятные ресурсы, а также открывает методы нейронного рендеринга, которые могут обменивать хранимые данные или обычную работу рендеринга на инференс. Важная возможность состоит в том, что гейминг может ответить на ужесточение экономики оборудования большей вычислительной избирательностью, а не просто требованием более крупных GPU.",{},{"id":555,"data":1207,"type":552,"tunes":1209},{"body":1208,"title":558,"variant":559},"Это \u003Cstrong>гипотеза, подкреплённая доказательствами\u003C\u002Fstrong>. Документированные рыночные данные и поставляемые или анонсированные технологии помечены как факты или отраслевые сигналы. Связи между ними — это техническое умозаключение. Описанная далее будущая архитектура — это гипотеза Figure Rocks, а не утверждение о неанонсированной дорожной карте NVIDIA, AMD, Intel, Microsoft или консолей.",{},{"id":562,"data":1211,"type":566,"tunes":1212},{"title":564,"maxLevel":565,"minLevel":47},{},{"id":569,"data":1214,"type":572,"tunes":1216},{"text":1215,"level":47},"Несоответствие масштабов уже заметно",{},{"id":575,"data":1218,"type":544,"tunes":1220},{"text":1219},"Newzoo прогнозирует мировой игровой рынок в 213,9 млрд долларов в 2026 году, что на 6,1% больше в годовом исчислении. Ассоциация полупроводниковой промышленности сообщила о мировых продажах полупроводников в 791,7 млрд долларов за 2025 год, что на 25,6% больше, и прогнозирует примерно 1 трлн долларов на 2026 год. Игровой бизнес и полупроводниковый бизнес по-прежнему зависят друг от друга, но их стимулы становятся менее симметричными: та же передовая производственная экосистема, которая обеспечивает премиальный гейминг, теперь обслуживает покупателей ИИ и дата-центров с гораздо большими бюджетами на инфраструктуру. Это не напрямую сопоставимые категории продуктов; они устанавливают масштаб вышестоящей вычислительной экономики вокруг гейминга.",{},{"id":580,"data":1222,"type":604,"tunes":1232},{"content":1223,"stretched":603,"withHeadings":15},[1224,1227,1229,1230,1231],[1225,1226,586],"Ориентир","Сообщённое или прогнозное значение",[1228,589,590],"Мировой игровой рынок, прогноз на 2026 год",[592,593,594],[596,597,598],[600,601,602],{},{"id":607,"data":1234,"type":552,"tunes":1236},{"body":1235,"title":610,"variant":611},"Эти цифры устанавливают \u003Cstrong>экономический контекст, а не прямую причинно-следственную связь\u003C\u002Fstrong>. Они не доказывают, что конкретная пластина, GPU или модуль памяти были отобраны у геймера и переназначены для ИИ. Они также не означают, что гейминг и полупроводники — две крупнейшие отрасли в мире. Более узкий и обоснованный тезис состоит в том, что игровой рынок стоимостью более 200 млрд долларов зависит от вышестоящей полупроводниковой экономики, приближающейся к триллионному годовому масштабу, где ИИ-инфраструктура теперь конкурирует за передовые вычисления и память в совершенно иных условиях по бюджетам и марже.",{},{"id":614,"data":1238,"type":572,"tunes":1240},{"text":1239,"level":47},"Память — это место, где давление становится осязаемым",{},{"id":619,"data":1242,"type":544,"tunes":1244},{"text":1243},"TrendForce неоднократно сообщала, что поставщики DRAM переориентируют мощности на серверные продукты и HBM по мере роста спроса на ИИ. В марте 2026 года она прогнозировала рост контрактных цен на обычную DRAM на 58–63% квартал к кварталу во втором квартале и заявила, что ограниченное распределение GDDR сдерживает поставки графической памяти. К третьему кварталу TrendForce сообщила, что потребительские заказчики достигают предела доступности, даже несмотря на сохранение сильного спроса со стороны ИИ и серверов.",{},{"id":624,"data":1246,"type":644,"tunes":1263},{"steps":1247,"title":1262,"orientation":643},[1248,1251,1253,1256,1259],{"label":1249,"description":1250},"1. Расширение инфраструктуры ИИ","Облачные провайдеры и разработчики ИИ обеспечивают себя серверной памятью, HBM, корпоративными SSD и передовыми вычислительными мощностями.",{"label":631,"description":1252},"Мощности смещаются в сторону продуктов с более высоким спросом, маржой или долгосрочными контрактами.",{"label":1254,"description":1255},"3. Потребительские поставки сокращаются","Покупатели памяти для ПК, графики и потребительских устройств сталкиваются с ростом цен или ограниченной доступностью.",{"label":1257,"description":1258},"4. Производители игровых решений поглощают или перекладывают затраты","Проектирование плат, объём VRAM и цена системы становятся всё более сложным компромиссом.",{"label":1260,"description":1261},"5. Старый цикл обновлений ослабевает","Более быстрый GPU по-прежнему полезен, но экстенсивное масштабирование становится экономически сложнее повторять при тех же потребительских ценах.","Давление распределения ресурсов",{},{"id":647,"data":1265,"type":552,"tunes":1267},{"body":1266,"title":650,"variant":611},"30 сентября 2026 года TrendForce сообщила, что поставщики по-прежнему отдают приоритет мощностям по передовым техпроцессам для высокопроизводительных серверных продуктов, а контрактные цены на обычную DRAM, по прогнозам, вырастут ещё на 10–15% квартал к кварталу в четвёртом квартале. В её бюллетене по DRAM также говорится, что HBM продолжает вытеснять мощности для обычной DRAM. Таким образом, описанное здесь давление сохраняется и в конце 2026 года; оно не основано лишь на временном всплеске в начале года.",{},{"id":653,"data":1269,"type":572,"tunes":1270},{"text":655,"level":47},{},{"id":658,"data":1272,"type":544,"tunes":1274},{"text":1273},"Microsoft теперь описывает машинное обучение как становящееся основой для графики в реальном времени. DirectX добавляет ML-пути на уровне шейдеров и моделей, чтобы нейронное сжатие текстур, шумоподавление, суперразрешение и другие обученные задачи могли находиться внутри графического стека, а не прикручиваться как изолированные функции. Исследование NVIDIA DLSS 5 развивает эту идею дальше, вводя этап генеративного нейронного рендеринга, который дополняет обычный рендеринг обученными априорными представлениями о внешнем виде. Нейронный рендеринг не означает, что обычный рендеринг исчезает. Формирующаяся модель гибридна: часть информации рендерится напрямую, другая информация выводится или реконструируется, когда это дешевле или полезнее.",{},{"id":663,"data":1276,"type":669,"tunes":1278},{"url":665,"title":666,"excerpt":1277,"ctaLabel":668},"Почему важное изменение — это не очередной режим качества, а новый этап в том, как может создаваться визуальная информация.",{},{"id":672,"data":1280,"type":707,"tunes":1299},{"rows":1281,"title":699,"layout":604,"columns":1296},[1282,1286,1290,1293],{"id":676,"label":677,"values":1283},{"new":1284,"old":1285},"Хранить\u002Fрендерить выборочно, реконструировать или выводить часть деталей","Хранить больше деталей и выполнять больше работы по рендерингу",{"id":682,"label":683,"values":1287},{"new":1288,"old":1289},"Добавлять ёмкость там, где нужно, но также сжимать и сокращать перемещение данных","Добавлять ёмкость и пропускную способность",{"id":688,"label":689,"values":1291},{"new":1292,"old":692},"Смешивать шейдерные, RT- и матричные\u002Fтензорные вычисления",{"id":694,"label":695,"values":1294},{"new":1295,"old":698},"Движок всё больше планирует рендеринг, перемещение данных и ML-задачи",[1297,1298],{"id":702,"label":703},{"id":705,"label":706},{},{"id":710,"data":1301,"type":552,"tunes":1303},{"body":1302,"title":713,"variant":714},"\u003Cstrong>ИИ может ослаблять экономику экстенсивного игрового железа, одновременно предоставляя методы, которые делают экстенсивное масштабирование менее необходимым.\u003C\u002Fstrong> Это не означает, что будущим играм нужно меньше железа. Это означает, что большая часть результата может достигаться за счёт решения, что хранить, перемещать, рендерить, реконструировать или выводить. Формулировка Figure Rocks: \u003Cstrong>хранить меньше → перемещать меньше → предсказывать больше → рендерить меньше → выводить больше.\u003C\u002Fstrong> Это гипотеза о том, откуда всё чаще могут появляться приросты производительности, а не утверждение, что каждая будущая игра будет использовать один конвейер.",{},{"id":717,"data":1305,"type":719,"tunes":1306},{},{},{"id":722,"data":1308,"type":572,"tunes":1310},{"text":1309,"level":47},"Вопрос о 5090 полезен, только если сформулировать его правильно",{},{"id":727,"data":1312,"type":544,"tunes":1314},{"text":1313},"RTX 5090 — полезный пример именно потому, что свидетельства противоречивы. По состоянию на 18 октября 2026 года NVIDIA по-прежнему указывает GeForce RTX 5090 как текущий продукт. В то же время поведение розничных продавцов и сообщения прессы документируют необычно плохую доступность и неподтверждённые заявления о прекращении производства. Это рыночный сигнал, а не официальное объявление о завершении производства. Поэтому обоснованный вопрос не в том, тайно ли NVIDIA убила одну карту, а в том, растёт ли альтернативная стоимость выделения кремния высшего класса Blackwell для энтузиастского гейминга, когда аналогичная архитектура может обслуживать рынки профессиональной визуализации и ИИ с совершенно иной экономикой.",{},{"id":732,"data":1316,"type":552,"tunes":1318},{"body":1317,"title":735,"variant":559},"\u003Cstrong>ФАКТ:\u003C\u002Fstrong> NVIDIA по-прежнему публично указывает RTX 5090, а архитектура Blackwell охватывает игровые и профессиональные продукты.\u003Cbr>\u003Cstrong>ОТРАСЛЕВОЙ СИГНАЛ:\u003C\u002Fstrong> исчезновение из розницы, экстремальный дефицит и сообщения о возможном прекращении производства существуют, но NVIDIA не подтвердила EOL или остановку производства RTX 5090.\u003Cbr>\u003Cstrong>ТЕХНИЧЕСКИЙ ВЫВОД:\u003C\u002Fstrong> высококлассный кристалл имеет несколько экономически ценных направлений использования.\u003Cbr>\u003Cstrong>ГИПОТЕЗА FIGURE ROCKS:\u003C\u002Fstrong> спрос со стороны ИИ и профессионального сегмента может сделать традиционное ожидание энтузиастов — что самый крупный практичный кристалл остаётся широко доступным в качестве игрового флагмана — более трудным для поддержания.",{},{"id":738,"data":1320,"type":572,"tunes":1322},{"text":1321,"level":47},"Память начинает становиться вычислительной проблемой, а не только проблемой ёмкости",{},{"id":743,"data":1324,"type":544,"tunes":1326},{"text":1325},"Есть как минимум четыре способа атаковать узкое место памяти, не просто увеличивая сырую скорость DRAM: сжимать представление, реконструировать детали вычислениями, предсказывать, какие данные понадобятся следующими, и держать нужные данные резидентно близко к исполнительному блоку. Ни один из них не делает физический чип памяти волшебным образом быстрее. Они меняют то, сколько полезной работы система получает от конечного бюджета ёмкости и пропускной способности.",{},{"id":748,"data":1328,"type":604,"tunes":1338},{"content":1329,"stretched":603,"withHeadings":15},[1330,1331,1333,1335,1337],[752,753,754],[756,757,1332],"Тактовая частота DRAM и разрядность шины",[760,761,1334],"Затраты исчезают; вывод имеет собственную вычислительную стоимость и задержку",[764,1336,766],"Данные прибывают до того, как запрашивающая задача остановится",[768,769,770],{},{"id":773,"data":1340,"type":552,"tunes":1342},{"body":1341,"title":776,"variant":551},"Buddy Compression от NVIDIA Research сообщила о среднем \u003Cstrong>коэффициенте сжатия 2,2× для HPC-задач и 1,5× для задач глубокого обучения\u003C\u002Fstrong>, с замедлением на 1–2% в том исследовании. Этот результат не является игровым бенчмарком. Его значимость здесь архитектурная: сжатая память может увеличить эффективную ёмкость и сократить часть трафика, не меняя тактовую частоту физической DRAM.",{},{"id":779,"data":1344,"type":552,"tunes":1347},{"body":1345,"title":1346,"variant":714},"Работа NVIDIA Research по NTC для материальных текстур продемонстрировала \u003Cstrong>в 4 раза более высокое линейное разрешение текстур — в 16 раз больше текселей — при использовании на 30% меньше памяти\u003C\u002Fstrong>, чем в сравнении с BC High. Это не означает, что каждая игра получает 16-кратный выигрыш по памяти. Это демонстрирует механизм, который здесь важен: некоторые визуальные детали можно представить более компактно и реконструировать вычислениями вместо обычного хранения с той же точностью.","Свидетельство, специфичное для игр: нейронное сжатие текстур",{},{"id":785,"data":1349,"type":552,"tunes":1352},{"body":1350,"title":1351,"variant":611},"Цифра 460×, иногда связываемая с системами NVIDIA, относится к сравнению объёма памяти, доступной GPU, между поколениями DGX, \u003Cstrong>а не к коэффициенту сжатия памяти 460×\u003C\u002Fstrong>. В этой статье она намеренно не используется как доказательство сжатия.","Что число «460×» на самом деле не означает",{},{"id":791,"data":1354,"type":572,"tunes":1355},{"text":793,"level":47},{},{"id":796,"data":1357,"type":644,"tunes":1376},{"steps":1358,"title":1375,"orientation":643},[1359,1361,1363,1366,1369,1372],{"label":756,"description":1360},"Сохранять текстуры или обученные представления меньшего размера там, где позволяет качество.",{"label":1362,"description":804},"Предсказание",{"label":1364,"description":1365},"Предзагрузка","Перемещать полезные данные до того, как GPU начнёт простаивать в ожидании их.",{"label":1367,"description":1368},"Рендеринг","Тратить обычную графическую работу там, где она сильнее всего влияет на видимый результат.",{"label":1370,"description":1371},"Инференс","Использовать нейросетевую реконструкцию или генерацию там, где инференс дешевле прямого хранения или симуляции всего.",{"label":1373,"description":1374},"Вывод","Выдавать кадр, удерживая задержку, артефакты и равномерность кадров в приемлемых пределах.","Один из возможных будущих конвейеров кадра",{},{"id":820,"data":1378,"type":544,"tunes":1380},{"text":1379},"Этот конвейер не является одним анонсированным продуктом. Каждый компонент уже существует в той или иной форме, но интегрированная цепочка — это гипотеза. Нейросетевое сжатие текстур показало, что обученные представления могут обменивать вычисления на память. Исследования предзагрузки для GPU показали, что обученное предсказание может повысить долю попаданий в страницы памяти. DirectX формализует ML внутри модели графического программирования. DLSS 5 показывает, как генеративный этап входит в рендеринг в реальном времени.",{},{"id":825,"data":1382,"type":572,"tunes":1383},{"text":827,"level":47},{},{"id":830,"data":1385,"type":544,"tunes":1387},{"text":1386},"Игровой движок знает преобразование камеры, скорость игрока, текущую ячейку мира, соседние ячейки потоковой загрузки, состояние анимации, активные сущности, переходы LOD, зависимости шейдеров и часто вероятные пути перемещения. Этот детерминированный контекст не раскрывает будущее идеально, но даёт предиктору более богатую отправную точку, чем один лишь общий трассировщик памяти.",{},{"id":835,"data":1389,"type":644,"tunes":1406},{"steps":1390,"title":1405,"orientation":643},[1391,1394,1397,1400,1402],{"label":1392,"description":1393},"1. Наблюдение детерминированного состояния","Направление камеры, вектор движения, текущая комната, видимые порталы и известные зависимости ассетов уже присутствуют в состоянии движка.",{"label":1395,"description":1396},"2. Оценка ближайшего рабочего набора","Обученный предиктор может ранжировать вероятные следующие комнаты, текстуры, геометрию, шейдеры или нейросетевые представления.",{"label":1398,"description":1399},"3. Предзагрузка при доступной пропускной способности","Перемещать вероятные ресурсы, пока у подсистемы памяти есть запас, вместо ожидания жёсткого промаха по требованию.",{"label":1401,"description":849},"4. Сохранение детерминированных гарантий",{"label":1403,"description":1404},"5. Измерение стоимости промаха","Если предсказание тратит пропускную способность впустую или вытесняет полезные данные, уверенность или глубина предзагрузки должны снижаться.","Пример предсказательной игровой памяти",{},{"id":856,"data":1408,"type":552,"tunes":1410},{"body":1409,"title":859,"variant":559},"Опубликованное исследование унифицированной виртуальной памяти CPU–GPU сообщило о \u003Cstrong>10,89% улучшении производительности\u003C\u002Fstrong>, росте доли попаданий в страницы с \u003Cstrong>76,10% до 89,02%\u003C\u002Fstrong> и \u003Cstrong>снижении трафика межсоединения CPU–GPU на 11,05%\u003C\u002Fstrong> при использовании обученной предзагрузки. Статья AAAI 2026 об асинхронной предзагрузке KV-кэша сообщила о \u003Cstrong>2,15× эффективности ядра внимания и до 1,97× сквозной пропускной способности\u003C\u002Fstrong> на своей нагрузке LLM. Ни один из результатов не следует переносить на игры; оба демонстрируют, что предсказание и предзагрузка могут скрывать стоимость памяти в реальных нагрузках GPU.",{},{"id":862,"data":1412,"type":572,"tunes":1413},{"text":864,"level":47},{},{"id":867,"data":1415,"type":544,"tunes":1417},{"text":1416},"DGX Spark — не игровой ПК, и относиться к нему как к таковому означало бы упустить полезный урок. Его дизайн GB10 объединяет ядра Arm CPU, GPU Blackwell, аппаратные блоки Tensor и RT, а также до 128 ГБ когерентной унифицированной системной памяти. Эта архитектура ставит иной вопрос, чем классический десктоп: вместо чёткого разделения системы на память CPU и дискретную VRAM — что происходит, когда несколько вычислительных движков совместно используют большой пул памяти?",{},{"id":872,"data":1419,"type":604,"tunes":1433},{"content":1420,"stretched":603,"withHeadings":15},[1421,1424,1426,1428,1430],[876,1422,1423],"Справочные данные DGX Spark","Игровое значение при адаптации принципа",[880,881,1425],"Большой общий пул мог бы уменьшить дублирование и дать локальному ИИ и графике доступ к общим данным",[884,885,1427],"Объёма недостаточно; высокопроизводительной графике по-прежнему нужно агрессивное управление пропускной способностью и задержкой",[888,889,1429],"Будущая игровая нагрузка могла бы распределяться между более специализированными движками",[1431,893,1432],"Форм-фактор\u002Fпитание","Интеграция может повысить эффективность, но снизить модульную обновляемость",{},{"id":897,"data":1435,"type":552,"tunes":1438},{"body":1436,"title":1437,"variant":611},"Большой унифицированный пул \u003Cstrong>не\u003C\u002Fstrong> заменяет автоматически пропускную способность высокопроизводительного дискретного GPU. DGX Spark указывает 273 ГБ\u002Fс пропускной способности памяти, тогда как NVIDIA RTX PRO 6000 Blackwell Workstation Edition указывает 1 792 ГБ\u002Fс. Это очень разные продукты, и сравнение не является игровым бенчмарком; оно просто делает архитектурное ограничение видимым. Игровой дизайн, подобный Spark, должен был бы решать вопросы конкуренции за ресурсы, задержки и пропускной способности — а не просто предоставлять больше общих гигабайт.","Объём — это не пропускная способность",{},{"id":903,"data":1440,"type":572,"tunes":1441},{"text":905,"level":47},{},{"id":908,"data":1443,"type":644,"tunes":1456},{"steps":1444,"title":1455,"orientation":643},[1445,1447,1448,1450,1451,1453],{"label":912,"description":1446},"Нейросетевая работа должна устранять достаточно затрат на хранение, пропускную способность или обычный рендеринг, чтобы оправдать собственные вычисления и задержку.",{"label":915,"description":916},{"label":918,"description":1449},"Сжатие без хорошей политики резидентности и предзагрузки всё равно может приводить к простоям.",{"label":921,"description":922},{"label":924,"description":1452},"Более красивый кадр не означает автоматически более отзывчивую игру.",{"label":927,"description":1454},"Полезные техники нуждаются в API, драйверах и путях движка, которые не распадаются на разовые демо.","Тест жизнеспособности нейросетевых игр",{},{"id":932,"data":1458,"type":572,"tunes":1460},{"text":1459,"level":47},"Чего покупателю ожидать от перехода, подобного Spark?",{},{"id":937,"data":1462,"type":707,"tunes":1482},{"rows":1463,"title":970,"layout":604,"columns":1479},[1464,1466,1469,1472,1476],{"id":941,"label":942,"values":1465},{"cost":944,"gain":945},{"id":947,"label":948,"values":1467},{"cost":950,"gain":1468},"Меньше копий между раздельными пулами системной RAM и VRAM",{"id":953,"label":954,"values":1470},{"cost":956,"gain":1471},"Более крупные модели, агенты или нейросетевые ассеты могут сосуществовать локально",{"id":959,"label":960,"values":1473},{"cost":1474,"gain":1475},"Более тесная интеграция может снизить обновляемость и увеличить привязку","Платформа может оптимизировать размещение данных и ускорители совместно",{"id":965,"label":966,"values":1477},{"cost":968,"gain":1478},"Машина может лучше стареть, если будущие игры сместятся к нейросетевым нагрузкам",[1480,1481],{"id":973,"label":974},{"id":976,"label":977},{},{"id":980,"data":1484,"type":572,"tunes":1485},{"text":982,"level":47},{},{"id":985,"data":1487,"type":544,"tunes":1489},{"text":1488},"Этот тезис намеренно опровержим. Таблица ниже определяет рыночные, программные, аппаратные сигналы и сигналы принятия играми, которые со временем сделали бы аргумент сильнее или слабее.",{},{"id":990,"data":1491,"type":707,"tunes":1511},{"rows":1492,"title":1016,"layout":604,"columns":1508},[1493,1497,1500,1503],{"id":682,"label":994,"values":1494},{"weakens":1495,"strengthens":1496},"Потребительские мощности растут, а ценовое давление нормализуется","Приоритет серверов\u002FHBM продолжает урезать потребительские поставки",{"id":999,"label":1000,"values":1498},{"weakens":1499,"strengthens":1003},"Нейрографика остается опциональной постобработкой, специфичной для вендора",{"id":1005,"label":1006,"values":1501},{"weakens":1502,"strengthens":1009},"Дискретная GPU + отдельная RAM остаются явно лучше по стоимости, гибкости и задержке",{"id":1011,"label":1504,"values":1505},"Внедрение в играх",{"weakens":1506,"strengthens":1507},"Технология остается ограниченной демо или несколькими флагманскими играми","Студии широко внедряют нейросжатие, генерацию и предиктивные пути данных",[1509,1510],{"id":1019,"label":1020},{"id":1022,"label":1023},{},{"id":1026,"data":1513,"type":572,"tunes":1514},{"text":1028,"level":47},{},{"id":1031,"data":1516,"type":544,"tunes":1518},{"text":1517},"Не покупайте оборудование из-за того, что может появиться спекулятивная архитектура. Покупайте под игры, разрешение, целевую задержку и рабочие нагрузки, которые у вас действительно есть. Но не предполагайте, что задел на будущее по-прежнему можно свести к одному числу, например к растровой производительности или объему VRAM. Направление развития программного стека говорит о том, что поведение памяти, нейровычисления и поддержка движков могут становиться все более важными частями уравнения ценности.",{},{"id":1036,"data":1520,"type":669,"tunes":1523},{"url":1038,"title":1521,"excerpt":1522,"ctaLabel":1041},"Использование VRAM — не то же самое, что требование к VRAM: почему заполненный индикатор памяти не рассказывает всей истории","Практическое объяснение рабочих наборов, резидентности и того, почему выделенный объем VRAM — не то же самое, что жесткое требование.",{},{"id":1044,"data":1525,"type":572,"tunes":1526},{"text":1046,"level":47},{},{"id":1049,"data":1528,"type":1056,"tunes":1531},{"link":1051,"meta":1529},{"image":1530,"title":1054,"description":1055},{"url":13},{},{"id":1059,"data":1533,"type":1056,"tunes":1537},{"link":1061,"meta":1534},{"image":1535,"title":1064,"description":1536},{"url":13},"Продажи полупроводников в 2025 году и прогноз ассоциации примерно в 1 трлн долларов на 2026 год.",{},{"id":1068,"data":1539,"type":1056,"tunes":1543},{"link":1070,"meta":1540},{"image":1541,"title":1073,"description":1542},{"url":13},"Данные конца 2026 года о продолжающемся приоритетном распределении мощностей для серверов и давлении на потребительский сегмент.",{},{"id":1077,"data":1545,"type":1056,"tunes":1548},{"link":1079,"meta":1546},{"image":1547,"title":1082,"description":1083},{"url":13},{},{"id":1086,"data":1550,"type":1056,"tunes":1555},{"link":1088,"meta":1551},{"image":1552,"title":1553,"description":1554},{"url":13},"Основанная на глубоком обучении предвыборка UVM CPU–GPU","Источник исследования результатов обучения предвыборке страниц.",{},{"id":1095,"data":1557,"type":1056,"tunes":1561},{"link":1097,"meta":1558},{"image":1559,"title":1100,"description":1560},{"url":13},"Источник исследования, демонстрирующий скрытие задержки за счет проактивной предвыборки в GPU-кэш.",{},{"id":1104,"data":1563,"type":1056,"tunes":1568},{"link":1106,"meta":1564},{"image":1565,"title":1566,"description":1567},{"url":13},"TrendForce — Спрос на ИИ-серверы и цены на память во 2Q26","Текущие данные о приоритизации серверов\u002FHBM, ограничениях GDDR и давлении на потребительский сегмент.",{},{"id":1113,"data":1570,"type":1056,"tunes":1575},{"link":1115,"meta":1571},{"image":1572,"title":1573,"description":1574},{"url":13},"Microsoft DirectX — Развитие DirectX для эпохи ML","Официальный обзор GDC 2026 ML на уровне шейдеров и моделей в DirectX.",{},{"id":1122,"data":1577,"type":1056,"tunes":1582},{"link":1124,"meta":1578},{"image":1579,"title":1580,"description":1581},{"url":13},"NVIDIA Research — DLSS 5: генеративный нейрорендеринг","Основная страница исследования, описывающая DLSS 5 как этап генеративного рендеринга в реальном времени.",{},{"id":1131,"data":1584,"type":1056,"tunes":1587},{"link":1133,"meta":1585},{"image":1586,"title":1136,"description":1137},{"url":13},{},{"id":1140,"data":1589,"type":1056,"tunes":1593},{"link":1142,"meta":1590},{"image":1591,"title":1145,"description":1592},{"url":13},"Официальная текущая страница продукта RTX 5090, использованная для различения подтвержденного статуса продукта от слухов о прекращении производства.",{},{"id":1149,"data":1595,"type":1056,"tunes":1599},{"link":1151,"meta":1596},{"image":1597,"title":1154,"description":1598},{"url":13},"Текущий рыночный отчет, использованный только как отраслевой сигнал; в нем прямо отмечается, что NVIDIA не подтвердила прекращение производства.",{},{"id":1158,"data":1601,"type":1056,"tunes":1606},{"link":1160,"meta":1602},{"image":1603,"title":1604,"description":1605},{"url":13},"NVIDIA Research — Нейросжатие текстур материалов со случайным доступом","Первоисточник для сравнения 4× линейного разрешения \u002F 16× текселей при на 30% меньшем объеме памяти по сравнению с BC High.",{},{"id":1167,"data":1608,"type":1056,"tunes":1612},{"link":1169,"meta":1609},{"image":1610,"title":1172,"description":1611},{"url":13},"Официальный источник данных о 96 ГБ GDDR7 и пропускной способности памяти 1 792 ГБ\u002Fс, используемых в качестве ориентира по пропускной способности.",{},{"id":1176,"data":1614,"type":1196,"tunes":1623},{"title":1178,"entries":1615},[1616,1618,1619,1621],{"term":1181,"anchor":1182,"definition":1617},"Методы рендеринга, использующие обученные модели для создания, реконструкции или улучшения визуального вывода.",{"term":1185,"anchor":1186,"definition":1187},{"term":1189,"anchor":1190,"definition":1620},"Практическое описание того, сколько полезных данных система памяти может хранить и передавать на вычисления с учётом сжатия, резидентности и эффективности перемещения. Это не формальная замена физической ёмкости.",{"term":1193,"anchor":1194,"definition":1622},"Сокращение Figure Rocks для сочетания известного состояния игры и обученного предсказания, чтобы подготовить вероятно необходимые данные до возникновения задержки. Это гипотеза, а не отраслевой стандарт.",{},"2.31","ИИ делает высокопроизводительные кремниевые чипы и память более ценными за пределами игровой индустрии, одновременно предоставляя играм новые способы рендеринга, сжатия и прогнозирования. В этом анализе рассматривается вопрос о том, сливаются ли эти две тенденции в новую аппаратную модель.","\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":1633,"de":1634,"sr":1635,"es":1636,"fr":1637,"it":1638,"ru":1639,"zh":1640},"\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",[1642,1645,1649,1653,1657],{"id":1643,"name":289,"slug":1644},144,"tech",{"id":1646,"name":1647,"slug":1648},166,"Новости гейминга","gaming-news",{"id":1650,"name":1651,"slug":1652},165,"Новости","news",{"id":1654,"name":1655,"slug":1656},170,"Новости технологий","tech-news",{"id":1658,"name":1659,"slug":705},427,"Новинки",{"id":283,"login":1661,"email":13,"displayName":1662},"aleksandar","Aleksandar Stajic",[1664,2516],{"lang":8,"title":1665,"content":1666,"contentJson":1667,"excerpt":2515},"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":1668,"blocks":1669,"version":2514},1792336677504,[1670,1674,1679,1684,1688,1692,1696,1720,1725,1729,1733,1753,1758,1762,1766,1773,1803,1808,1811,1815,1819,1824,1828,1832,1856,1861,1866,1871,1875,1898,1902,1906,1910,1930,1935,1939,1943,1967,1972,1976,1999,2003,2038,2042,2046,2076,2080,2084,2091,2095,2102,2109,2116,2122,2129,2136,2143,2150,2157,2164,2170,2177,2184,2190,2207,2210,2213,2216,2219,2222,2225,2234,2237,2240,2243,2252,2255,2258,2261,2264,2279,2282,2285,2288,2291,2294,2297,2300,2309,2312,2315,2318,2321,2331,2334,2337,2340,2349,2352,2355,2358,2367,2370,2373,2383,2386,2403,2406,2409,2424,2427,2430,2433,2436,2441,2446,2451,2456,2461,2466,2471,2476,2481,2486,2491,2496,2501,2506],{"id":541,"data":1671,"type":544,"tunes":1673},{"text":1672},"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":1675,"type":552,"tunes":1678},{"body":1676,"title":1677,"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":1680,"type":552,"tunes":1683},{"body":1681,"title":1682,"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":1685,"type":566,"tunes":1687},{"title":1686,"maxLevel":565,"minLevel":47},"Contents",{},{"id":569,"data":1689,"type":572,"tunes":1691},{"text":1690,"level":47},"The scale mismatch is already visible",{},{"id":575,"data":1693,"type":544,"tunes":1695},{"text":1694},"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":1697,"type":604,"tunes":1719},{"content":1698,"stretched":603,"withHeadings":15},[1699,1703,1707,1711,1715],[1700,1701,1702],"Reference point","Reported or forecast value","Why it matters here",[1704,1705,1706],"Global games market, 2026 forecast","$213.9B, +6.1% YoY","Large consumer entertainment market, but downstream of advanced hardware supply",[1708,1709,1710],"PC games, 2026 forecast","$45.9B, +5.3% YoY","The gaming segment most directly exposed to PC component economics",[1712,1713,1714],"Global semiconductor sales, 2025","$791.7B, +25.6% YoY","Shows the scale of the upstream industry serving gaming, AI, mobile, automotive and cloud",[1716,1717,1718],"Global semiconductor industry, 2026 projection","~$1T","Raises the opportunity cost of dedicating premium silicon only to consumer gaming",{},{"id":607,"data":1721,"type":552,"tunes":1724},{"body":1722,"title":1723,"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":1726,"type":572,"tunes":1728},{"text":1727,"level":47},"Memory is where the pressure becomes concrete",{},{"id":619,"data":1730,"type":544,"tunes":1732},{"text":1731},"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":1734,"type":644,"tunes":1752},{"steps":1735,"title":1751,"orientation":643},[1736,1739,1742,1745,1748],{"label":1737,"description":1738},"1. AI infrastructure expands","Cloud providers and AI builders secure server memory, HBM, enterprise SSDs and advanced compute.",{"label":1740,"description":1741},"2. Suppliers optimize product mix","Capacity moves toward products with stronger demand, margins or long-term contracts.",{"label":1743,"description":1744},"3. Consumer allocation tightens","PC, graphics and consumer memory buyers face higher prices or constrained availability.",{"label":1746,"description":1747},"4. Gaming vendors absorb or pass through cost","Board design, VRAM capacity and system price become harder trade-offs.",{"label":1749,"description":1750},"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":1754,"type":552,"tunes":1757},{"body":1755,"title":1756,"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":1759,"type":572,"tunes":1761},{"text":1760,"level":47},"At exactly the same time, the frame itself is changing",{},{"id":658,"data":1763,"type":544,"tunes":1765},{"text":1764},"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":1767,"type":669,"tunes":1772},{"url":1768,"title":1769,"excerpt":1770,"ctaLabel":1771},"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":1774,"type":707,"tunes":1802},{"rows":1775,"title":1796,"layout":604,"columns":1797},[1776,1781,1786,1791],{"id":676,"label":1777,"values":1778},"More visual fidelity",{"new":1779,"old":1780},"Store\u002Frender selectively, reconstruct or infer some detail","Store more detail and render more work",{"id":682,"label":1782,"values":1783},"Memory response",{"new":1784,"old":1785},"Add capacity where needed, but also compress and reduce movement","Add capacity and bandwidth",{"id":688,"label":1787,"values":1788},"Performance response",{"new":1789,"old":1790},"Mix shader, RT and matrix\u002FTensor-style compute","More shader\u002FRT throughput",{"id":694,"label":1792,"values":1793},"Software role",{"new":1794,"old":1795},"Engine increasingly schedules rendering, data movement and ML workloads","Engine schedules mostly conventional graphics work","Traditional scaling vs neural-era scaling",[1798,1800],{"id":702,"label":1799},"Traditional path",{"id":705,"label":1801},"Neural-era path",{},{"id":710,"data":1804,"type":552,"tunes":1807},{"body":1805,"title":1806,"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":1809,"type":719,"tunes":1810},{},{},{"id":722,"data":1812,"type":572,"tunes":1814},{"text":1813,"level":47},"The 5090 question is useful only if we phrase it correctly",{},{"id":727,"data":1816,"type":544,"tunes":1818},{"text":1817},"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":1820,"type":552,"tunes":1823},{"body":1821,"title":1822,"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":1825,"type":572,"tunes":1827},{"text":1826,"level":47},"Memory is starting to become a compute problem, not only a capacity problem",{},{"id":743,"data":1829,"type":544,"tunes":1831},{"text":1830},"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":1833,"type":604,"tunes":1855},{"content":1834,"stretched":603,"withHeadings":15},[1835,1839,1843,1847,1851],[1836,1837,1838],"Technique","What changes","What does not change automatically",[1840,1841,1842],"Compression","Fewer physical bytes represent the same logical data","The DRAM clock and bus width",[1844,1845,1846],"Neural reconstruction","Some detail is generated from a compact representation","The cost disappears; inference has its own compute\u002Flatency cost",[1848,1849,1850],"Predictive prefetch","Data arrives before the requesting workload stalls","Total physical bandwidth",[1852,1853,1854],"Residency \u002F unified access","Less unnecessary migration or duplication","Contention and latency constraints",{},{"id":773,"data":1857,"type":552,"tunes":1860},{"body":1858,"title":1859,"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":1862,"type":552,"tunes":1865},{"body":1863,"title":1864,"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":1867,"type":552,"tunes":1870},{"body":1868,"title":1869,"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":1872,"type":572,"tunes":1874},{"text":1873,"level":47},"How the technical response could work",{},{"id":796,"data":1876,"type":644,"tunes":1897},{"steps":1877,"title":1896,"orientation":643},[1878,1881,1884,1887,1890,1893],{"label":1879,"description":1880},"Compress","Keep textures or learned representations smaller where quality permits.",{"label":1882,"description":1883},"Predict","Use deterministic game state and learned models to estimate what data will be needed next.",{"label":1885,"description":1886},"Prefetch","Move useful data before the GPU stalls waiting for it.",{"label":1888,"description":1889},"Render","Spend conventional graphics work where it changes the visible result most.",{"label":1891,"description":1892},"Infer","Use neural reconstruction or generation where inference is cheaper than storing or simulating everything directly.",{"label":1894,"description":1895},"Present","Deliver the frame while keeping latency, artifacts and frame pacing inside acceptable limits.","One possible future frame pipeline",{},{"id":820,"data":1899,"type":544,"tunes":1901},{"text":1900},"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":1903,"type":572,"tunes":1905},{"text":1904,"level":47},"A game has one advantage general workloads often do not: it already knows part of its future",{},{"id":830,"data":1907,"type":544,"tunes":1909},{"text":1908},"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":1911,"type":644,"tunes":1929},{"steps":1912,"title":1928,"orientation":643},[1913,1916,1919,1922,1925],{"label":1914,"description":1915},"1. Observe deterministic state","Camera direction, movement vector, current room, visible portals and known asset dependencies already exist in engine state.",{"label":1917,"description":1918},"2. Estimate the near-future working set","A learned predictor can rank likely next rooms, textures, geometry, shaders or neural representations.",{"label":1920,"description":1921},"3. Prefetch during available bandwidth","Move likely resources while the memory system has headroom instead of waiting for a hard demand miss.",{"label":1923,"description":1924},"4. Keep deterministic guarantees","Critical assets still use authored rules; prediction supplements rather than replaces correctness.",{"label":1926,"description":1927},"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":1931,"type":552,"tunes":1934},{"body":1932,"title":1933,"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":1936,"type":572,"tunes":1938},{"text":1937,"level":47},"Why a Spark-like architecture becomes interesting",{},{"id":867,"data":1940,"type":544,"tunes":1942},{"text":1941},"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":1944,"type":604,"tunes":1966},{"content":1945,"stretched":603,"withHeadings":15},[1946,1950,1954,1958,1962],[1947,1948,1949],"Property","DGX Spark reference","Gaming implication if the principle were adapted",[1951,1952,1953],"Memory","Up to 128 GB coherent unified LPDDR5X","Large shared pool could reduce duplication and give local AI + graphics access to common data",[1955,1956,1957],"Memory bandwidth","273 GB\u002Fs","Capacity is not enough; high-end graphics still needs aggressive bandwidth and latency management",[1959,1960,1961],"Compute mix","CPU + Blackwell GPU + Tensor + RT","A future game workload could be split across more specialized engines",[1963,1964,1965],"Form factor\u002Fpower","Compact GB10 system","Integration can improve efficiency but may reduce modular upgradeability",{},{"id":897,"data":1968,"type":552,"tunes":1971},{"body":1969,"title":1970,"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":1973,"type":572,"tunes":1975},{"text":1974,"level":47},"What would have to be true for this transition to work?",{},{"id":908,"data":1977,"type":644,"tunes":1998},{"steps":1978,"title":1997,"orientation":643},[1979,1982,1985,1988,1991,1994],{"label":1980,"description":1981},"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":1983,"description":1984},"2. The engine must expose useful state","Prediction works better when the system knows camera direction, asset dependencies, movement and likely visibility.",{"label":1986,"description":1987},"3. Memory movement must become deliberate","Compression without good residency and prefetch policy can still stall.",{"label":1989,"description":1990},"4. Quality must remain stable","Generated detail cannot introduce unacceptable artifacts, temporal instability or incorrect game information.",{"label":1992,"description":1993},"5. Latency must stay bounded","A prettier frame is not automatically a more responsive game.",{"label":1995,"description":1996},"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":2000,"type":572,"tunes":2002},{"text":2001,"level":47},"What should a buyer expect from a Spark-like transition?",{},{"id":937,"data":2004,"type":707,"tunes":2037},{"rows":2005,"title":2031,"layout":604,"columns":2032},[2006,2011,2016,2021,2026],{"id":941,"label":2007,"values":2008},"Large coherent pool",{"cost":2009,"gain":2010},"Shared clients can contend for the same bandwidth","More flexible sharing between CPU, graphics and local AI",{"id":947,"label":2012,"values":2013},"Less duplication",{"cost":2014,"gain":2015},"Coherence and scheduling add complexity","Fewer copies between separate system-RAM and VRAM pools",{"id":953,"label":2017,"values":2018},"More local AI headroom",{"cost":2019,"gain":2020},"AI can compete with graphics for compute and memory","Larger models, agents or neural assets can coexist locally",{"id":959,"label":2022,"values":2023},"System-level optimization",{"cost":2024,"gain":2025},"Tighter integration can reduce upgradeability and increase lock-in","The platform can optimize data placement and accelerators together",{"id":965,"label":2027,"values":2028},"New workload flexibility",{"cost":2029,"gain":2030},"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",[2033,2035],{"id":973,"label":2034},"Potential gain",{"id":976,"label":2036},"Cost \u002F risk",{},{"id":980,"data":2039,"type":572,"tunes":2041},{"text":2040,"level":47},"What would falsify this hypothesis?",{},{"id":985,"data":2043,"type":544,"tunes":2045},{"text":2044},"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":2047,"type":707,"tunes":2075},{"rows":2048,"title":2069,"layout":604,"columns":2070},[2049,2054,2059,2064],{"id":682,"label":2050,"values":2051},"Memory economics",{"weakens":2052,"strengthens":2053},"Consumer capacity expands and price pressure normalizes","Server\u002FHBM priority continues to squeeze consumer allocation",{"id":999,"label":2055,"values":2056},"Graphics stack",{"weakens":2057,"strengthens":2058},"Neural graphics remains vendor-specific optional post-processing","ML primitives become normal engine\u002FDirectX features",{"id":1005,"label":2060,"values":2061},"Hardware design",{"weakens":2062,"strengthens":2063},"Discrete GPU + separate RAM remains clearly superior on cost, flexibility and latency","More integrated heterogeneous compute and larger coherent memory pools",{"id":1011,"label":2065,"values":2066},"Game adoption",{"weakens":2067,"strengthens":2068},"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",[2071,2073],{"id":1019,"label":2072},"Would strengthen it",{"id":1022,"label":2074},"Would weaken it",{},{"id":1026,"data":2077,"type":572,"tunes":2079},{"text":2078,"level":47},"The practical conclusion for a gamer today",{},{"id":1031,"data":2081,"type":544,"tunes":2083},{"text":2082},"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":2085,"type":669,"tunes":2090},{"url":2086,"title":2087,"excerpt":2088,"ctaLabel":2089},"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":2092,"type":572,"tunes":2094},{"text":2093,"level":47},"Primary sources",{},{"id":1049,"data":2096,"type":1056,"tunes":2101},{"link":1051,"meta":2097},{"image":2098,"title":2099,"description":2100},{"url":13},"Newzoo — 2026 Global Games Market Key Numbers","2026 games-market forecast used for the scale comparison.",{},{"id":1059,"data":2103,"type":1056,"tunes":2108},{"link":1061,"meta":2104},{"image":2105,"title":2106,"description":2107},{"url":13},"Semiconductor Industry Association — 2025 Global Sales","2025 semiconductor sales and the association's roughly $1 trillion 2026 projection.",{},{"id":1068,"data":2110,"type":1056,"tunes":2115},{"link":1070,"meta":2111},{"image":2112,"title":2113,"description":2114},{"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":2117,"type":1056,"tunes":2121},{"link":1079,"meta":2118},{"image":2119,"title":1082,"description":2120},{"url":13},"Research source for 2.2× HPC and 1.5× DL average compression ratios.",{},{"id":1086,"data":2123,"type":1056,"tunes":2128},{"link":1088,"meta":2124},{"image":2125,"title":2126,"description":2127},{"url":13},"Deep-learning based CPU–GPU UVM prefetching","Research source for learned page-prefetching results.",{},{"id":1095,"data":2130,"type":1056,"tunes":2135},{"link":1097,"meta":2131},{"image":2132,"title":2133,"description":2134},{"url":13},"AAAI 2026 — Asynchronous KV Cache Prefetching","Research source demonstrating latency hiding through proactive GPU-cache prefetching.",{},{"id":1104,"data":2137,"type":1056,"tunes":2142},{"link":1106,"meta":2138},{"image":2139,"title":2140,"description":2141},{"url":13},"TrendForce — AI Server Demand and 2Q26 Memory Prices","Current evidence for server\u002FHBM prioritization, GDDR constraints and consumer pressure.",{},{"id":1113,"data":2144,"type":1056,"tunes":2149},{"link":1115,"meta":2145},{"image":2146,"title":2147,"description":2148},{"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":2151,"type":1056,"tunes":2156},{"link":1124,"meta":2152},{"image":2153,"title":2154,"description":2155},{"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":2158,"type":1056,"tunes":2163},{"link":1133,"meta":2159},{"image":2160,"title":2161,"description":2162},{"url":13},"NVIDIA — DGX Spark Specifications","Official architecture, unified memory and bandwidth specifications.",{},{"id":1140,"data":2165,"type":1056,"tunes":2169},{"link":1142,"meta":2166},{"image":2167,"title":1145,"description":2168},{"url":13},"Official current RTX 5090 product page used to distinguish confirmed product status from production-halt rumors.",{},{"id":1149,"data":2171,"type":1056,"tunes":2176},{"link":1151,"meta":2172},{"image":2173,"title":2174,"description":2175},{"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":2178,"type":1056,"tunes":2183},{"link":1160,"meta":2179},{"image":2180,"title":2181,"description":2182},{"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":2185,"type":1056,"tunes":2189},{"link":1169,"meta":2186},{"image":2187,"title":1172,"description":2188},{"url":13},"Official source for 96 GB GDDR7 and 1,792 GB\u002Fs memory bandwidth used as a bandwidth reference point.",{},{"id":1176,"data":2191,"type":1196,"tunes":2206},{"title":2192,"entries":2193},"Key concepts",[2194,2197,2200,2203],{"term":2195,"anchor":1182,"definition":2196},"Neural rendering","Rendering methods that use trained models as part of producing, reconstructing or enhancing visual output.",{"term":2198,"anchor":1186,"definition":2199},"Heterogeneous compute","A system that assigns different workloads to different compute engines such as CPU, GPU, RT and matrix\u002FTensor hardware.",{"term":2201,"anchor":1190,"definition":2202},"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":2204,"anchor":1194,"definition":2205},"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":2208,"type":544,"tunes":2209},{"text":1672},{},{"id":547,"data":2211,"type":552,"tunes":2212},{"body":1676,"title":1677,"variant":551},{},{"id":555,"data":2214,"type":552,"tunes":2215},{"body":1681,"title":1682,"variant":559},{},{"id":562,"data":2217,"type":566,"tunes":2218},{"title":1686,"maxLevel":565,"minLevel":47},{},{"id":569,"data":2220,"type":572,"tunes":2221},{"text":1690,"level":47},{},{"id":575,"data":2223,"type":544,"tunes":2224},{"text":1694},{},{"id":580,"data":2226,"type":604,"tunes":2233},{"content":2227,"stretched":603,"withHeadings":15},[2228,2229,2230,2231,2232],[1700,1701,1702],[1704,1705,1706],[1708,1709,1710],[1712,1713,1714],[1716,1717,1718],{},{"id":607,"data":2235,"type":552,"tunes":2236},{"body":1722,"title":1723,"variant":611},{},{"id":614,"data":2238,"type":572,"tunes":2239},{"text":1727,"level":47},{},{"id":619,"data":2241,"type":544,"tunes":2242},{"text":1731},{},{"id":624,"data":2244,"type":644,"tunes":2251},{"steps":2245,"title":1751,"orientation":643},[2246,2247,2248,2249,2250],{"label":1737,"description":1738},{"label":1740,"description":1741},{"label":1743,"description":1744},{"label":1746,"description":1747},{"label":1749,"description":1750},{},{"id":647,"data":2253,"type":552,"tunes":2254},{"body":1755,"title":1756,"variant":611},{},{"id":653,"data":2256,"type":572,"tunes":2257},{"text":1760,"level":47},{},{"id":658,"data":2259,"type":544,"tunes":2260},{"text":1764},{},{"id":663,"data":2262,"type":669,"tunes":2263},{"url":1768,"title":1769,"excerpt":1770,"ctaLabel":1771},{},{"id":672,"data":2265,"type":707,"tunes":2278},{"rows":2266,"title":1796,"layout":604,"columns":2275},[2267,2269,2271,2273],{"id":676,"label":1777,"values":2268},{"new":1779,"old":1780},{"id":682,"label":1782,"values":2270},{"new":1784,"old":1785},{"id":688,"label":1787,"values":2272},{"new":1789,"old":1790},{"id":694,"label":1792,"values":2274},{"new":1794,"old":1795},[2276,2277],{"id":702,"label":1799},{"id":705,"label":1801},{},{"id":710,"data":2280,"type":552,"tunes":2281},{"body":1805,"title":1806,"variant":714},{},{"id":717,"data":2283,"type":719,"tunes":2284},{},{},{"id":722,"data":2286,"type":572,"tunes":2287},{"text":1813,"level":47},{},{"id":727,"data":2289,"type":544,"tunes":2290},{"text":1817},{},{"id":732,"data":2292,"type":552,"tunes":2293},{"body":1821,"title":1822,"variant":559},{},{"id":738,"data":2295,"type":572,"tunes":2296},{"text":1826,"level":47},{},{"id":743,"data":2298,"type":544,"tunes":2299},{"text":1830},{},{"id":748,"data":2301,"type":604,"tunes":2308},{"content":2302,"stretched":603,"withHeadings":15},[2303,2304,2305,2306,2307],[1836,1837,1838],[1840,1841,1842],[1844,1845,1846],[1848,1849,1850],[1852,1853,1854],{},{"id":773,"data":2310,"type":552,"tunes":2311},{"body":1858,"title":1859,"variant":551},{},{"id":779,"data":2313,"type":552,"tunes":2314},{"body":1863,"title":1864,"variant":714},{},{"id":785,"data":2316,"type":552,"tunes":2317},{"body":1868,"title":1869,"variant":611},{},{"id":791,"data":2319,"type":572,"tunes":2320},{"text":1873,"level":47},{},{"id":796,"data":2322,"type":644,"tunes":2330},{"steps":2323,"title":1896,"orientation":643},[2324,2325,2326,2327,2328,2329],{"label":1879,"description":1880},{"label":1882,"description":1883},{"label":1885,"description":1886},{"label":1888,"description":1889},{"label":1891,"description":1892},{"label":1894,"description":1895},{},{"id":820,"data":2332,"type":544,"tunes":2333},{"text":1900},{},{"id":825,"data":2335,"type":572,"tunes":2336},{"text":1904,"level":47},{},{"id":830,"data":2338,"type":544,"tunes":2339},{"text":1908},{},{"id":835,"data":2341,"type":644,"tunes":2348},{"steps":2342,"title":1928,"orientation":643},[2343,2344,2345,2346,2347],{"label":1914,"description":1915},{"label":1917,"description":1918},{"label":1920,"description":1921},{"label":1923,"description":1924},{"label":1926,"description":1927},{},{"id":856,"data":2350,"type":552,"tunes":2351},{"body":1932,"title":1933,"variant":559},{},{"id":862,"data":2353,"type":572,"tunes":2354},{"text":1937,"level":47},{},{"id":867,"data":2356,"type":544,"tunes":2357},{"text":1941},{},{"id":872,"data":2359,"type":604,"tunes":2366},{"content":2360,"stretched":603,"withHeadings":15},[2361,2362,2363,2364,2365],[1947,1948,1949],[1951,1952,1953],[1955,1956,1957],[1959,1960,1961],[1963,1964,1965],{},{"id":897,"data":2368,"type":552,"tunes":2369},{"body":1969,"title":1970,"variant":611},{},{"id":903,"data":2371,"type":572,"tunes":2372},{"text":1974,"level":47},{},{"id":908,"data":2374,"type":644,"tunes":2382},{"steps":2375,"title":1997,"orientation":643},[2376,2377,2378,2379,2380,2381],{"label":1980,"description":1981},{"label":1983,"description":1984},{"label":1986,"description":1987},{"label":1989,"description":1990},{"label":1992,"description":1993},{"label":1995,"description":1996},{},{"id":932,"data":2384,"type":572,"tunes":2385},{"text":2001,"level":47},{},{"id":937,"data":2387,"type":707,"tunes":2402},{"rows":2388,"title":2031,"layout":604,"columns":2399},[2389,2391,2393,2395,2397],{"id":941,"label":2007,"values":2390},{"cost":2009,"gain":2010},{"id":947,"label":2012,"values":2392},{"cost":2014,"gain":2015},{"id":953,"label":2017,"values":2394},{"cost":2019,"gain":2020},{"id":959,"label":2022,"values":2396},{"cost":2024,"gain":2025},{"id":965,"label":2027,"values":2398},{"cost":2029,"gain":2030},[2400,2401],{"id":973,"label":2034},{"id":976,"label":2036},{},{"id":980,"data":2404,"type":572,"tunes":2405},{"text":2040,"level":47},{},{"id":985,"data":2407,"type":544,"tunes":2408},{"text":2044},{},{"id":990,"data":2410,"type":707,"tunes":2423},{"rows":2411,"title":2069,"layout":604,"columns":2420},[2412,2414,2416,2418],{"id":682,"label":2050,"values":2413},{"weakens":2052,"strengthens":2053},{"id":999,"label":2055,"values":2415},{"weakens":2057,"strengthens":2058},{"id":1005,"label":2060,"values":2417},{"weakens":2062,"strengthens":2063},{"id":1011,"label":2065,"values":2419},{"weakens":2067,"strengthens":2068},[2421,2422],{"id":1019,"label":2072},{"id":1022,"label":2074},{},{"id":1026,"data":2425,"type":572,"tunes":2426},{"text":2078,"level":47},{},{"id":1031,"data":2428,"type":544,"tunes":2429},{"text":2082},{},{"id":1036,"data":2431,"type":669,"tunes":2432},{"url":2086,"title":2087,"excerpt":2088,"ctaLabel":2089},{},{"id":1044,"data":2434,"type":572,"tunes":2435},{"text":2093,"level":47},{},{"id":1049,"data":2437,"type":1056,"tunes":2440},{"link":1051,"meta":2438},{"image":2439,"title":2099,"description":2100},{"url":13},{},{"id":1059,"data":2442,"type":1056,"tunes":2445},{"link":1061,"meta":2443},{"image":2444,"title":2106,"description":2107},{"url":13},{},{"id":1068,"data":2447,"type":1056,"tunes":2450},{"link":1070,"meta":2448},{"image":2449,"title":2113,"description":2114},{"url":13},{},{"id":1077,"data":2452,"type":1056,"tunes":2455},{"link":1079,"meta":2453},{"image":2454,"title":1082,"description":2120},{"url":13},{},{"id":1086,"data":2457,"type":1056,"tunes":2460},{"link":1088,"meta":2458},{"image":2459,"title":2126,"description":2127},{"url":13},{},{"id":1095,"data":2462,"type":1056,"tunes":2465},{"link":1097,"meta":2463},{"image":2464,"title":2133,"description":2134},{"url":13},{},{"id":1104,"data":2467,"type":1056,"tunes":2470},{"link":1106,"meta":2468},{"image":2469,"title":2140,"description":2141},{"url":13},{},{"id":1113,"data":2472,"type":1056,"tunes":2475},{"link":1115,"meta":2473},{"image":2474,"title":2147,"description":2148},{"url":13},{},{"id":1122,"data":2477,"type":1056,"tunes":2480},{"link":1124,"meta":2478},{"image":2479,"title":2154,"description":2155},{"url":13},{},{"id":1131,"data":2482,"type":1056,"tunes":2485},{"link":1133,"meta":2483},{"image":2484,"title":2161,"description":2162},{"url":13},{},{"id":1140,"data":2487,"type":1056,"tunes":2490},{"link":1142,"meta":2488},{"image":2489,"title":1145,"description":2168},{"url":13},{},{"id":1149,"data":2492,"type":1056,"tunes":2495},{"link":1151,"meta":2493},{"image":2494,"title":2174,"description":2175},{"url":13},{},{"id":1158,"data":2497,"type":1056,"tunes":2500},{"link":1160,"meta":2498},{"image":2499,"title":2181,"description":2182},{"url":13},{},{"id":1167,"data":2502,"type":1056,"tunes":2505},{"link":1169,"meta":2503},{"image":2504,"title":1172,"description":2188},{"url":13},{},{"id":1176,"data":2507,"type":1196,"tunes":2513},{"title":2192,"entries":2508},[2509,2510,2511,2512],{"term":2195,"anchor":1182,"definition":2196},{"term":2198,"anchor":1186,"definition":2199},{"term":2201,"anchor":1190,"definition":2202},{"term":2204,"anchor":1194,"definition":2205},{},"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":2517,"excerpt":1625},{"time":538,"blocks":2518,"version":1624},[2519,2522,2525,2528,2531,2534,2537,2546,2549,2552,2555,2564,2567,2570,2573,2576,2591,2594,2597,2600,2603,2606,2609,2612,2621,2624,2627,2630,2633,2643,2646,2649,2652,2661,2664,2667,2670,2679,2682,2685,2695,2698,2715,2718,2721,2736,2739,2742,2745,2748,2753,2758,2763,2768,2773,2778,2783,2788,2793,2798,2803,2808,2813,2818,2826,2829,2832,2835,2838,2841,2844,2853,2856,2859,2862,2871,2874,2877,2880,2883,2898,2901,2904,2907,2910,2913,2916,2919,2928,2931,2934,2937,2940,2950,2953,2956,2959,2968,2971,2974,2977,2986,2989,2992,3002,3005,3022,3025,3028,3043,3046,3049,3052,3055,3060,3065,3070,3075,3080,3085,3090,3095,3100,3105,3110,3115,3120,3125],{"id":541,"data":2520,"type":544,"tunes":2521},{"text":543},{},{"id":547,"data":2523,"type":552,"tunes":2524},{"body":549,"title":550,"variant":551},{},{"id":555,"data":2526,"type":552,"tunes":2527},{"body":557,"title":558,"variant":559},{},{"id":562,"data":2529,"type":566,"tunes":2530},{"title":564,"maxLevel":565,"minLevel":47},{},{"id":569,"data":2532,"type":572,"tunes":2533},{"text":571,"level":47},{},{"id":575,"data":2535,"type":544,"tunes":2536},{"text":577},{},{"id":580,"data":2538,"type":604,"tunes":2545},{"content":2539,"stretched":603,"withHeadings":15},[2540,2541,2542,2543,2544],[584,585,586],[588,589,590],[592,593,594],[596,597,598],[600,601,602],{},{"id":607,"data":2547,"type":552,"tunes":2548},{"body":609,"title":610,"variant":611},{},{"id":614,"data":2550,"type":572,"tunes":2551},{"text":616,"level":47},{},{"id":619,"data":2553,"type":544,"tunes":2554},{"text":621},{},{"id":624,"data":2556,"type":644,"tunes":2563},{"steps":2557,"title":642,"orientation":643},[2558,2559,2560,2561,2562],{"label":628,"description":629},{"label":631,"description":632},{"label":634,"description":635},{"label":637,"description":638},{"label":640,"description":641},{},{"id":647,"data":2565,"type":552,"tunes":2566},{"body":649,"title":650,"variant":611},{},{"id":653,"data":2568,"type":572,"tunes":2569},{"text":655,"level":47},{},{"id":658,"data":2571,"type":544,"tunes":2572},{"text":660},{},{"id":663,"data":2574,"type":669,"tunes":2575},{"url":665,"title":666,"excerpt":667,"ctaLabel":668},{},{"id":672,"data":2577,"type":707,"tunes":2590},{"rows":2578,"title":699,"layout":604,"columns":2587},[2579,2581,2583,2585],{"id":676,"label":677,"values":2580},{"new":679,"old":680},{"id":682,"label":683,"values":2582},{"new":685,"old":686},{"id":688,"label":689,"values":2584},{"new":691,"old":692},{"id":694,"label":695,"values":2586},{"new":697,"old":698},[2588,2589],{"id":702,"label":703},{"id":705,"label":706},{},{"id":710,"data":2592,"type":552,"tunes":2593},{"body":712,"title":713,"variant":714},{},{"id":717,"data":2595,"type":719,"tunes":2596},{},{},{"id":722,"data":2598,"type":572,"tunes":2599},{"text":724,"level":47},{},{"id":727,"data":2601,"type":544,"tunes":2602},{"text":729},{},{"id":732,"data":2604,"type":552,"tunes":2605},{"body":734,"title":735,"variant":559},{},{"id":738,"data":2607,"type":572,"tunes":2608},{"text":740,"level":47},{},{"id":743,"data":2610,"type":544,"tunes":2611},{"text":745},{},{"id":748,"data":2613,"type":604,"tunes":2620},{"content":2614,"stretched":603,"withHeadings":15},[2615,2616,2617,2618,2619],[752,753,754],[756,757,758],[760,761,762],[764,765,766],[768,769,770],{},{"id":773,"data":2622,"type":552,"tunes":2623},{"body":775,"title":776,"variant":551},{},{"id":779,"data":2625,"type":552,"tunes":2626},{"body":781,"title":782,"variant":714},{},{"id":785,"data":2628,"type":552,"tunes":2629},{"body":787,"title":788,"variant":611},{},{"id":791,"data":2631,"type":572,"tunes":2632},{"text":793,"level":47},{},{"id":796,"data":2634,"type":644,"tunes":2642},{"steps":2635,"title":817,"orientation":643},[2636,2637,2638,2639,2640,2641],{"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":2644,"type":544,"tunes":2645},{"text":822},{},{"id":825,"data":2647,"type":572,"tunes":2648},{"text":827,"level":47},{},{"id":830,"data":2650,"type":544,"tunes":2651},{"text":832},{},{"id":835,"data":2653,"type":644,"tunes":2660},{"steps":2654,"title":853,"orientation":643},[2655,2656,2657,2658,2659],{"label":839,"description":840},{"label":842,"description":843},{"label":845,"description":846},{"label":848,"description":849},{"label":851,"description":852},{},{"id":856,"data":2662,"type":552,"tunes":2663},{"body":858,"title":859,"variant":559},{},{"id":862,"data":2665,"type":572,"tunes":2666},{"text":864,"level":47},{},{"id":867,"data":2668,"type":544,"tunes":2669},{"text":869},{},{"id":872,"data":2671,"type":604,"tunes":2678},{"content":2672,"stretched":603,"withHeadings":15},[2673,2674,2675,2676,2677],[876,877,878],[880,881,882],[884,885,886],[888,889,890],[892,893,894],{},{"id":897,"data":2680,"type":552,"tunes":2681},{"body":899,"title":900,"variant":611},{},{"id":903,"data":2683,"type":572,"tunes":2684},{"text":905,"level":47},{},{"id":908,"data":2686,"type":644,"tunes":2694},{"steps":2687,"title":929,"orientation":643},[2688,2689,2690,2691,2692,2693],{"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":2696,"type":572,"tunes":2697},{"text":934,"level":47},{},{"id":937,"data":2699,"type":707,"tunes":2714},{"rows":2700,"title":970,"layout":604,"columns":2711},[2701,2703,2705,2707,2709],{"id":941,"label":942,"values":2702},{"cost":944,"gain":945},{"id":947,"label":948,"values":2704},{"cost":950,"gain":951},{"id":953,"label":954,"values":2706},{"cost":956,"gain":957},{"id":959,"label":960,"values":2708},{"cost":962,"gain":963},{"id":965,"label":966,"values":2710},{"cost":968,"gain":969},[2712,2713],{"id":973,"label":974},{"id":976,"label":977},{},{"id":980,"data":2716,"type":572,"tunes":2717},{"text":982,"level":47},{},{"id":985,"data":2719,"type":544,"tunes":2720},{"text":987},{},{"id":990,"data":2722,"type":707,"tunes":2735},{"rows":2723,"title":1016,"layout":604,"columns":2732},[2724,2726,2728,2730],{"id":682,"label":994,"values":2725},{"weakens":996,"strengthens":997},{"id":999,"label":1000,"values":2727},{"weakens":1002,"strengthens":1003},{"id":1005,"label":1006,"values":2729},{"weakens":1008,"strengthens":1009},{"id":1011,"label":1012,"values":2731},{"weakens":1014,"strengthens":1015},[2733,2734],{"id":1019,"label":1020},{"id":1022,"label":1023},{},{"id":1026,"data":2737,"type":572,"tunes":2738},{"text":1028,"level":47},{},{"id":1031,"data":2740,"type":544,"tunes":2741},{"text":1033},{},{"id":1036,"data":2743,"type":669,"tunes":2744},{"url":1038,"title":1039,"excerpt":1040,"ctaLabel":1041},{},{"id":1044,"data":2746,"type":572,"tunes":2747},{"text":1046,"level":47},{},{"id":1049,"data":2749,"type":1056,"tunes":2752},{"link":1051,"meta":2750},{"image":2751,"title":1054,"description":1055},{"url":13},{},{"id":1059,"data":2754,"type":1056,"tunes":2757},{"link":1061,"meta":2755},{"image":2756,"title":1064,"description":1065},{"url":13},{},{"id":1068,"data":2759,"type":1056,"tunes":2762},{"link":1070,"meta":2760},{"image":2761,"title":1073,"description":1074},{"url":13},{},{"id":1077,"data":2764,"type":1056,"tunes":2767},{"link":1079,"meta":2765},{"image":2766,"title":1082,"description":1083},{"url":13},{},{"id":1086,"data":2769,"type":1056,"tunes":2772},{"link":1088,"meta":2770},{"image":2771,"title":1091,"description":1092},{"url":13},{},{"id":1095,"data":2774,"type":1056,"tunes":2777},{"link":1097,"meta":2775},{"image":2776,"title":1100,"description":1101},{"url":13},{},{"id":1104,"data":2779,"type":1056,"tunes":2782},{"link":1106,"meta":2780},{"image":2781,"title":1109,"description":1110},{"url":13},{},{"id":1113,"data":2784,"type":1056,"tunes":2787},{"link":1115,"meta":2785},{"image":2786,"title":1118,"description":1119},{"url":13},{},{"id":1122,"data":2789,"type":1056,"tunes":2792},{"link":1124,"meta":2790},{"image":2791,"title":1127,"description":1128},{"url":13},{},{"id":1131,"data":2794,"type":1056,"tunes":2797},{"link":1133,"meta":2795},{"image":2796,"title":1136,"description":1137},{"url":13},{},{"id":1140,"data":2799,"type":1056,"tunes":2802},{"link":1142,"meta":2800},{"image":2801,"title":1145,"description":1146},{"url":13},{},{"id":1149,"data":2804,"type":1056,"tunes":2807},{"link":1151,"meta":2805},{"image":2806,"title":1154,"description":1155},{"url":13},{},{"id":1158,"data":2809,"type":1056,"tunes":2812},{"link":1160,"meta":2810},{"image":2811,"title":1163,"description":1164},{"url":13},{},{"id":1167,"data":2814,"type":1056,"tunes":2817},{"link":1169,"meta":2815},{"image":2816,"title":1172,"description":1173},{"url":13},{},{"id":1176,"data":2819,"type":1196,"tunes":2825},{"title":1178,"entries":2820},[2821,2822,2823,2824],{"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":2827,"type":544,"tunes":2828},{"text":1200},{},{"id":547,"data":2830,"type":552,"tunes":2831},{"body":1204,"title":550,"variant":551},{},{"id":555,"data":2833,"type":552,"tunes":2834},{"body":1208,"title":558,"variant":559},{},{"id":562,"data":2836,"type":566,"tunes":2837},{"title":564,"maxLevel":565,"minLevel":47},{},{"id":569,"data":2839,"type":572,"tunes":2840},{"text":1215,"level":47},{},{"id":575,"data":2842,"type":544,"tunes":2843},{"text":1219},{},{"id":580,"data":2845,"type":604,"tunes":2852},{"content":2846,"stretched":603,"withHeadings":15},[2847,2848,2849,2850,2851],[1225,1226,586],[1228,589,590],[592,593,594],[596,597,598],[600,601,602],{},{"id":607,"data":2854,"type":552,"tunes":2855},{"body":1235,"title":610,"variant":611},{},{"id":614,"data":2857,"type":572,"tunes":2858},{"text":1239,"level":47},{},{"id":619,"data":2860,"type":544,"tunes":2861},{"text":1243},{},{"id":624,"data":2863,"type":644,"tunes":2870},{"steps":2864,"title":1262,"orientation":643},[2865,2866,2867,2868,2869],{"label":1249,"description":1250},{"label":631,"description":1252},{"label":1254,"description":1255},{"label":1257,"description":1258},{"label":1260,"description":1261},{},{"id":647,"data":2872,"type":552,"tunes":2873},{"body":1266,"title":650,"variant":611},{},{"id":653,"data":2875,"type":572,"tunes":2876},{"text":655,"level":47},{},{"id":658,"data":2878,"type":544,"tunes":2879},{"text":1273},{},{"id":663,"data":2881,"type":669,"tunes":2882},{"url":665,"title":666,"excerpt":1277,"ctaLabel":668},{},{"id":672,"data":2884,"type":707,"tunes":2897},{"rows":2885,"title":699,"layout":604,"columns":2894},[2886,2888,2890,2892],{"id":676,"label":677,"values":2887},{"new":1284,"old":1285},{"id":682,"label":683,"values":2889},{"new":1288,"old":1289},{"id":688,"label":689,"values":2891},{"new":1292,"old":692},{"id":694,"label":695,"values":2893},{"new":1295,"old":698},[2895,2896],{"id":702,"label":703},{"id":705,"label":706},{},{"id":710,"data":2899,"type":552,"tunes":2900},{"body":1302,"title":713,"variant":714},{},{"id":717,"data":2902,"type":719,"tunes":2903},{},{},{"id":722,"data":2905,"type":572,"tunes":2906},{"text":1309,"level":47},{},{"id":727,"data":2908,"type":544,"tunes":2909},{"text":1313},{},{"id":732,"data":2911,"type":552,"tunes":2912},{"body":1317,"title":735,"variant":559},{},{"id":738,"data":2914,"type":572,"tunes":2915},{"text":1321,"level":47},{},{"id":743,"data":2917,"type":544,"tunes":2918},{"text":1325},{},{"id":748,"data":2920,"type":604,"tunes":2927},{"content":2921,"stretched":603,"withHeadings":15},[2922,2923,2924,2925,2926],[752,753,754],[756,757,1332],[760,761,1334],[764,1336,766],[768,769,770],{},{"id":773,"data":2929,"type":552,"tunes":2930},{"body":1341,"title":776,"variant":551},{},{"id":779,"data":2932,"type":552,"tunes":2933},{"body":1345,"title":1346,"variant":714},{},{"id":785,"data":2935,"type":552,"tunes":2936},{"body":1350,"title":1351,"variant":611},{},{"id":791,"data":2938,"type":572,"tunes":2939},{"text":793,"level":47},{},{"id":796,"data":2941,"type":644,"tunes":2949},{"steps":2942,"title":1375,"orientation":643},[2943,2944,2945,2946,2947,2948],{"label":756,"description":1360},{"label":1362,"description":804},{"label":1364,"description":1365},{"label":1367,"description":1368},{"label":1370,"description":1371},{"label":1373,"description":1374},{},{"id":820,"data":2951,"type":544,"tunes":2952},{"text":1379},{},{"id":825,"data":2954,"type":572,"tunes":2955},{"text":827,"level":47},{},{"id":830,"data":2957,"type":544,"tunes":2958},{"text":1386},{},{"id":835,"data":2960,"type":644,"tunes":2967},{"steps":2961,"title":1405,"orientation":643},[2962,2963,2964,2965,2966],{"label":1392,"description":1393},{"label":1395,"description":1396},{"label":1398,"description":1399},{"label":1401,"description":849},{"label":1403,"description":1404},{},{"id":856,"data":2969,"type":552,"tunes":2970},{"body":1409,"title":859,"variant":559},{},{"id":862,"data":2972,"type":572,"tunes":2973},{"text":864,"level":47},{},{"id":867,"data":2975,"type":544,"tunes":2976},{"text":1416},{},{"id":872,"data":2978,"type":604,"tunes":2985},{"content":2979,"stretched":603,"withHeadings":15},[2980,2981,2982,2983,2984],[876,1422,1423],[880,881,1425],[884,885,1427],[888,889,1429],[1431,893,1432],{},{"id":897,"data":2987,"type":552,"tunes":2988},{"body":1436,"title":1437,"variant":611},{},{"id":903,"data":2990,"type":572,"tunes":2991},{"text":905,"level":47},{},{"id":908,"data":2993,"type":644,"tunes":3001},{"steps":2994,"title":1455,"orientation":643},[2995,2996,2997,2998,2999,3000],{"label":912,"description":1446},{"label":915,"description":916},{"label":918,"description":1449},{"label":921,"description":922},{"label":924,"description":1452},{"label":927,"description":1454},{},{"id":932,"data":3003,"type":572,"tunes":3004},{"text":1459,"level":47},{},{"id":937,"data":3006,"type":707,"tunes":3021},{"rows":3007,"title":970,"layout":604,"columns":3018},[3008,3010,3012,3014,3016],{"id":941,"label":942,"values":3009},{"cost":944,"gain":945},{"id":947,"label":948,"values":3011},{"cost":950,"gain":1468},{"id":953,"label":954,"values":3013},{"cost":956,"gain":1471},{"id":959,"label":960,"values":3015},{"cost":1474,"gain":1475},{"id":965,"label":966,"values":3017},{"cost":968,"gain":1478},[3019,3020],{"id":973,"label":974},{"id":976,"label":977},{},{"id":980,"data":3023,"type":572,"tunes":3024},{"text":982,"level":47},{},{"id":985,"data":3026,"type":544,"tunes":3027},{"text":1488},{},{"id":990,"data":3029,"type":707,"tunes":3042},{"rows":3030,"title":1016,"layout":604,"columns":3039},[3031,3033,3035,3037],{"id":682,"label":994,"values":3032},{"weakens":1495,"strengthens":1496},{"id":999,"label":1000,"values":3034},{"weakens":1499,"strengthens":1003},{"id":1005,"label":1006,"values":3036},{"weakens":1502,"strengthens":1009},{"id":1011,"label":1504,"values":3038},{"weakens":1506,"strengthens":1507},[3040,3041],{"id":1019,"label":1020},{"id":1022,"label":1023},{},{"id":1026,"data":3044,"type":572,"tunes":3045},{"text":1028,"level":47},{},{"id":1031,"data":3047,"type":544,"tunes":3048},{"text":1517},{},{"id":1036,"data":3050,"type":669,"tunes":3051},{"url":1038,"title":1521,"excerpt":1522,"ctaLabel":1041},{},{"id":1044,"data":3053,"type":572,"tunes":3054},{"text":1046,"level":47},{},{"id":1049,"data":3056,"type":1056,"tunes":3059},{"link":1051,"meta":3057},{"image":3058,"title":1054,"description":1055},{"url":13},{},{"id":1059,"data":3061,"type":1056,"tunes":3064},{"link":1061,"meta":3062},{"image":3063,"title":1064,"description":1536},{"url":13},{},{"id":1068,"data":3066,"type":1056,"tunes":3069},{"link":1070,"meta":3067},{"image":3068,"title":1073,"description":1542},{"url":13},{},{"id":1077,"data":3071,"type":1056,"tunes":3074},{"link":1079,"meta":3072},{"image":3073,"title":1082,"description":1083},{"url":13},{},{"id":1086,"data":3076,"type":1056,"tunes":3079},{"link":1088,"meta":3077},{"image":3078,"title":1553,"description":1554},{"url":13},{},{"id":1095,"data":3081,"type":1056,"tunes":3084},{"link":1097,"meta":3082},{"image":3083,"title":1100,"description":1560},{"url":13},{},{"id":1104,"data":3086,"type":1056,"tunes":3089},{"link":1106,"meta":3087},{"image":3088,"title":1566,"description":1567},{"url":13},{},{"id":1113,"data":3091,"type":1056,"tunes":3094},{"link":1115,"meta":3092},{"image":3093,"title":1573,"description":1574},{"url":13},{},{"id":1122,"data":3096,"type":1056,"tunes":3099},{"link":1124,"meta":3097},{"image":3098,"title":1580,"description":1581},{"url":13},{},{"id":1131,"data":3101,"type":1056,"tunes":3104},{"link":1133,"meta":3102},{"image":3103,"title":1136,"description":1137},{"url":13},{},{"id":1140,"data":3106,"type":1056,"tunes":3109},{"link":1142,"meta":3107},{"image":3108,"title":1145,"description":1592},{"url":13},{},{"id":1149,"data":3111,"type":1056,"tunes":3114},{"link":1151,"meta":3112},{"image":3113,"title":1154,"description":1598},{"url":13},{},{"id":1158,"data":3116,"type":1056,"tunes":3119},{"link":1160,"meta":3117},{"image":3118,"title":1604,"description":1605},{"url":13},{},{"id":1167,"data":3121,"type":1056,"tunes":3124},{"link":1169,"meta":3122},{"image":3123,"title":1172,"description":1611},{"url":13},{},{"id":1176,"data":3126,"type":1196,"tunes":3132},{"title":1178,"entries":3127},[3128,3129,3130,3131],{"term":1181,"anchor":1182,"definition":1617},{"term":1185,"anchor":1186,"definition":1187},{"term":1189,"anchor":1190,"definition":1620},{"term":1193,"anchor":1194,"definition":1622},{},"Post erfolgreich abgerufen",{"items":3135,"source":3208,"manualIds":3209,"manualMatchedIds":3210},[3136,3142,3148,3155,3161,3167,3174,3179,3184,3189,3196,3202],{"id":3137,"slug":3138,"title":3139,"excerpt":3140,"featuredImage":14,"publishedAt":3141},"35","products-objects-that-improve-gaming-feel","Продукты: Предметы, улучшающие ощущения от игры","Отобранные товары для лучшей игры: четкость, отзывчивость, комфорт и стабильность — выбраны на основе опыта, а не хайпа.","2026-02-19T11:00:00.000Z",{"id":3143,"slug":3144,"title":3145,"excerpt":3146,"featuredImage":14,"publishedAt":3147},"198","mtu-myths-for-gaming-when-changing-mtu-helps-rare-vs-breaks-things","Мифы об MTU для игр: Когда изменение MTU помогает (редко) vs ломает вещи","Твики MTU обычно являются плацебо и могут вызвать проблемы с фрагментацией. Узнайте, когда изменения MTU действительно актуальны, и о безопасном подходе, если вам необходимо провести тестирование.","2026-02-20T18:00:00.000Z",{"id":3149,"slug":3150,"title":3151,"excerpt":3152,"featuredImage":3153,"publishedAt":3154},"455","what-if-a-game-could-predict-its-next-memory-access-ai-prefetching-and-the-future-of-stutter","Что если игра могла бы предсказывать своё следующее обращение к памяти? ИИ-префетчинг и будущее устранения рывков","Игровые движки уже знают, куда движутся игрок, камера и мир. Исследования показывают, что обученная предварительная выборка на GPU способна предсказывать страницы памяти. Что произойдёт, если объединить эти идеи?","\u002Fuploads\u002F2026\u002F10\u002Fwhat-if-a-game-could-predict-its-next-memory-access-ai-prefetching-and-the-future-of-stutter-1792339100514-lyx0yw.webp","2026-10-18T11:57:00.000Z",{"id":3156,"slug":3157,"title":3158,"excerpt":3159,"featuredImage":14,"publishedAt":3160},"245","qos-myths-for-gaming-what-helps-what-hurts-and-the-real-priority","Мифы о QoS для гейминга: что помогает, что вредит и настоящий приоритет","QoS — это не магический «игровой» переключатель. Хорошее управление очередями снижает задержку под нагрузкой. Плохой QoS добавляет джиттер или нарушает справедливость. Вот как стоит об этом думать.","2026-02-20T23:55:00.000Z",{"id":3162,"slug":3163,"title":3164,"excerpt":3165,"featuredImage":14,"publishedAt":3166},"402","ll-amiibo-compatible-games-complete-overview-of-bonuses-and-gameplay-integration","Все игры, совместимые с amiibo – полный обзор бонусов и интеграции в игровой процесс","Фигурки amiibo взаимодействуют с широким спектром игр Nintendo на Wii U, Nintendo 3DS и Nintendo Switch. Дополнительная ценность различается от игры к игре. В некоторых случаях бонус носит косметический характер. В других он влияет на игровой процесс более непосредственно. Ниже представлен структурированный обзор совместимых игр и наиболее значимых разблокировок, связанных со сканированием фигурки.","2026-02-27T18:13:00.000Z",{"id":3168,"slug":3169,"title":3170,"excerpt":3171,"featuredImage":3172,"publishedAt":3173},"434","google-io-2026-gaming-ai-xr-and-the-next-wave-of-collectibles","Google I\u002FO 2026 and Gaming: AI, XR, and the Next Wave of Collectibles","Google I\u002FO 2026 was not a classic gaming event, but its AI, XR, Gemini, Google Play, and creative tooling announcements point toward a clear shift in gaming culture. This article explains how AI discovery, XR companion layers, Gemini-powered media, and faster character visibility may shape games, figures, collectibles, and future fan ecosystems.","\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":3175,"slug":3176,"title":3177,"excerpt":3178,"featuredImage":14,"publishedAt":3141},"37","the-gaming-feel-chain-why-one-upgrade-often-does-nothing","Цепочка игровых ощущений: почему один апгрейд часто ничего не дает","Ощущение — это цепь: ввод, система, фреймпейсинг, синхронизация, дисплей, сеть. Если одно звено нестабильно, апгрейды не дают результата.",{"id":3180,"slug":3181,"title":3182,"excerpt":3183,"featuredImage":14,"publishedAt":3141},"42","the-feel-trinity-clarity-responsiveness-comfort","Троица ощущений: четкость, отзывчивость, комфорт","Основная модель, лежащая в основе figure.rocks. Три результата, которые определяют, ощущается ли гейминг премиальным или ужасным — независимо от платформы.",{"id":3185,"slug":3186,"title":3187,"excerpt":3188,"featuredImage":14,"publishedAt":3141},"21","gaming-controls-build-input-feel-without-hand-pain","Игровое управление: создание отклика без боли в руках","Управление определяет отзывчивость и комфорт. Это руководство посвящено эргономике, стабильности и практическим привычкам настройки.",{"id":3190,"slug":3191,"title":3192,"excerpt":3193,"featuredImage":3194,"publishedAt":3195},"458","the-game-engine-is-becoming-part-renderer-part-scheduler-part-ai-system","Игровой движок становится частично рендерером, частично планировщиком, частично ИИ-системой","Игровые движки использовались для оркестрации симуляции и рендеринга. Нейрографика, предиктивная память и игровые агенты добавляют третью обязанность: решать, где вывод (инференс) должен находиться внутри кадра и игрового состояния.","\u002Fuploads\u002F2026\u002F10\u002Fthe-game-engine-is-becoming-part-renderer-part-scheduler-part-ai-system-1792340569647-63jv23.webp","2026-10-18T12:21:00.000Z",{"id":3197,"slug":3198,"title":3199,"excerpt":3200,"featuredImage":14,"publishedAt":3201},"295","amiibo-hub-start-here-pillars-guides-and-what-to-buy-first","amiibo Hub: Начните здесь (Основы, руководства и что купить в первую очередь)","Ваша библиотека Amiibo в одном месте: основы, совместимость, покупка и коллекционирование. Используйте этот хаб, чтобы выбрать свой путь и избежать ошибок новичков.","2026-02-21T15:00:00.000Z",{"id":3203,"slug":3204,"title":3205,"excerpt":3206,"featuredImage":14,"publishedAt":3207},"398","upcoming-nintendo-amiibo-new-figures-release-windows-and-functional-significance","Предстоящие Nintendo amiibo – новые фигурки, сроки выхода и функциональное значение","amiibo — это физические фигурки, оснащенные NFC-чипами, которые взаимодействуют с консолями Nintendo. Они открывают внутриигровые предметы, косметические элементы или небольшие игровые функции в совместимых играх. Этот обзор каталога посвящен официально анонсированным предстоящим amiibo, ожидаемым срокам их выпуска, их функциональной ценности и их положению в рамках более широкой структуры волн.","2026-02-27T15:54:00.000Z","fallback",[],[]]