التصميم بمساعدة الحاسوب التوليدي قادم، وشركة أوتوديسك التي تبلغ قيمتها 60 مليار دولار تدمج نماذج التصميم بمساعدة الحاسوب الكبيرة داخليًا

كاد شركة أوتوديسك العملاقة تدخل مجال الذكاء الاصطناعي التوليدي أيضاً.
في وقت كتابة هذا التقرير، ارتفع سهم شركة Autodesk (US:ADSK) بأكثر من 20% مقارنة بعام 2024 ليصل إلى 293.32 دولارًا للسهم الواحد، مع قيمة سوقية إجمالية تبلغ 63.064 مليار دولار.
قال راجي أراسو، نائب الرئيس التنفيذي وكبير مسؤولي التكنولوجيا في شركة أوتوديسك، مؤخرًا خلال مشاركته في فعالية عامة: "نحن نعمل على تطوير نموذج أساسي للذكاء الاصطناعي التوليدي لا يشبه أي نموذج موجود حاليًا". النموذج الأساسي الذي يشير إليه راجي أراسو، والذي تم الكشف عنه في مايو 2024، يُطلق عليه اسم "بيرنيني"، وهو مشروع للذكاء الاصطناعي التوليدي. يتحولتحويل النصوص والرسومات اليدوية وما إلى ذلك إلى ملفات ثلاثية الأبعاد.
فيما يتعلق بسوق النماذج ثلاثية الأبعاد الكبيرة الحالية، لا يبدو أن تطبيق وظائف توليد الرسوم البيانية ثلاثية الأبعاد أمرٌ جديد. فبرامج مثل Genie 2 التي أطلقتها جوجل ديب مايند مؤخرًا، وبرنامج Tencent Hybrid المحلي، وبرنامج VoxCraft من شركة BioDigital Technology، على سبيل المثال لا الحصر، جميعها قادرة على تطبيق وظائف مماثلة. ولكن، باعتبارها شركة عالمية عملاقة في مجال برامج التصميم بمساعدة الحاسوب (CAD)، تُعدّ Bernini ذات أهمية عملية كبيرة لأعمال Autodesk الفعلية.

الكشف عن برنيني
سُمّي برنامج بيرنيني تيمناً بجيان لورينزو بيرنيني، النحات والمهندس المعماري الإيطالي الشهير من القرن السابع عشر. وفيما يتعلق باختيار بيانات التدريب، فقد تم تدريب النموذج على 10 ملايين شكل ثلاثي الأبعاد متاحة للعموم بواسطة مختبرات الذكاء الاصطناعي التابعة لشركة أوتوديسك بالتعاون مع الجامعة الصينية في هونغ كونغ.
يكمن سبب اختلاف برنيني عن النماذج الكبيرة الأساسية الأخرى في أن برنيني يمتلك ثلاث خصائص رئيسية في توليد الصور ثلاثية الأبعاد:
1. إن بنية الصورة ثلاثية الأبعاد المُولَّدة هي بنية ثلاثية الأبعاد وظيفية. على سبيل المثال، تقوم بتوليد زجاجات مياه مجوفة وتؤدي بالفعل وظيفة الاحتفاظ بالماء، بدلاً من مجرد توليد نماذج تبدو متشابهة؛
2. فصل الأشكال والقوام. إن القدرة على إنشاء الأشكال والقوام بشكل منفصل تمنح المستخدم حرية ضبط المتغيرات، ومزجها معًا أو إنشاء تصميمات أخرى، مما يجنب مشكلة الخلط بين قوام وخطوط الأجسام ثلاثية الأبعاد؛
3. يوفر مجموعة واسعة من الخيارات. تم تحسينه لسير العمل الهندسي الاحترافي، حيث تتيح القدرة على إنشاء أشكال ثلاثية الأبعاد وظيفية متعددة من مدخل واحد للمصممين خيارات متعددة وتسريع سير عملهم الإبداعي.

لقطة شاشة لواجهة مستخدم أوتوديسك

في هذا السياق، يحتاج النموذج الأساسي إلى التغلب على عائق طبيعي أمام عملية التصميم والتصنيع لتحقيق هذه الخصائص، ألا وهو ضرورة أن يكون الذكاء الاصطناعي متوافقًا تمامًا مع المنطق المعقد لمدخلات ومخرجات عملية التصميم. ويشرح راجي أراسو قائلاً: "إن قبول مدخلات متعددة الوسائط مثل النصوص والرسومات التخطيطية والوحدات الحجمية والسحب النقطية يحاكي عملية التصميم التي يقوم بها المصمم".
بالإضافة إلى ذلك، ولأن توليد الأشكال الهندسية مثل التصميم بمساعدة الحاسوب ثلاثي الأبعاد يتطلب التفكير القائم على قوانين الفيزياء من حيث الفضاء والهيكل، فإنه يتطلب أيضًا مستوى عالٍ من الدقة والضبط.
لذا، من حيث التوقيت، يبدو أن إطلاق برنامج بيرنيني لم يكن سريعًا. فمنذ مايو 2024، حين تم الكشف عن مراحل تطويره، انقضى معظم العام. في ذلك الوقت، لم يُصدر بيرنيني سوى جزء من الفيديو التوضيحي. ولم يُقدم الرئيس التنفيذي أندرو أناغنوست معاينةً للبرنامج إلا في مؤتمر مستخدمي أوتوديسك في سان دييغو في أكتوبر.
مع ذلك، صرّح أندرو أناغنوست بأنّ برنامج بيرنيني مُدرّب باستخدام بيانات عامة، ولا يُتاح استخدامه تجاريًا بعد، وقد تمّ فتحه لمجتمع الذكاء الاصطناعي. لكنّه كشف عن خطة عمل محتملة لبيرنيني، قائلاً: "طريقة تدريب بيرنيني مستقلة عن البيانات، لذا يُمكن للعملاء استخدام بياناتهم الخاصة، عند الحاجة، لتحسين بيرنيني وتطوير النموذج باستمرار".

كيف تم "صنع" برنيني
تستخدم عملية تدريب بيرنيني أيضًا وحدات معالجة الرسومات من إنفيديا، ولكن بعيدًا عن وحدات معالجة الرسومات، تعتقد راجي أراسو أن معالجة البيانات واستخدامها هما الأهم في تدريب النموذج. في حديثها، كشفت راجي أراسو المزيد عن هذه العملية، حيث قسمت عملية بناء النموذج إلى معالجة البيانات، وإعدادها، وتدريب النموذج لتحقيق الكفاءة والتكلفة، وإدارة التعقيد لاستنتاج النموذج.
قال راجي أراسو: "هناك حاجة لمعالجة مليارات من العناصر وبيتابايت من البيانات ذات الأحجام والأشكال وأحمال العمل المختلفة".
كانت شركة Autodesk بحاجة إلى بناء قاعدة بيانات في السحابة بناءً على حجمها الهائل من ملفات التصميم الكبيرة، ولذلك اختارت Amazon DynamoDB كقاعدة البيانات الأساسية وأنشأت نموذج بيانات معياري يمكّن من الكتابة عبر مئات الأقسام بمعدل نقل بيانات عالٍ وزمن استجابة شبه معدوم.
بالإضافة إلى حل مشكلة أداء البيانات، أكملت Autodesk بسهولة عملية إعداد البيانات لتدريب النموذج الأساسي من خلال الجمع بين الخدمات السحابية مثل Amazon EMR وAmazon EKS وAmazon Glue وAmazon SageMaker، والتي قامت بتوصيف وتصنيف وتقسيم كميات كبيرة من البيانات التاريخية المعقدة.
في مرحلة تدريب النموذج، واجهت شركة Autodesk أيضًا العديد من المشاكل مثل اختيار وحدة معالجة الرسومات، واستخدمت في النهاية Amazon SageMaker لتوحيد الحل لاختبار المثيلات وإدارة البنية التحتية وما إلى ذلك. ركز الفريق بشكل أكبر على إعداد البيانات وتطوير النموذج وتطوير وظائف الذكاء الاصطناعي الموجهة نحو العملاء.
يجب معالجة زمن الاستجابة والتكلفة وأداء النظام بشكل صحيح عند إدارة استدلال النماذج على نطاق واسع. وقال راجي أراسو: "يدعم التوسع التلقائي ونقاط نهاية النماذج المتعددة في Amazon SageMaker بسلاسة الاستدلال في الوقت الفعلي والاستدلال الدفعي لتحقيق إنتاجية عالية، وأقل زمن استجابة، وأقصى كفاءة في التكلفة".
كما تلاحظون، يعتمد إصدار أوتوديسك من برنامج Bernini بشكل كبير على Amazon SageMaker، وهي خدمة الذكاء الاصطناعي والتعلم الآلي الأكثر شهرة من Amazon Cloud Technologies، والتي تستخدمها العديد من المؤسسات البارزة، بما فيها أوتوديسك، عبر Amazon SageMaker HyperPod لتدريب النماذج. وقد أطلقت Amazon SageMaker HyperPod مؤخرًا العديد من التحديثات المهمة، مثل خطط التدريب المرنة لإنشاء مهام تدريب أكثر آلية تُحسّن التكاليف من خلال الاستخدام الأمثل لمجموعة واسعة من موارد الحوسبة الأقل تكلفة، وإدارة المهام التي تُعطي الأولوية لمهام التدريب المختلفة لتحقيق أقصى استفادة من تدريب النموذج وضبطه ومعالجته أثناء عملية استخدام الموارد.
استنادًا إلى هذه الابتكارات، تمكنت أوتوديسك في نهاية المطاف من تقليص وقت نشر النموذج الأساسي إلى النصف. وقد أدى ذلك إلى زيادة إنتاجية الذكاء الاصطناعي بنسبة 30% مع الحفاظ على استقرار التكاليف التشغيلية. كما كشف راجي أراسو أن أوتوديسك بدأت في طرح إمكانيات الذكاء الاصطناعي المبنية على هذه النماذج الأساسية لعملائها.
"نعمل كشريك تصميم لعملائنا ونساعدهم على تحقيق التوازن بين معايير مثل قوة المواد والتكلفة حتى يتمكنوا من تحديد أفضل تصميم. كل هذا يتم لتقليل المهام الشاقة وزيادة الإبداع إلى أقصى حد." هذا ما قالته راجي أراسو.

البيانات الصحيحة، شرط أساسي لتدريب النماذج الكبيرة
بعد ChatGPT، أصبحت وحدات معالجة الرسومات من NVIDIA هدفًا رئيسيًا لشركات الذكاء الاصطناعي الكبرى، حتى أن عدد وحدات معالجة الرسومات التي تطلبها شركة كبيرة سنويًا قد يتصدر عناوين الأخبار. ومع ذلك، وخلاصةً لقصة برنيني، فإن وحدة معالجة الرسومات مهمة بلا شك، لكن جودة البيانات هي التي تحدد جودة تدريب النماذج الكبيرة.
وتدريب نموذج كبير يمكن أن يعمل بالفعل في مجال الأعمال هو مشكلة نظام كاملة تتضمن العديد من الجوانب.
"النماذج الضخمة ليست سوى جزء واحد من ابتكار تطبيقات الذكاء الاصطناعي التوليدي. هناك قدرات أخرى يجب تعزيزها لضمان نجاح هذا الابتكار. أولاً وقبل كل شيء، يجب التأكد من قدرة الذكاء الاصطناعي التوليدي على تعزيز قدرات النماذج الضخمة في تطبيقاته باستخدام بيانات المؤسسة نفسها." وقد عبّر رويسونغ تشو، نائب الرئيس العالمي لشركة أمازون ورئيس قسم تكنولوجيا الحوسبة السحابية في الصين الكبرى، عن آراء مماثلة في خطاب له.
في حالة مشكلة الوهم، التي تُعدّ مصدر قلق كبير للنماذج الضخمة، يُمكن حلّها أيضًا من منظور "البيانات الوصفية"، أي ضمان جودة البيانات في قاعدة المعرفة قبل تدريب هذه النماذج. يقول ماي-لان تومسن بوكوفيتش، نائب رئيس قسم التكنولوجيا في أمازون كلاود تكنولوجيز: "تُساعد البيانات الوصفية في قاعدة البيانات، أي البيانات عالية الجودة التي تمت مراجعتها واعتمادها، على تقليل زمن الاستجابة وتحسين أداء النموذج الضخم". وقد حذّر المؤسسات التي تُدرّب نماذج ضخمة من ضرورة التمييز بدقة بين البيانات التي يُنشئها البشر والبيانات التي يُولّدها الذكاء الاصطناعي.
نظراً لأهمية البيانات، تُسرّع النماذج الضخمة من وتيرة استفادة الشركات من أصولها البياناتية. قبل شهرين، كشفت شركة Qunar Technology، الشركة الأم لمنصة Cool Spaces الصينية للتصميم المكاني ثلاثي الأبعاد، عن خطة عمل جديدة، حيث أطلقت منصة لتدريب البيانات لأنظمة الذكاء الاصطناعي وغيرها، بهدف إتاحة أكبر مجموعة بيانات في العالم للتعلم العميق في مجال إدراك المشاهد الداخلية. وأوضحت الشركة أن المنصة تضم حالياً أكثر من 320 مليون نموذج ثلاثي الأبعاد، بمتوسط ​​77.8 مليون زائر نشط شهرياً. وستوفر الشركة أصول بيانات مكانية ثلاثية الأبعاد مُصححة فيزيائياً، وحلولاً للإدراك المكاني، وخدمات تدريب الذكاء المكاني لأنظمة الذكاء الاصطناعي، والذكاء الاصطناعي المُجسد، والواقع المعزز/الواقع الافتراضي، وغيرها من المؤسسات.
تُظهر البيانات أن حوالي 77% من الشركات ستزيد أو تزيد بشكل كبير من استثماراتها في الذكاء الاصطناعي والتقنيات الناشئة في غضون 3 سنوات، وأن المجالات الثلاثة التي سيشهد فيها الذكاء الاصطناعي أولًا حدوث كفاءات هي الأتمتة والتحليل والتحسين (الأتمتة وتحليل البيانات والتحسين المدعوم).
لم يعد شعار "الذكاء الاصطناعي يُعيد تشكيل جميع الصناعات" مجرد شعار. فقد باتت قطاعات صناعية عديدة أكثر نشاطًا في مجال الذكاء الاصطناعي التوليدي. وأوضح أويم أوكبون، نائب رئيس الخدمات العالمية في أمازون كلاود تكنولوجيز، أن نطاق تطبيقات الذكاء الاصطناعي التوليدي قد توسع تدريجيًا من القطاع المالي في بداياته ليشمل طيفًا واسعًا من الصناعات، بما في ذلك القطاع العام، والصناعات التقليدية، والمنظمات الحكومية، فضلًا عن قطاعات مثل علوم الحياة والرعاية الصحية. وفي الوقت نفسه، يُتيح الذكاء الاصطناعي التوليدي فرصًا تجارية جديدة للشركات، وتراهن شركة أوتوديسك على برامج التصميم بمساعدة الحاسوب التوليدية القائمة على البيانات واسعة النطاق، والتي تُعد سوقًا واعدة في المستقبل.