在智能助手日益普及的今天，图形处理能力成为制约沉浸式体验的关键瓶颈。无论是AI驱动的虚拟角色还是实时渲染的交互界面，都需要在有限显存下呈现更丰富的细节。AMD最新公布的PEPS（位置编码投影采样）神经纹理压缩技术，通过AI技术实现画质不变下参数减少25%，为未来智能助手的视觉表现铺平了道路。这项研究在2026年度I3D研讨会上首次亮相，引发业界对显存效率与计算开销之间平衡的新一轮讨论。
纹理压缩的瓶颈与神经网络的破局
传统纹理压缩方案（如BC、ETC、ASTC）已经沿用多年，它们基于固定块编码，在压缩比和画质之间有一个难以逾越的平衡点。随着8K、16K纹理成为主流，游戏容量和显存占用急剧膨胀——现代3A大作中单个材质包可以轻松突破10GB，而主流显卡依然停留在8GB、12GB显存水平。这种供需失衡催生了神经纹理压缩（Neural Texture Compression）这一全新方向。
神经纹理压缩的核心思想是用一个轻量级神经网络（隐式神经表示，INR）来替代传统纹理数据。网络输入是纹理坐标，输出是颜色或法线等信号值。由于网络参数比原始像素数据少得多，理论上可以实现极高的压缩率。过去几年，NVIDIA的NTC（Neural Texture Compression）工具包已经证明了这一点，但网络参数量依然偏高，推理速度也受限于硬件。
AMD的PEPS技术正是在这一背景下诞生。它没有完全推翻现有神经网络框架，而是对位置编码这一关键环节进行了精巧改造。AI Agent技术在图形学中的地位越来越重要，PEPS的突破表明，硬件厂商开始认真考虑用AI方法替代传统图形管线中的固定环节。对于智能助手这类需要实时渲染的应用，这种技术意味着更低的显存占用和更流畅的交互。值得注意的是，AI画图领域也在探索类似的隐式表示，但PEPS的独特之处在于它专门针对纹理坐标的高维映射做了优化。
PEPS技术原理：李萨如曲线下的投影采样
理解PEPS之前，需要先明白传统位置编码的局限。典型的神经纹理压缩网络会使用正弦/余弦函数将低维坐标映射到高维空间，以便捕捉纹理中的高频细节。但这种编码方式本质上是一种固定基函数展开，每个频率成分独立编码，相互之间缺乏协同。
AMD研究团队的洞察在于：每一个正弦/余弦投影实际上可以视为李萨如曲线上的一个点。李萨如曲线是描述两个互相垂直的简谐振动合成的轨迹，具有丰富的几何结构。PEPS的做法是，首先将所有正弦/余弦投影视为李萨如曲线的采样点，然后对这些投影点进行二次采样，从而用更少的投影点携带更多的信息量。换句话说，传统方法用100个独立投影，PEPS可能只用了75个投影，但每个投影都处在李萨如曲线的最优位置上，信息密度大幅提升。
这种“投影采样”策略使得隐式神经表示能够以更少的参数重建出同等质量的纹理。在AMD的测试中，PEPS版本相比BI-grid基准方案，参数减少了25%，而视觉质量（PSNR、SSIM等指标）几乎完全一致。从信号处理角度看，这相当于用更稀疏的采样点实现了相同的频域覆盖。大模型训练中常用的稀疏注意力机制与之有异曲同工之妙，都是通过更聪明的采样来降低计算和存储成本。
当然，这种改进并非没有代价。额外的采样步骤引入了新的计算开销——从李萨如曲线中筛选最优投影点需要实时的数学运算。这也是“用计算换显存”这一标题的由来。对于智能助手这类运行在终端设备上的应用，背景去除或实时渲染等场景对延迟非常敏感，如何平衡显存节省和计算增加是工程落地的关键。
计算换显存：性能测试与权衡分析
AMD在Radeon RX 9070 XT显卡上进行了详尽测试，结果直观展示了计算开销的权衡。生成一张1024×1024的三通道纹理，BI-grid基准方案耗时4.32毫秒；而采用Grid-PEPS方案后，耗时增加到5.47毫秒，增幅约26.6%。这主要是因为投影采样步骤需要额外的内存访问和数学运算，尤其在GPU的SIMD架构下，分支操作会打乱向量化执行效率。
不过研究团队并未止步于此。他们进一步优化了抽样策略，推出Grid-PinkPEPS版本，将耗时缩短至4.86毫秒，与基准差距收窄至12.5%。优化手段包括使用预计算查找表（LUT）替代部分实时计算，以及调整线程束调度以减少访存冲突。这说明首次实现时引入的额外开销并非不可避免，随着算法和硬件协同优化，未来有望将性能损失降至个位数。
从实际应用角度看，12-26%的生成时间增加是否值得？关键取决于纹理加载频率和显存节省收益。在游戏体验中，纹理通常只需加载一次，后续主要消耗的是存储带宽；而在智能助手的动态场景中（如实时换装、环境切换），纹理可能需要频繁更新。此时，显存占用减少25%意味着可以同时加载更多的材质、更高精度的贴图，或者为其他AI模型腾出空间——例如同时运行AI诗词生成模块和语音交互模型。
另一个值得注意的维度是功耗。虽然额外计算提升了GPU核心负载，但显存访问次数的减少会降低显存带宽功耗。在典型工作负载下，显存功耗占比可达20-40%，因此总系统功耗未必会增加。这意味着PEPS不仅适用于高端显卡，对智能助手常用的边缘设备（如手机、XR眼镜）同样有吸引力。
从纹理到SDF：3D渲染的全面赋能
PEPS的应用潜力远不止于纹理压缩。在3D渲染中，符号距离函数（SDF）是表征几何形状的重要工具，广泛应用于碰撞检测、光线追踪和体积渲染。传统的SDF依赖高分辨率网格，对显存消耗极大。一个复杂的场景可能需要数千兆字节的SDF数据，严重限制了实时性能。
AMD将PEPS方法扩展到SDF压缩领域，在Pitted Stonefish SDF的测试中获得了惊人结果。Grid-PEPS的编码器参数仅为非PEPS方法的八分之一，但重建的3D形状与原模型的重合度（交并比IoU）几乎完全相同。这意味着开发者可以用同样大小的显存存储8倍更复杂的场景，或者在保持相同精度下大幅降低显存占用。
这对智能助手的空间感知能力至关重要。未来的智能助手需要实时理解周围环境进行导航和交互，SDF是构建房间级场景图的常用表示。PEPS压缩后的SDF可以直接部署在轻量级设备上，让艺术签名或增强现实应用更流畅地运行。此外，AI工具箱中已有许多基于SDF的3D重建工具，PEPS的加入将显著降低它们的硬件门槛。
更令人兴奋的是，PEPS的方法论具有通用性。任何需要高维坐标映射到信号值的隐式神经表示问题，都可以借鉴“李萨如投影采样”的思路。未来，包括光场渲染、材质属性场、甚至文生图中的连续表示都可能受益于此。
行业生态现状：NVIDIA与AMD的竞速
尽管PEPS在技术层面颇具看点，但距离消费级应用落地还有相当距离。目前业界仅有NVIDIA提供了公开的神经纹理压缩工具包（NTC）和演示示例，且市面上尚无任何一款游戏完整部署了该技术。AMD这边，支持更是处于早期阶段——官方甚至没有为PEPS确立正式的商用品牌名称，各项研究中仍使用通用技术术语。
这背后反映的是整个行业的谨慎态度。神经纹理压缩虽然压缩率高，但推理时延和硬件兼容性尚未经过大规模验证。现代游戏引擎（如Unreal Engine 5）的纹理流送系统高度依赖固定格式的硬件解压单元，而神经网络推理需要通用计算核心，这会与图形管线争抢资源。企业数字化转型中常见的技术落地挑战，在图形领域同样存在——需要整个工具链（驱动、引擎、建模工具）的协同适配。
不过，显存容量吃紧的趋势正在加速这一进程。8GB显存显卡在未来数年仍将是主流配置，而4K/8K纹理、光线追踪和AI增强渲染对显存的胃口越来越大。无论是NVIDIA还是AMD，都在寻求更高效的压缩方案。PEPS的出现证明，AMD在AI图形技术上的投入不输对手。对于开发者而言，现在可以通过AI工具导航获取相关研究资料，提前了解这一前沿方向。
值得注意的是，抠图等传统图形任务也在经历类似的AI化转型。当整个图形管线逐渐被神经网络渗透，PEPS这样的技术将成为标准组件。智能助手作为最早一批集成AI图形能力的应用，很可能率先受益于这些底层优化。
未来展望：当智能助手遇上神经纹理压缩
站在2025年的技术关口，PEPS向我们展示了一个清晰的趋势：未来图形处理的瓶颈不再是显存容量，而是如何高效利用计算来换取存储。智能助手所依赖的实时渲染、场景理解和交互反馈，都将从这类技术中获益。想象一下，当你在智能助手的“虚拟镜像”中调整发型和服装，背后是PEPS压缩的超高清纹理在毫秒级加载；当你与虚拟角色对话时，它的面部微表情和皮肤细节来自经过SDF压缩的精细3D模型。
更长远来看，神经纹理压缩将催生新的内容格式。游戏不再需要几十GB的安装包，而是通过一个轻量级神经网络和一组合成指令来生成所有材质。智能助手的“皮肤”可以实时下载和更新，就像手机主题一样简单。游戏ID或虚拟身份系统的定制化需求，将推动AI生成纹理和几何数据的普及。
当然，挑战依然存在。训练一个通用的神经纹理网络需要大量数据计算，不同设备之间的推理精度差异也需要标准化。AMD的PEPS只是万里长征的第一步，接下来我们需要看到更多厂商的开源工具、游戏引擎的原生支持，以及硬件级别的加速单元。在这个过程中，AI Agent技术将扮演重要的桥接角色，帮助开发者将研究成果转化为产品特性。
无论如何，PEPS的意义已经超越了单纯的技术创新——它代表了整个行业对“计算换取显存”这一范式的认可。当智能助手真正需要同时处理数十个高精度3D模型和实时视频流时，今天这些看似微小的25%参数节省，将汇聚成体验的质变。