RTX, Neural Engine oder iGPU? Wie sich KI-Funktionen auf Laufzeit und Leistung auswirken

In Anwendungen wie Adobe Lightroom Classic und Davinci Resolve Studio spielt Hardwarebeschleunigung inzwischen eine entscheidende Rolle. Immer mehr Prozesse werden auf spezialisierte Recheneinheiten ausgelagert. Integrierte GPUs, also die Rechenkerne innerhalb moderner Prozessoren, sind auf Effizienz und Grundbeschleunigung ausgelegt. Dedizierte GPUs bringen dagegen deutlich mehr Rechentiefe, Bandbreite und spezialisierte Hardwarepfade mit. Und genau hier liegt der entscheidende Unterschied, vor allem bei KI-Workflows in der Foto- und Videobearbeitung.

Unser Testnotebook: Asus ROG Zephyrus G14 mit AMD Ryzen 9-270 und RTX 5060 Zum Produkt

Adobe Lightroom: RTX spart Akku

Für den Vergleich kamen Lightroom Classic und Davinci Resolve Studio zum Einsatz. In Lightroom wurde ein Satz RAW-Dateien mit der Funktion AI Denoise entrauscht und anschließend auf 13 weitere Bilder synchronisiert: ein realitätsnahes Szenario für Serienbearbeitung. Getestet wurde auf einem Asus ROG Zephyrus G14 mit AMD Ryzen 9 270, das sowohl eine integrierte Radeon-Grafikeinheit als auch eine dedizierte RTX 5060 bietet.

Quelle: PCGH Mit integrierter GPU kann das Entrauschen von 13 Bildern gut und gerne über 20 Minuten dauern. Mit aktivierter RTX dauerte der Denoise-Vorgang 3 Minuten und 39 Sekunden. Im Akkubetrieb verlängerte sich die Zeit auf 5 Minuten und 21 Sekunden, also etwa 35 Prozent länger, weil das Power-Limit greift. Die integrierte Grafik benötigte im gleichen Test fast 20 Minuten, im Akkubetrieb sogar rund 25 Minuten. Auch der Energieverbrauch unterscheidet sich deutlich: Die RTX beanspruchte 7 Prozent Akkuladung, die iGPU dagegen 28 Prozent. Kurz gesagt: Die RTX zieht kurzfristig mehr Strom, ist aber so viel schneller, dass sie am Ende weniger Energie pro Aufgabe verbraucht.

Davinci Resolve: RTX und Neural Engine machen den Unterschied

In Davinci Resolve zeigte sich das noch klarer. Getestet wurde mit 4K-Material in 4:2:0 und 4:2:2, mit Super Scale 2× und Gain 1.4, Ausgabe als Full HD. Insgesamt kamen vier Modi zum Einsatz: der reine OpenCL-Pfad über die iGPU, der CPU-basierte Modus ohne CUDA und ohne Neural Engine, ein zweiter CUDA-Pfad ohne Neural Engine und schließlich der Modus mit CUDA und aktivierter Neural Engine Optimization. Das Ergebnis fällt eindeutig aus: Der OpenCL-Pfad benötigte über 26 Minuten, ohne CUDA waren es etwa 17 Minuten, mit CUDA 9 Minuten und mit Neural Engine 5 Minuten und 54 Sekunden. Der Energieverbrauch fiel entsprechend: Im schnellsten Modus mit CUDA und Neural Engine lag der Verlust bei rund 12 Prozent Akkuladung, während der OpenCL-Pfad fast 48 Prozent beanspruchte.

Der Grund dafür ist nicht nur die höhere Rechenleistung, sondern auch die Art, wie die dedizierte GPU Energie einsetzt. Die Tensor Cores der fünften Generation berechnen neuronale Routinen wie Maskierung oder Bewegungsverfolgung, während Shader und NVENC-Encoder parallel Farbraumwandlung und Videoexport übernehmen. Wegen 4:2:2-H.264/H.265-Hardware-Encoding entfällt das softwarebasierte Rendern über die CPU vollständig.

Summa summarum

Und genau hier trennt sich die Spreu vom Weizen. Integrierte GPUs sind geeignet, wenn es um grundlegende Bearbeitung oder Schnittarbeit geht, bei der keine komplexen neuronalen Berechnungen anfallen. Wer jedoch mit KI-basierten Funktionen wie Denoise, Super Resolution oder automatischer Maskierung arbeitet, stößt mit der iGPU schnell an Grenzen. Diese Routinen skalieren direkt mit der verfügbaren Leistung. Mehr Rechenkerne bedeuten hier schlicht weniger Wartezeit.

Allerdings ist die iGPU nicht nutzlos. Für Vorarbeiten, kurze Projekte oder das Sortieren von Material im Akkubetrieb bleibt sie sinnvoll, weil sie Basislasten bei minimalem Verbrauch bewältigt. Sobald jedoch KI-Routinen aktiv sind, kippt das Verhältnis: Die dedizierte GPU arbeitet schneller, effizienter und beendet Aufgaben, bevor der Akku überhaupt nennenswert fällt.

Notebooks mit Geforce RTX 5000 in der Übersicht Zu Notebooksbilliger.de

Artikel teilen

RTX-Notebook-Leistung: Kostet die KI oder spart sie Strom? Programme wie Lightroom und Davinci Resolve nutzen zunehmend KI-Funktionen für Denoise, Masken oder Skalierung. Aber wie wirken sich diese Routinen auf Leistung und Energieverbrauch aus? Und spart die iGPU wirklich Akku?

Per E-Mail versenden

2