一、神经纹理压缩到底是什么？为什么说它是“函数逼近”而不是传统压缩？
传统纹理压缩（如BCn / ASTC）本质上依赖固定码本与局部块编码，对纹理信号进行近似量化。但TSNC与NTC改变了这一范式，将纹理从“离散采样数据”转变为“连续函数的参数化表示”。
在这一模型下，纹理不再以texel形式存储，而是由神经网络参数表示，并在运行时动态生成：
T(u,v, material_state) = fθ(u,v, context)这种方法属于Neural Field / Neural Representation范畴，是NeRF与神经纹理在实时渲染中的工程化落地。
二、为什么神经压缩能做到9倍甚至18倍压缩率？核心提升来自哪里？
传统压缩受限于局部块独立和缺乏长程相关性建模能力，而神经压缩通过更高层次的信息建模突破了这一瓶颈。
1、什么是Texture Set压缩？为什么跨纹理建模更高效？
TSNC并非压缩单张纹理，而是对整个材质集合（如albedo、normal、roughness）进行联合编码，从而利用跨通道相关性，提高压缩效率。
2、神经网络如何利用空间连续性实现更高压缩比？
神经网络通过隐式表达实现自适应分配，高频区域保留更多细节，低频区域强压缩，相当于动态比特分配机制。
3、什么是语义级压缩？为什么AI压缩更高效？
神经网络可以学习纹理中的重复模式与材质统计特征，实现从“信号压缩”向“结构压缩”的跃迁。
三、显存为什么能大幅下降？代价是GPU算力被吃掉了吗？
神经压缩的核心是以计算换带宽：
- 传统方案：低计算，高带宽占用
- 神经方案：高计算，低带宽占用
性能瓶颈会转移到哪里？
- 传统瓶颈：显存带宽、缓存命中率
- 新瓶颈：ALU/Tensor吞吐、寄存器压力、并行占用率
实时神经解码是否带来延迟问题？
通过小型MLP、权重共享、tile推理与缓存复用等技术，可有效控制延迟。
四、Intel TSNC和NVIDIA NTC有什么本质区别？谁更先进？
1、NVIDIA为什么依赖Tensor Core？
NVIDIA使用Tensor Core进行矩阵乘加（MMA）计算，支持FP16/FP8推理，实现高吞吐低延迟，但高度依赖RTX硬件生态。
2、Intel为什么强调无AI硬件兼容？
Intel提供双路径：
- XMX单元（硬件加速）
- FMA指令（软件实现）
3、什么是Graceful Degradation？
即在无AI硬件环境下仍可运行，在有硬件时自动提升性能，增强跨平台兼容性。
五、这项技术会不会改变GPU渲染管线？对开发者意味着什么？
1、Texture Unit会被取代吗？
传统流程：Texture → Sampler → Cache → Shader
神经流程：Latent → NN Decode → Shader计算单元的重要性将提升，而固定功能纹理单元作用可能下降。
2、Shader会不会变成神经网络调用？
material = decode_nn(latent, uv);3、Mipmap是否会消失？
LOD可通过神经网络控制实现，未来可能减少甚至取消mipmap存储。
六、为什么高压缩模式会出现画质问题？AI也会“翻车”吗？
- 模型容量不足
- 高频信息丢失
- 训练分布偏移
常见问题包括模糊、振铃、法线失真等。
七、神经纹理压缩未来会和哪些技术结合？
- 虚拟纹理（Virtual Texturing）
- 路径追踪（Path Tracing）
- DLSS / XeSS 等AI超分技术
八、为什么这项技术还没普及？行业瓶颈在哪？
- 内容制作流程复杂
- 调试困难（AI黑盒）
- 缺乏统一标准
九、神经纹理压缩会颠覆显卡竞争格局吗？
该技术本质是一次数据表示方式的革命，通过算力换带宽，符合GPU发展趋势。
- NVIDIA：AI优先，性能导向
- Intel：兼容优先，生态导向
最终成败取决于工具链成熟度、延迟控制与开发者生态，而非单纯压缩率。
