渲染更少，推理更多：AI正在打破传统游戏硬件升级周期吗？

几十年来，发烧级PC游戏遵循着一个熟悉的交易：游戏要求更多算力，GPU世代提供更多算力，玩家在差距足够大时升级。这个循环从未完美运作，但方向是清晰的。到了2026年，这个循环变得越来越难以解读，因为两件事正在同时发生：AI基础设施正在激烈争夺芯片和内存资源，而AI技术正直接进入游戏生成帧的方式中。

规模不匹配已经显而易见

Newzoo预测2026年全球游戏市场将达到2139亿美元，同比增长6.1%。半导体行业协会报告2025年全球半导体销售额为7917亿美元，增长25.6%，并预测2026年约为1万亿美元。游戏业务和半导体业务仍然相互依赖，但它们的激励正变得不那么对称：使能高端游戏的那个先进制造生态系统，现在服务于拥有更大基础设施预算的AI和数据中心买家。这些并非直接可比的产品类别；它们确立了游戏周围上游计算经济的规模。

内存是压力变得具体的地方

TrendForce多次报告称，随着AI需求增长，DRAM供应商正在将产能转向服务器和HBM产品。2026年3月，它预测第二季度传统DRAM合约价格环比上涨58-63%，并表示有限的GDDR分配正在制约图形内存供应。到第三季度，TrendForce表示，尽管AI和服务器需求依然强劲，消费客户正达到承受能力极限。

资源分配压力

1

1. AI基础设施扩张

云提供商和AI建设者获取服务器内存、HBM、企业级SSD和先进计算。

2

2. 供应商优化产品组合

产能流向需求更强、利润率更高或长期合同的产品。

3

3. 消费级分配收紧

PC、图形和消费级内存买家面临更高价格或受限的供应。

4

4. 游戏厂商吸收或转嫁成本

板卡设计、VRAM容量和系统价格成为更艰难的权衡。

5

5. 旧升级周期减弱

更快的GPU仍然有用，但蛮力扩展在相同的消费价格点上变得经济上更难重复。

恰在同时，帧本身正在改变

微软现在将机器学习描述为正在成为实时图形的基础。DirectX正在添加着色器级和模型级的ML路径，使神经纹理压缩、降噪、超分辨率和其他学习型工作负载能够位于图形栈内部，而不是作为孤立功能被附加。NVIDIA的DLSS 5研究通过引入生成式神经渲染阶段进一步推进了这一理念，该阶段用学习到的外观先验补充传统渲染。神经渲染并不意味着传统渲染消失。新兴的模式是混合式的：直接渲染一些信息，当这样做更便宜或更有用时，推断或重建其他信息。

传统扩展 vs 神经时代扩展

	传统路径	神经时代路径
更高视觉保真度	存储更多细节并渲染更多工作	选择性存储/渲染，重建或推断某些细节
内存响应	增加容量和带宽	在需要时增加容量，但也压缩和减少移动
性能响应	更多着色器/RT吞吐量	混合着色器、RT和矩阵/Tensor风格计算
软件角色	引擎主要调度传统图形工作	引擎越来越多地调度渲染、数据移动和ML工作负载

只有正确表述，5090 的问题才有意义

RTX 5090 之所以是一个有用的例子，恰恰因为证据是混杂的。截至 2026 年 10 月 18 日，NVIDIA 仍将 GeForce RTX 5090 列为在售产品。与此同时，零售商的行为和媒体报道记录了异常糟糕的供货情况，以及未经证实的停产说法。这是市场信号，而非官方的停产公告。因此，站得住脚的问题不是 NVIDIA 是否秘密砍掉了某款显卡，而是当类似架构可以服务于经济逻辑截然不同的专业可视化和 AI 市场时，将顶级 Blackwell 级芯片分配给发烧友游戏的机会成本是否在上升。

内存正开始成为一个计算问题，而不仅仅是容量问题

至少可以通过四种方式应对内存瓶颈，而不只是提高原始 DRAM 速度：压缩表示、用计算重建细节、预测接下来需要哪些数据，以及让正确的数据驻留在靠近执行单元的位置。这些方法都不能让物理内存芯片神奇地变快。它们改变的是系统如何从有限的容量和带宽预算中获得更多有效工作。

技术应对可能如何运作

一种可能的未来帧管线

1

压缩

在质量允许的地方，让纹理或学习到的表示更小。

2

预测

利用确定性游戏状态和学习模型来估计接下来需要哪些数据。

3

预取

在 GPU 因等待数据而停顿之前，移动有用的数据。

4

渲染

将常规图形工作花在对可见结果影响最大的地方。

5

推理

在推理比直接存储或模拟所有内容更便宜的地方，使用神经重建或生成。

6

呈现

在保持延迟、伪影和帧节奏处于可接受范围内的同时交付帧。

这条管线并非某个已发布的产品。每个组件都已以某种形式存在，但整合后的链条是假设。神经纹理压缩已表明，学习到的表示可以用计算换取内存。GPU 预取研究表明，学习到的预测可以提高内存页命中率。DirectX 正在将 ML 正式纳入图形编程模型。DLSS 5 表明生成阶段正在进入实时渲染。

游戏有一个通用工作负载通常不具备的优势：它已经知道部分未来

游戏引擎知道相机变换、玩家速度、当前世界单元、相邻流送单元、动画状态、活动实体、LOD 过渡、着色器依赖，并且通常知道可能的行进路径。这种确定性上下文并不能完美揭示未来，但它为预测器提供了比仅靠通用内存轨迹更丰富的起点。

一个预测性游戏内存示例

1

1. 观察确定性状态

相机方向、移动向量、当前房间、可见入口和已知资产依赖已存在于引擎状态中。

2

2. 估计近期工作集

学习到的预测器可以对可能的下一个房间、纹理、几何体、着色器或神经表示进行排序。

3

3. 在可用带宽期间预取

在内存系统有余量时移动可能的资源，而不是等待硬性需求未命中。

4

4. 保持确定性保证

关键资产仍使用编写好的规则；预测是补充而非替代正确性。

5

5. 衡量未命中成本

如果预测浪费带宽或驱逐有用数据，置信度或预取深度必须降低。

为什么类 Spark 架构变得有趣

DGX Spark 不是游戏 PC，将其视为游戏 PC 会掩盖有用的教训。其 GB10 设计结合了 Arm CPU 核心、Blackwell GPU、Tensor 和 RT 硬件，以及高达 128 GB 的一致性统一系统内存。这种架构提出了与经典台式机不同的问题：不是将系统清晰地分为 CPU 内存和独立 VRAM，而是当多个计算引擎共享一个大内存池时会发生什么？

要实现这一转变，必须具备哪些条件？

神经游戏可行性测试

1

1. 推理节省必须大于其成本

神经工作必须消除足够的存储、带宽或传统渲染成本，以证明其自身计算和延迟的合理性。

2

2. 引擎必须暴露有用的状态

当系统知道摄像机方向、资产依赖关系、移动和可能的可见性时，预测效果更好。

3

3. 内存移动必须变得有目的性

没有良好的驻留和预取策略，压缩仍可能导致停顿。

4

4. 质量必须保持稳定

生成的细节不能引入不可接受的伪影、时间不稳定或不正确的游戏信息。

5

5. 延迟必须有界

更漂亮的帧并不自动意味着更灵敏的游戏。

6

6. 技术栈必须经受住供应商差异

有用的技术需要不会分裂成一次性演示的 API、驱动和引擎路径。

买家应该对类似 Spark 的转变有何期待？

潜在收益 vs 实际成本

	潜在收益	成本 / 风险
大型一致性池	CPU、图形和本地 AI 之间更灵活的共享	共享客户端可能争用同一带宽
减少重复	独立的系统内存和显存池之间更少的副本	一致性和调度增加了复杂性
更多本地 AI 余量	更大的模型、代理或神经资产可以在本地共存	AI 可能与图形争夺计算和内存
系统级优化	平台可以一起优化数据放置和加速器	更紧密的集成可能降低可升级性并增加锁定
新的工作负载灵活性	如果未来的游戏转向神经工作负载，机器可能更耐用	只有当引擎和运行时实际使用这些能力时

什么会证伪这一假设？

这一论点刻意可证伪。下表定义了市场、软件、硬件和游戏采用信号，这些信号会随着时间的推移使论点更强或更弱。

加强或削弱论点的证据

	会加强它	会削弱它
内存经济	服务器/HBM 优先级继续挤压消费级分配	消费级容量扩大，价格压力正常化
图形栈	ML 原语成为常规引擎/DirectX 功能	神经图形仍然是供应商特定的可选后处理
硬件设计	更多集成异构计算和更大的一致性内存池	独立 GPU + 独立内存 在成本、灵活性和延迟方面仍然明显优越
游戏采用	工作室广泛发布神经压缩、生成和预测数据路径	技术仍限于演示或少数旗舰游戏

当今游戏玩家的实际结论

不要因为推测性的架构可能出现而购买硬件。根据你实际拥有的游戏、分辨率、延迟目标和工作负载来购买。但不要假设面向未来仍然可以简化为一个数字，例如光栅性能或显存容量。软件栈的方向表明，内存行为、神经计算和引擎支持可能成为价值方程中越来越重要的部分。

主要来源

Newzoo — 2026 全球游戏市场关键数字

用于规模比较的 2026 年游戏市场预测。

半导体行业协会 — 2025 年全球销售额

2025 年半导体销售额以及该协会约 1 万亿美元的 2026 年预测。

TrendForce — AI 服务器需求维持 2026 年第四季度内存价格上涨

2026 年末的证据，表明服务器优先的产能分配持续存在以及消费级压力。

NVIDIA 研究 — Buddy 压缩

HPC 平均压缩比 2.2 倍和 DL 平均压缩比 1.5 倍的研究来源。

基于深度学习的 CPU–GPU UVM 预取

学习页面预取结果的研究来源。

AAAI 2026 — 异步 KV 缓存预取

研究来源，展示通过主动 GPU 缓存预取实现延迟隐藏。

TrendForce — AI 服务器需求与 2026 年第二季度内存价格

服务器/HBM 优先化、GDDR 限制与消费端压力的当前证据。

Microsoft DirectX — 为 ML 时代演进 DirectX

GDC 2026 官方概述，介绍 DirectX 中着色器级和模型级 ML。

NVIDIA Research — DLSS 5：生成式神经渲染

主要研究页面，将 DLSS 5 描述为实时生成式渲染阶段。

NVIDIA — DGX Spark 规格

官方架构、统一内存和带宽规格。

NVIDIA — GeForce RTX 5090

官方当前 RTX 5090 产品页面，用于区分已确认的产品状态与停产传闻。

Tom’s Hardware — RTX 5090 零售消失与停产传闻

当前市场报告，仅作为行业信号使用；报告明确指出 NVIDIA 尚未确认停产。

NVIDIA Research — 材质纹理的随机访问神经压缩

主要来源，说明在内存比 BC High 少 30% 的情况下实现 4 倍线性分辨率 / 16 倍纹素比较。

NVIDIA — RTX PRO 6000 Blackwell 工作站版

官方来源，提供 96 GB GDDR7 和 1,792 GB/s 内存带宽，用作带宽参考点。

关键概念

神经渲染

在生成、重建或增强视觉输出的过程中使用训练模型作为一部分的渲染方法。

异构计算

将不同工作负载分配给不同计算引擎（如 CPU、GPU、RT 和矩阵/Tensor 硬件）的系统。

有效内存

在考虑压缩、驻留和移动效率后，对内存系统能够保留并供给计算的有用数据量的实际描述。它不是物理容量的正式替代。

预测性内存

Figure Rocks 的简写，指结合已知游戏状态和学习预测，在停顿发生前准备可能需要的数 据。它是一种假设，不是行业标准。

几十年来，发烧级 PC 游戏遵循一个熟悉的交易：游戏要求更多计算，GPU 世代提供更多计算，玩家在差距足够大时升级。这个循环从未完美运作，但方向是可以理解的。到了 2026 年，这个循环变得越来越难以解读，因为两件事同时发生：AI 基础设施正在积极争夺芯片和内存，而 AI 技术正直接进入游戏创建帧的方式。

规模不匹配已经可见

Newzoo 预测 2026 年全球游戏市场将达到 2139 亿美元，同比增长 6.1%。半导体行业协会报告 2025 年全球半导体销售额为 7917 亿美元，增长 25.6%，并预测 2026 年约为 1 万亿美元。游戏业务和半导体业务仍然相互依赖，但它们的激励正变得越来越不对称：同一个使能高端游戏的先进制造生态系统，现在服务于拥有更大基础设施预算的 AI 和数据中心买家。这些不是直接可比的产品类别；它们确立了游戏周围上游计算经济的规模。

内存是压力变得具体的地方

TrendForce多次报告称，随着AI需求增长，DRAM供应商正将产能转向服务器和HBM产品。2026年3月，它预测第二季度传统DRAM合约价格环比上涨58–63%，并表示有限的GDDR分配正在制约图形内存供应。到第三季度，TrendForce表示，尽管AI和服务器需求依然强劲，消费类客户正达到可负担性极限。

资源分配压力

1

1. AI基础设施扩张

云提供商和AI建设者获取服务器内存、HBM、企业级SSD和先进计算资源。

2

2. 供应商优化产品组合

产能转向需求更强、利润率更高或拥有长期合同的产品。

3

3. 消费级分配收紧

PC、图形和消费级内存买家面临更高价格或受限的供应。

4

4. 游戏厂商吸收或转嫁成本

板卡设计、VRAM容量和系统价格成为更艰难的权衡。

5

5. 旧升级周期减弱

更快的GPU仍然有用，但在相同的消费价格点上，暴力堆料式扩展在经济上越来越难以重复。

与此同时，帧本身也在改变

微软现在将机器学习描述为正在成为实时图形的基础。DirectX正在添加着色器级和模型级的ML路径，使神经纹理压缩、降噪、超分辨率和其他学习型工作负载能够融入图形栈，而不是作为孤立功能附加。NVIDIA的DLSS 5研究通过引入生成式神经渲染阶段进一步推进了这一理念，该阶段用学习到的外观先验补充传统渲染。神经渲染并不意味着传统渲染消失。新兴的模式是混合式的：直接渲染一些信息，在更便宜或更有用时推断或重建其他信息。

传统缩放 vs 神经时代缩放

	传统路径	神经时代路径
更高视觉保真度	存储更多细节并渲染更多工作	选择性存储/渲染，重建或推断部分细节
内存响应	增加容量和带宽	在需要时增加容量，但也压缩并减少移动
性能响应	更多着色器/RT吞吐量	混合着色器、RT和矩阵/Tensor风格计算
软件角色	引擎主要调度传统图形工作	引擎越来越多地调度渲染、数据移动和ML工作负载

只有正确表述，5090的问题才有意义

RTX 5090是一个有用的例子，恰恰因为证据是混合的。截至2026年10月18日，NVIDIA仍将GeForce RTX 5090列为当前产品。与此同时，零售商行为和媒体报道记录了异常糟糕的可用性以及未经证实的停产说法。这是一个市场信号，而非官方的停产公告。因此，站得住脚的问题不是NVIDIA是否秘密杀死了一款显卡，而是当类似架构可以服务于经济性截然不同的专业可视化和AI市场时，将顶级Blackwell级硅片分配给发烧级游戏的机会成本是否上升。

内存正开始成为计算问题，而不仅仅是容量问题

至少有两种方法可以在不单纯提高原始DRAM速度的情况下攻击内存瓶颈：压缩表示、用计算重建细节、预测接下来需要什么数据，以及将正确的数据保持在执行单元附近。这些都不会让物理内存芯片神奇地变快。它们改变了系统从有限容量和带宽预算中获得多少有用工作。

技术响应可能如何运作

一种可能的未来帧管线

1

压缩

在质量允许的情况下，保持纹理或学习到的表示更小。

2

预测

使用确定性游戏状态和学习模型来估计接下来需要哪些数据。

3

预取

在GPU因等待数据而停滞之前，提前移动有用的数据。

4

渲染

将传统图形工作集中在最能改变可见结果的地方。

5

推理

在推理比直接存储或模拟所有内容更便宜的地方，使用神经重建或生成。

6

呈现

在保持延迟、伪影和帧节奏在可接受范围内的同时交付帧。

这条管线并非某个已发布的产品。每个组件都已以某种形式存在，但整合后的链条仍是假设。神经纹理压缩已表明，学习到的表示可以用计算换取内存。GPU预取研究表明，学习到的预测可以提高内存页命中率。DirectX正在将机器学习形式化到图形编程模型中。DLSS 5显示生成阶段正在进入实时渲染。

游戏拥有通用工作负载通常不具备的一个优势：它已经知道部分未来

游戏引擎知道相机变换、玩家速度、当前世界单元、相邻流送单元、动画状态、活动实体、LOD过渡、着色器依赖关系，以及通常可能的遍历路径。这种确定性上下文并不能完美揭示未来，但它为预测器提供了比仅靠通用内存跟踪更丰富的起点。

一个预测性游戏内存示例

1

1. 观察确定性状态

相机方向、移动向量、当前房间、可见传送门和已知资产依赖关系已存在于引擎状态中。

2

2. 估计近期工作集

学习到的预测器可以对可能的下一房间、纹理、几何体、着色器或神经表示进行排序。

3

3. 在可用带宽期间预取

在内存系统有余量时移动可能的资源，而不是等待硬性需求缺失。

4

4. 保持确定性保证

关键资产仍使用编写规则；预测补充而非替代正确性。

5

5. 衡量缺失成本

如果预测浪费带宽或驱逐有用数据，置信度或预取深度必须降低。

为什么类Spark架构变得有趣

DGX Spark不是游戏PC，将其视为游戏PC会掩盖有用的教训。其GB10设计结合了Arm CPU核心、Blackwell GPU、Tensor和RT硬件，以及高达128 GB的一致性统一系统内存。这种架构提出了与经典台式机不同的问题：不是将系统清晰地分为CPU内存和独立VRAM，而是当多个计算引擎共享一个大内存池时会发生什么？

这一转变要成功，必须满足哪些条件？

神经游戏可行性测试

1

1. 推理节省必须大于其成本

神经工作必须消除足够的存储、带宽或传统渲染成本，以证明其自身计算和延迟的合理性。

2

2. 引擎必须暴露有用的状态

当系统知道相机方向、资产依赖关系、移动和可能的可见性时，预测效果更好。

3

3. 内存移动必须变得有意识

没有良好的驻留和预取策略，压缩仍可能导致停滞。

4

4. 质量必须保持稳定

生成的细节不能引入不可接受的伪影、时间不稳定或不正确的游戏信息。

5

5. 延迟必须有界

更漂亮的帧并不自动意味着更响应灵敏的游戏。

6

6. 技术栈必须经受供应商差异

有用的技术需要API、驱动和引擎路径，不能碎片化为一次性演示。

买家应从类Spark转变中期待什么？

潜在收益 vs 实际成本

	潜在收益	成本/风险
大型一致性池	CPU、图形和本地AI之间更灵活的共享	共享客户端可能争用同一带宽
减少重复	独立系统RAM和VRAM池之间的副本更少	一致性和调度增加复杂性
更多本地AI余量	更大的模型、代理或神经资产可以在本地共存	AI可能与图形争夺计算和内存
系统级优化	平台可以一起优化数据放置和加速器	更紧密的集成可能降低可升级性并增加锁定
新的工作负载灵活性	如果未来游戏转向神经工作负载，机器可能更耐用	只有当引擎和运行时实际使用这些能力时

什么会证伪这一假设？

这一论点刻意可证伪。下表定义了市场、软件、硬件和游戏采用信号，这些信号会随时间使论点更强或更弱。

强化或削弱论点的证据

	会强化论点	会削弱论点
内存经济学	服务器/HBM 优先级持续挤压消费级分配	消费者产能扩大，价格压力趋于正常
图形技术栈	机器学习原语成为常规引擎/DirectX 特性	神经图形仍为厂商特定的可选后处理
硬件设计	更集成的异构计算和更大的连贯内存池	独立 GPU + 独立内存仍在成本、灵活性和延迟上明显占优
游戏采用	工作室广泛部署神经压缩、生成和预测数据路径	技术仍局限于演示或少数旗舰游戏

当今玩家的实用结论

不要因为某种推测性架构可能到来而购买硬件。应根据你实际拥有的游戏、分辨率、延迟目标和工作负载来购买。但不要假设面向未来的考量仍能简化为光栅性能或显存容量这样的单一数字。软件栈的发展方向表明，内存行为、神经计算和引擎支持可能日益成为价值方程中的重要部分。

主要来源

Newzoo — 2026 全球游戏市场关键数据

用于规模比较的 2026 年游戏市场预测。

半导体行业协会 — 2025 年全球销售额

2025 年半导体销售额及该协会约 1 万亿美元的 2026 年预测。

TrendForce — AI 服务器需求支撑 2026 年第四季度内存价格上涨

2026 年末关于服务器优先产能分配持续及消费端压力的证据。

NVIDIA Research — Buddy Compression

HPC 平均压缩比 2.2 倍、DL 平均压缩比 1.5 倍的研究来源。

基于深度学习的 CPU–GPU UVM 预取

学习型页面预取结果的研究来源。

AAAI 2026 — 异步 KV 缓存预取

通过主动 GPU 缓存预取实现延迟隐藏的研究来源。

TrendForce — AI 服务器需求与 2026 年第二季度内存价格

关于服务器/HBM 优先、GDDR 限制和消费端压力的当前证据。

Microsoft DirectX — 为 ML 时代演进 DirectX

GDC 2026 关于 DirectX 中着色器级和模型级 ML 的官方概述。

NVIDIA Research — DLSS 5：生成式神经渲染

将 DLSS 5 描述为实时生成式渲染阶段的主要研究页面。

NVIDIA — DGX Spark 规格

官方架构、统一内存和带宽规格。

NVIDIA — GeForce RTX 5090

官方当前 RTX 5090 产品页面，用于区分已确认的产品状态与停产传闻。

Tom’s Hardware — RTX 5090 零售消失与停产传闻

仅作为行业信号的当前市场报道；该报道明确指出 NVIDIA 尚未确认停产。

NVIDIA Research — 材质纹理的随机访问神经压缩

关于相比 BC High 内存减少 30% 时实现 4 倍线性分辨率 / 16 倍纹素比较的主要来源。

NVIDIA — RTX PRO 6000 Blackwell 工作站版

96 GB GDDR7 和 1,792 GB/s 内存带宽的官方来源，用作带宽参考点。

关键概念

神经渲染

使用训练好的模型作为生成、重建或增强视觉输出的一部分的渲染方法。

异构计算

将不同工作负载分配给不同计算引擎（如 CPU、GPU、RT 和矩阵/Tensor 硬件）的系统。

有效内存

在考虑压缩、驻留和移动效率后，对内存系统能够保留并供给计算的有用数据量的实际描述。它不是对物理容量的正式替代。

预测性内存

Figure Rocks 的简写，指结合已知游戏状态和学习预测，在停顿发生前准备可能需要的数​​据。这是一种假设，并非行业标准。