DLSS 5 กับปริศนาประสิทธิภาพพลังงาน เมื่อเฟรมเรตแรงแลกด้วยไฟที่พุ่ง

DLSS 5 คืออะไร และทำไมมันถึงกลายเป็นตัวการกินไฟ

DLSS 5 คือเทคโนโลยี neural rendering ของ Nvidia ที่ใช้ปัญญาประดิษฐ์ช่วยสร้างและปรับปรุงเฟรมภาพเกม ทำให้ได้ภาพคมชัดและเฟรมเรตสูงโดยอาศัยการประมวลผลจากโมเดล AI แทนการเรนเดอร์ทุกพิกเซลแบบดั้งเดิม เป้าหมายคือให้ประสิทธิภาพดีขึ้นต่อวัตต์ด้วยการใช้การขยายภาพและการสร้างเฟรม แต่ในทางปฏิบัติ DLSS 5 กลับเพิ่มภาระให้ฮาร์ดแวร์อย่างมาก โดยเฉพาะบนการ์ดจอระดับสูงที่มีทรัพยากร Tensor Core จำนวนมาก การเปิดใช้ฟีเจอร์นี้จึงอาจทำให้การกินไฟและความร้อนรวมของระบบพุ่งขึ้นอย่างเห็นได้ชัด ไม่ได้เป็นเพียงตัวช่วยประหยัดพลังงานอย่างที่เคยคาดหวัง

DLSS 5 เริ่มถูกผลักเข้าสู่สายตาผู้เล่นพร้อมการเปิดตัวเกมบาสเกตบอล NBA 2K27 ซึ่งเป็นเกมแรกที่รองรับอย่างเป็นทางการและจับคู่กับซีรีส์ RTX 50 เป็นหลัก เทคโนโลยีนี้ถูกโฆษณาในฐานะการยกระดับภาพผ่าน AI ที่ฉลาดขึ้นและเน้นคุณภาพเชิงภาพมากกว่ารุ่นก่อน แต่ผลทดสอบเชิงลึกจากสื่อฮาร์ดแวร์รายใหญ่กลับชี้ให้เห็นด้านมืดของประสิทธิภาพพลังงาน เพราะเมื่อเปิด DLSS 5 ทั้งระบบเรนเดอร์ไม่ใช่เพียงการ upscale เฟรมเบาๆ อีกต่อไป แต่กลายเป็นการรันโมเดล AI ขนาดใหญ่บนการ์ดจอเหมือนติดตั้งโมเดลสร้างภาพอยู่ตลอดเวลา ส่งผลให้ผู้ใช้การ์ดจอระดับสูงต้องเผชิญกับการกินไฟสูงเกินคาด

ตัวเลขที่น่าตกใจ RTX 5090 กับการกินไฟพุ่ง 60 เปอร์เซ็นต์เมื่อเปิด DLSS 5

จุดที่น่ากังวลที่สุดของ DLSS 5 power consumption อยู่ที่ฝั่งการ์ดจอไฮเอนด์ ผลทดสอบที่วัดการใช้พลังงานตั้งแต่ RTX 5060 ถึง RTX 5090 ในความละเอียด 1440p และ 2160p แสดงให้เห็นว่าการเปิดฟีเจอร์นี้ทำให้การกินไฟเปลี่ยนไปอย่างชัดเจน โดยในกลุ่มการ์ดจอระดับเริ่มต้นและกลาง การเพิ่มขึ้นเพียงเล็กน้อยหรือประมาณ 10 เปอร์เซ็นต์ยังพอรับได้ แต่เมื่อขยับขึ้นสู่ระดับโฟกัสของสายฮาร์ดคอร์ ภาพก็เปลี่ยนจากการ “จูนให้ลื่น” ไปเป็นการ “ดันให้สุดกำแพงไฟ” อย่างแท้จริง

ตามผลทดสอบเดียวกัน RTX 5080 และ RTX 5090 power draw ในความละเอียด 2K เมื่อเปิด DLSS 5 เพิ่มขึ้นสูงถึงประมาณ 60 เปอร์เซ็นต์เมื่อเทียบกับการเรนเดอร์แบบปกติ ขณะที่ใน 4K RTX 5090 ยังมีการกินไฟเพิ่มราว 40 เปอร์เซ็นต์ และ RTX 5080 ประมาณ 25 เปอร์เซ็นต์แม้ระบบจะใกล้แตะขีดจำกัดพลังงานอยู่แล้วก็ตาม ข้อเท็จจริงที่ว่า “เปิด DLSS 5 แล้ว RTX 5090 กินไฟเพิ่มขึ้นถึง 60 เปอร์เซ็นต์ใน 2K” เป็นประโยคที่หักล้างภาพจำเดิมของเทคโนโลยี upscaling ว่าต้องช่วยประหยัดไฟ ทำให้เจ้าของการ์ดจอท็อปต้องกลับมาทบทวนแนวคิดเรื่อง GPU upscaling efficiency ว่ายังใช้คำว่าคุ้มต่อวัตต์ได้อยู่หรือไม่เมื่อเฟรมเรตแลกมาด้วยกำลังไฟที่สูงขึ้น

เบื้องหลัง neural rendering performance ทำไม DLSS 5 ถึงกินทรัพยากร GPU หนักกว่ารุ่นก่อน

หัวใจของปริศนาพลังงาน DLSS 5 อยู่ที่การเปลี่ยนสถาปัตยกรรมภายในอย่างชัดเจน จากเดิมที่ DLSS เน้น Super Resolution และ Ray Reconstruction ซึ่งเป็นการประมวลผลเพื่อเติมเต็มรายละเอียดและลด noise ตามเฟรมที่มีอยู่ รุ่นใหม่กลับขยับไปใช้โมเดล AI ขนาดใหญ่ที่ทำงานคล้ายระบบสร้างภาพเชิงกำเนิดตลอดเวลา ผลทดสอบและการวิเคราะห์ระบุว่าภาระงานของ DLSS 5 เทียบได้กับการให้การ์ดจอรันโมเดลสร้างภาพโลคัลลงบน Tensor Core อย่างต่อเนื่องและในระดับความหนาแน่นสูงมาก เมื่อรวมเข้ากับสถาปัตยกรรม Blackwell ที่เพิ่มจำนวนและความเร็วของ Tensor Core จึงไม่แปลกที่การกินไฟจะกระโดดขึ้นแทนที่จะลดลง

จุดที่น่าสนใจคือการกระจายการกินไฟที่ผิดคาดใน 2K กับ 4K ที่ผลทดสอบพบว่าใน 2K การเพิ่มขึ้นของการใช้พลังงานรุนแรงกว่า 4K การตีความที่สมเหตุสมผลคือในความละเอียด 4K CUDA core และแบนด์วิดท์หน่วยความจำของการ์ดจอถูกใช้งานใกล้เต็มแล้ว ทำให้ตัวการ์ดแตะกำแพง Power Limit อยู่ก่อน เมื่อเปิด DLSS 5 จึงเพิ่มการกินไฟได้ไม่มาก แต่ใน 2K ทรัพยากรเรนเดอร์หลักยังเหลือพื้นที่ให้ Tensor Core ทำงานเต็มกำลัง จึงปลดล็อกระดับการใช้ไฟที่สูงกว่าเดิมอย่างชัดเจน ผลก็คือบนการ์ดจอแรง การเปิด DLSS 5 กลายเป็นการเรียกพลังงานแฝงจาก Tensor Core ขึ้นมาใช้จนตัวการ์ดร้อนและกินไฟหนักกว่าโหมดเรนเดอร์แบบเดิม

จากม็อดบน Turing ถึง WebGPU บนเบราว์เซอร์ เส้นทางใหม่ของ DLSS 5

แม้ DLSS 5 จะถูกโปรโมตว่ารองรับเฉพาะซีรีส์ RTX 50 และบริการสตรีมมิงบางแพลตฟอร์ม แต่ในโลกม็อดชุมชนได้เดินหน้าแฮ็กข้อจำกัดนี้ไปไกลแล้ว ไฟล์ DLL ของ DLSS 5 ถูกนำไปใช้บน RTX 40 และ RTX 30 รวมถึงฮาร์ดแวร์จากค่ายอื่น และยังมีม็อดที่ปลดล็อกให้ทำงานบน RTX 20 ซึ่งใช้สถาปัตยกรรม Turing ด้วย นี่สะท้อนว่าตัวโมเดล AI และแนวคิด multi-frame generation ไม่ได้ถูกผูกติดกับเจเนอเรชันล่าสุดทางเทคนิคเท่านั้น แต่สามารถถูกย้ายไปยังการ์ดจอรุ่นเก่าเพื่อทดลองแนวทาง GPU upscaling efficiency แบบใหม่ แม้จะไม่ถูกรับรองอย่างเป็นทางการ ผลคือผู้ใช้สายปรับแต่งสามารถทดสอบ trade-off ระหว่างเฟรมเรตและการกินไฟบนแพลตฟอร์มกว้างกว่าที่บริษัทตั้งใจ

สายทดลองยังยกเกมขึ้นอีกขั้นด้วยการนำ DLSS 5 ไปรันบนเบราว์เซอร์ผ่าน WebGPU นักพัฒนาที่ใช้ชื่อ MAAN ประสบความสำเร็จในการสร้างเดโม DLSS 5 แบบอินเทอร์แอกทีฟในหน้าต่างเบราว์เซอร์ โดยอาศัย compute shader ของ WebGPU และชุด weights ขนาดราว 147MB ร่วมกับ JavaScript runtime ประมาณ 1MB แบบบีบอัด เดโมนี้สามารถทำงานบน macOS และฮาร์ดแวร์ที่ไม่ใช่ Nvidia ได้ เพราะไม่พึ่งไดรเวอร์ NGX ภายใน เฟรมวิวเวอร์หมุนวัตถุ 3 มิติได้ลื่นบนเดสก์ท็อป RTX 40 แต่การเรนเดอร์ด้วย DLSS 5 ต้องใช้เวลาราว 1-2 วินาทีต่อเฟรมในโหมด live ซึ่งชี้ให้เห็นอีกด้านของ neural rendering performance ว่าหากไม่มีฮาร์ดแวร์เฉพาะทาง การนำโมเดลนี้ไปใช้ย่อมต้องแลกด้วยเวลาประมวลผลที่นานขึ้นแทนการกินไฟสูงแบบการ์ดจอท็อป

DLSS 5 กับอนาคตของผู้ใช้การ์ดจอแรง การตัดสินใจที่ต้องมองเกินกว่าเฟรมเรต

เมื่อ DLSS 5 ถูกออกแบบให้เป็นฟีเจอร์เด่นของซีรีส์ RTX 50 และมีแผนรองรับอย่างเป็นทางการใน RTX 40 ตามข้อมูลจากผู้พัฒนา ผู้ใช้การ์ดจอระดับไฮเอนด์กำลังจะเผชิญการตัดสินใจใหม่ที่ไม่ใช่แค่การดูตัวเลขเฟรมเรต เพราะผลทดสอบชี้ชัดแล้วว่าบน RTX 5080 และ RTX 5090 การเปิด DLSS 5 ทำให้การใช้พลังงานพุ่งขึ้นอย่างมีนัยสำคัญ โดยเฉพาะใน 2K ที่เห็นการเพิ่มขึ้นถึงประมาณ 60 เปอร์เซ็นต์ ในมุมของคนที่ประกอบเครื่องแรงพร้อมเคสใหญ่และชุดระบายความร้อนดี อาจยอมรับการกินไฟเพิ่มเพื่อแลกกับภาพลื่นและรายละเอียด AI ได้ แต่สำหรับคนที่ใช้พาวเวอร์ซัพพลายพอดีตัวหรือเคสแคบ การเปิด DLSS 5 แบบไม่คิดหน้าคิดหลังอาจหมายถึงความร้อนสะสมสูงขึ้น พัดลมหมุนเสียงดังและความเสี่ยงต่อเสถียรภาพระยะยาว

ข้อดีของยุคที่ม็อดและ WebGPU เปิดกว้างคือผู้ใช้ทั่วไปสามารถทดลอง DLSS 5 power consumption และผลลัพธ์ภาพด้วยตัวเองผ่านเดโมเบราว์เซอร์ที่ไม่ต้องมีเกมหรือฮาร์ดแวร์เฉพาะทาง แต่ในท้ายที่สุด ทางเลือกที่มีเหตุผลสำหรับเจ้าของการ์ดจอแรงคือการมอง DLSS 5 เป็นฟีเจอร์ที่ต้องเปิดแบบมีเงื่อนไข ไม่ใช่ค่าดีฟอลต์เสมอไป ผู้เล่นควรลองเปรียบเทียบเฟรมเรตและประสบการณ์จริงกับการใช้ไฟในเกมแต่ละเกม ปรับโปรไฟล์ตามความละเอียดและชนิดของโหลด และยอมรับว่าบางสถานการณ์ เช่น เกม 2K บน RTX 5090 การปิด DLSS 5 อาจทำให้ระบบอยู่ในจุดสมดุลมากกว่าการไล่ตัวเลขเฟรมเรตสูงสุด ท้ายบทความนี้จึงอยากชี้ให้เห็นว่าในยุค neural rendering performance ครองโลก การตัดสินใจที่ดีไม่ใช่เพียงการ “เลือกให้แรงสุด” แต่ต้อง “เลือกให้เหมาะกับพลังงานและฮาร์ดแวร์ของตัวเอง” ควบคู่กันไป