Nein, so ich AMD verstanden habe nutzten sie KI um den Programmcode zu verbessern, nicht um die Bildgenerierung selbst durch zu führen. Also bsw. damit es deutlich geschmeidiger läuft als die erste Version. Vielleicht war es auch für die Bildstabilität zuträglich. Aber KI generiert bei AFMF2.x keine Inhalte.
Ich werte das eher als einen Versuch, auf dem KI-Marketing-Hype mit zu reiten. In dem Sinne, seht her, auch wir können Dinge mit KI machen und den "lausigen" Programmierer-Code automatisiert aufpolieren
Das klingt nicht ganz korrekt.
Ich glaube, wir meinen das Selbe, drücken uns aber holprig aus
KI, bzw. Machine Learning (Neuronale Netze/KI, ...) kommt schon zum Einsatz - nur nicht auf der GPU selbst.
Das Ausführen der maschinen-gelernten/trainierten "Modelle" (Rechenoperationen/ Algorithmen) nennt man "Inferenz".
Machine Learning und Deep Learning werden oft synonym benutzt, meinen aber genaugenommen unterschiedliche Ansätze:
- Machine Learning (ML): ist eine Unterrubrik der Künstlichen Intelligenz, die Algorithmen und Statistische Modelle beinhaltet, die es Computern ermöglicht, Aufgaben ohne explizite Befehle abzuwickeln. ML-Systeme lernen von Daten, um Vorhersagen und Entscheidungen zu treffen.
- Deep Learning (DL): ist eine spezielle Unterrubrik von Machine Learning, die Neuronale Netzwerke mit vielen Ebenen nutzt (daher "Deep")
Soweit ich das verstanden habe sieht das bei
Nvidia z.B. so aus:
NVIDIAs DLSS (Deep Learning Super Sampling) Technologie nutzt Serverfarmen, um ihre Algorithmen zu trainieren, die dann für die Ausführung auf GPUs optimiert werden. Dieser Ansatz ermöglicht es NVIDIA, umfangreiche Rechenressourcen zu nutzen, um die Bildqualität und Leistung in Spielen zu verbessern.
(Für eine detaillierte Erklärung, wie DLSS funktioniert und wie es auf Serverfarmen für das Training angewiesen ist, siehe den
Artikel von How-To Geek.)
NVIDIAs Tensor Cores auf den GPUs sind spezialisierte Hardwarekomponenten, die entwickelt wurden, um die Ausführung von Rechenmodelle aus Deep Learning und maschinellem Lernen auf GPUs zu beschleunigen:
- Matrixoperationen:
Tensor Cores sind optimiert für die Durchführung von Matrixmultiplikationen und Faltungen, die grundlegende Operationen in neuronalen Netzwerken sind. Sie können mehrere Datenpunkte gleichzeitig verarbeiten, was die Berechnungen, die für die Inferenz in maschinellen Lernmodellen erforderlich sind, erheblich beschleunigt.
- Gemischte Präzisionsberechnung:
sie unterstützen gemischte Präzisionsberechnungen, die es ihnen ermöglichen, Operationen mit niedrigerer Präzision (wie 16-Bit-Gleitkommazahlen) durchzuführen und dabei die Genauigkeit zu wahren. Diese Fähigkeit verbessert die Leistung und reduziert die Anforderungen an die Speicherbandbreite, was sie effizienter für Deep Leaning Ergebnisse macht.
- KI und maschinelles Lernen:
Während Tensor Cores selbst keine KI ausführen, sind sie integraler Bestandteil der Ausführung von KI-erlernten Algorithmen. Sie ermöglichen eine schnellere Inferenz von maschinellen Lernmodellen direkt auf der GPU, was sie zu einem entscheidenden Element bei der Bereitstellung von KI-Anwendungen macht.
Zusammenfassend lässt sich sagen, dass Tensor Cores tatsächlich als Teil des KI-Ökosystems betrachtet werden können, da sie die Ausführung von maschinellen Lernaufgaben auf NVIDIAs GPUs erleichtern und eine effizientere Verarbeitung komplexer Modelle ermöglichen. Sie selbst führen auf der GPU aber keine KI aus und trainieren keine Machine Learning Modelle.
Oder in Deinen Worten: "Auch bei Nvidia generiert auf den GPUs keine KI Bildinhalte".
Die ganzen esoterischen Erklärungen, was jetzt bei RTX genau KI sei, sind genauso Ki-Marketing-Hype.
Was aber richtig ist, ist der Unterschied, dass Nvidia spezialisierte Hardware auf den GPU's einsetzt, die ganz spiezielle Operationen besonders effizinet ausführt, wie sie nur bei AI-Tasks vorkommen und für nichts anderes zu gebrauchen sind, und AMD dies vermeidet und lieber einen mehr Multi-Purpose-Compute-Ansatz verfolgt.
---
Bei
AMD war das bisher ein gänzlich anderer Ansatz. Sie schwenken nun ebenfalls auf einen "AI"-Ansatz mit Training mittels Machine Learning über Neuronale Netzwerke - auf Serverfarmen, genau wie bei Nvidia auch.
Mit der RDNA 4-Architektur, führt AMD einen maschinellen Lernansatz mit FidelityFX Super Resolution (FSR) 4 ein, der darauf abzielt, die Bildqualität und Leistung zu verbessern, ähnlich wie NVIDIAs Deep Learning Super Sampling (DLSS).
Obwohl beide Technologien Upscaling nutzen, um die Bildrate zu verbessern, gibt es wesentliche Unterschiede:
- DLSS: NVIDIAs DLSS nutzt dedizierte "KI-Kerne" (Tensor Cores) innerhalb seiner GPUs für eine fortschrittliche Bildrekonstruktion, was zu anspruchsvolleren Verbesserungen und besserer Leistung in unterstützten Spielen führt.
- FSR 4: AMDs FSR 4 integriert maschinelles Lernen, um Bilder in Echtzeit vorherzusagen und zu rekonstruieren. Dieser Ansatz zielt darauf ab, eine wettbewerbsfähige Alternative zu DLSS zu bieten und die Bildqualität und Leistung ohne die Notwendigkeit dedizierter KI-Hardware zu erreichen.
Das neue Machine Learning-Model von FSR4 beinhaltet sowohl temporale als auch spatiale Auswertungen.
Die maschinellen Lernmodelle von AMDs FSR 4 wurden auf AMD Instinct Datenzentrum-GPUs trainiert. Diese trainierten Modelle nutzen die Fähigkeiten der RDNA 4-Architektur, um die Bildqualität erheblich zu verbessern und die Leistung sowie die Detailtreue in unterstützten Spielen zu optimieren.
Dabei werden gleich mehrere Fähigkeiten der neuen Architektur genutzt, um die Ausführung zu optimieren - ganz ohne dedizierte KI-Hardware.
Die wichtigsten sind:
- 3. Generation Matrixbeschleuniger:
Diese Beschleuniger unterstützen 8-Bit-Gleitkommadaten und strukturierte Sparsamkeit, was die Effizienz bei der Verarbeitung von KI-Workloads erheblich verbessert.
- Optimierung von Matrixoperationen:
Die Architektur ermöglicht signifikante Geschwindigkeitssteigerungen bei Matrixoperationen (Fähigkeit der RDNA 4-Architektur, effizientere Berechnungen durchzuführen), was für viele maschinelle Lernalgorithmen wichtig ist. Dadurch wird die Durchsatzrate bei den Berechnungen des maschinen-gelernten-Modells gesteigert.
Nvidia DLSS and AMD FSR are the two most prominent upscaling tools you'll find in games, but which is better? We put them head-to-head.
www.digitaltrends.com
Interested in knowing what makes AMD's new Radeon RX 9070 family tick? Here's a look under the hood of RDNA 4.
hothardware.com
Discover AMD-optimized ONNX models on Hugging Face for AMD Ryzen™ AI APUs and Radeon™ GPUs and incredible performance with the AMD Radeon RX 9000 Series' advanced AI accelerators.
gpuopen.com
The sort of AI infusion I can get behind.
www.pcgamer.com
Check out the new versions of AMD's AI-based image upscaling, sharpening and frame-generation tech, available via its GPU drivers.
www.cgchannel.com
The next evolution in FSR frame generation
www.tomshardware.com
wccftech.com
tech.yahoo.com
www.pcguide.com
Andernorts wurde gesagt, dass die MachineLearning-Berechnungen des Upscaling-Modells (also der Algorithmen, die dann später auf der GPU angewandt werden) zu wesentlichen Verbesserungen in den Berechnungen geführt hat, wodurch diese weniger aufwendig und komplex wurden. Besonder nahe 4k.
www.techspot.com
gamersnexus.net
