上一篇我们聊到，路径追踪用蒙特卡洛方法随机采样，能自然产生颜色溢出、软阴影和焦散——但代价是巨大的计算量。电影《冰雪奇缘》一帧用路径追踪渲染数小时，这在游戏里显然不可接受。
游戏要求每秒至少 30 帧，最好是 60 帧。一帧只有 16–33 毫秒的渲染预算。光追凭什么从"数小时一帧"变成"实时可玩"？这背后是三件事：RT Core 硬件加速求交、降噪技术补足采样不足、以及 DLSS 等 AI 辅助。缺一不可。
光追为什么那么贵：每条光线都是一场"审问"
先算一笔账。1920×1080 分辨率，约 200 万个像素。如果每个像素只发射 1 条光线，每帧就是 200 万条光线。但路径追踪需要成百上千条光线/像素才能得到干净画面——算下来，每帧需要数亿条光线。
更关键的是 每条光线干了什么。光线从相机出发，需要在场景中找出它最先撞到哪个三角形。暴力做法是遍历所有三角形——如果场景有 100 万个三角形，每条光线要跟 100 万个三角形做求交测试。200 万像素 × 100 万三角形 = 200 万亿次测试，这显然不行。
所以实际用的是 加速结构。最主流的是 BVH（层次包围盒）——把场景中的三角形组织成一棵树状结构，每个节点是一个包围盒（AABB），叶子节点是实际三角形。1 光线从根节点开始，测试是否与包围盒相交：不相交就跳过整个子树，相交则继续深入。这样，每条光线平均只需要测试几十个包围盒和几个三角形，把复杂度从 降到 。
但即使这样，每条光线还是要经历几十次包围盒测试和几次三角形求交。在纯软件实现中（用通用着色器代码做），每条光线需要 数千条指令 来完成 BVH 遍历和求交。2 2016 年的 Pascal 架构 GPU，用软件跑光线追踪，只能达到约 1.1 十亿条光线/秒。2 而 1080p、60fps 的实时光追，业界估算需要每秒处理 60 亿条以上 的光线。3 差距巨大。
RT Core：把最耗时的步骤焊进硬件
NVIDIA 在 2018 年的 Turing 架构（RTX 20 系列）中，给每个 SM（流式多处理器）加入了一个专用硬件单元：RT Core。2
RT Core 只做两件事：
- 包围盒测试（Box Intersection）—— 判断光线是否与 BVH 中的某个包围盒相交
- 光线-三角形求交（Triangle Intersection）—— 精确计算光线与三角形的交点
工作流程是：着色器（SM 上的 CUDA 核心）调用 TraceRay() 指令，把光线数据和 BVH 指针交给 RT Core。RT Core 接管后 自主遍历 BVH，在显存中高速读取节点数据。它内部像一个专用状态机，快速跳过不相关的包围盒，找到叶子节点后做精确求交，最后把结果（命中/未命中、交点坐标等）返回给 SM。4
这个设计的关键在于 卸载。SM 不需要花几千条指令去遍历 BVH——它发出请求后就可以去做其他计算（顶点着色、像素着色、AI 推理等），RT Core 在后台并行处理光线求交。Turing 的旗舰 TU102 芯片有 72 个 RT Core，加上 68 个 SM，可以实现 10 十亿条光线/秒，是 Pascal 纯软件方案的 10 倍。2
但 10 倍仍然不够。即便 10 十亿条/秒，分摊到 60fps 的每帧也只有约 1.67 亿条光线。而 1080p 下每像素分摊不到 1 条光线——画面会布满噪点。
降噪：用 1 条光线"骗"出干净画面
这就是降噪（denoising）的用武之地。
路径追踪的噪点来自采样不足。如果每像素只有 1 条光线（1 sample per pixel, 1 spp），画面的方差可以超过 200%——几乎全是噪点。5 但降噪算法可以把这个几乎无法辨认的噪点信号，恢复成一张干净的图像。
降噪的思路是 利用相邻像素的信息。如果某个像素是天空，旁边的像素大概率也是天空——可以把它们的信息平均一下。但问题在于，物体边缘处不能乱平均，否则会糊掉。所以现代降噪器使用 G-buffer 数据（法线方向、深度、粗糙度、运动向量等）来指导滤波：在相似材质和几何的区域内平滑，在边界处保持锐利。56
主流降噪器（如 NVIDIA 的 NRD 库中的 ReLAX、REBLUR）用了三招组合：
- 空间滤波（spatial filtering）：在当前帧内，利用周围像素的信息来填补空缺。每个像素的权重由位置距离、法线差异、深度差异等因素决定。
- 时间累积（temporal accumulation）：把前一帧的信息重投影到当前帧，用指数移动平均来累积历史。一帧的噪声在时间轴上的随机性会被平均掉。
- AI 去噪：用神经网络学习"噪点图 → 干净图"的映射，能识别更复杂的模式。5
这背后的逻辑是：硬件提供有限但足够的光线样本，降噪算法把它们"脑补"成干净图像。游戏里你看到的"光追效果"，实际渲染的光线数量可能只有离线渲染的千分之一，剩下的都是降噪算法补上的。
DLSS：AI 让帧率再翻倍
降噪只能处理噪点，不能提高帧率本身。如果 GPU 渲染一帧需要 30 毫秒（约 33fps），再怎么降噪也到不了 60fps。
DLSS（深度学习超级采样） 从另一个角度解决这个问题。它以 更低的分辨率 渲染，然后用 AI 网络重建出高分辨率画面。比如渲染 1080p，输出 4K——这意味着一帧的像素总量减少到 1/4，GPU 有更多时间处理光线追踪。7
DLSS 3 进一步加入了 帧生成：AI 分析连续两帧的画面，在它们之间插值生成一帧。这样，GPU 渲染 30fps，显示出来可能是 60fps。7
最新的 DLSS 3.5 引入了 光线重建（Ray Reconstruction）——它把降噪和超分辨率合二为一，用同一个 AI 网络替代传统的手工调参降噪器。训练时用离线渲染的高质量图像作为"标准答案"，AI 学会了识别不同的光追效果（反射、全局光照、阴影）并做出智能处理。8
这三层 AI 辅助——超分辨率、帧生成、光线重建——叠加起来，可以让 4K 光追游戏的帧率提升到原生渲染的 5 倍。8
小结
光线追踪从"数小时一帧"到"实时可玩"，靠的是三件事同时发力：
- RT Core 把 BVH 遍历和求交做进硬件，将光线处理能力提升了 10 倍
- 降噪算法用 1–4 条光线/像素 + 智能滤波，把原本需要成百上千光线才能得到的画面"脑补"出来
- DLSS 等 AI 技术 以更低分辨率渲染 + AI 重建 + 帧生成，等效提升帧率数倍
这三者缺一不可。没有 RT Core，光线数量太低，降噪也救不回来；没有降噪，光追画面全是噪点；没有 DLSS，帧率达不到流畅标准。2018 年 Turing 架构的发布，标志着这三件事第一次同时成为现实——这也是为什么 2018 年被称作"实时光追元年"。