생성형 CAD가 다가오고 있습니다. 600억 달러 규모의 오토데스크는 대규모 CAD 모델 개발을 내재화하고 있습니다.

치사한 사람 거대 기업 오토데스크도 생성형 AI 분야에 뛰어들고 있습니다.
보도 시점 현재 오토데스크(US:ADSK) 주가는 2024년 대비 20% 이상 상승한 주당 293.32달러를 기록했으며, 총 시가총액은 630억 6,400만 달러입니다.
오토데스크의 부사장 겸 최고기술책임자인 라지 아라스는 최근 공개 행사에서 "기존 모델과는 전혀 다른 생성형 AI 기반 모델을 개발하고 있다"고 밝혔습니다. 아라스 부사장이 언급한 이 기반 모델은 2024년 5월에 공개된 '베르니니(Bernini)'라는 생성형 AI 프로젝트로, 전환하다텍스트, 손으로 그린 ​​스케치 등을 3D 파일로 변환합니다.
현재 대형 모델 시장에서 그래프 기반 3D 기능 구현은 새로운 것이 아닙니다. 구글 딥마인드가 최근 출시한 지니 2(Genie 2), 텐센트의 하이브리드(Hybrid), 바이오디지털 테크놀로지의 복스크래프트(VoxCraft) 등 여러 제품들이 유사한 기능을 제공하고 있습니다. 하지만 글로벌 CAD 기업인 오토데스크에게 베르니니(Bernini)는 실질적인 사업상 매우 중요한 의미를 지닙니다.

베르니니의 숨겨진 면모를 드러내다
베르니니 모델은 17세기 이탈리아의 유명한 조각가이자 건축가인 잔 로렌초 베르니니의 이름을 따서 명명되었습니다. 학습 데이터 선정 측면에서, 이 모델은 오토데스크 AI 랩이 홍콩중문대학교와 협력하여 공개적으로 이용 가능한 1천만 개의 3D 형상 데이터를 사용하여 학습되었습니다.
베르니니 모델이 다른 기본적인 대형 모델과 다른 이유는 베르니니 모델이 3D 이미지를 생성하는 데 있어 세 가지 주요 특징을 가지고 있기 때문입니다.
1. 생성된 3D 이미지의 구조는 기능적인 3D 구조입니다. 예를 들어, 단순히 비슷하게 생긴 모델을 생성하는 것이 아니라, 실제로 물을 담을 수 있는 속이 빈 물병을 생성합니다.
2. 형태와 질감 분리. 형태와 질감을 별도로 생성할 수 있는 기능은 사용자에게 변수를 조정하고, 서로 혼합하거나, 다른 디자인을 만들 수 있는 자유를 제공하여 3D 객체의 질감과 윤곽선이 혼동되는 문제를 방지합니다.
3. 다양한 변형을 제공합니다. 전문적인 형상 워크플로에 최적화되어 있으며, 단일 입력에서 여러 가지 기능적인 3D 형상 변형을 생성할 수 있어 디자이너에게 선택의 폭을 넓히고 창의적인 워크플로를 가속화합니다.

오토데스크 사용자 인터페이스 스크린샷

이를 위해 기본 모델은 설계 및 제조 과정에서 발생하는 자연스러운 장벽을 극복해야 하는데, 즉 AI가 설계 작업의 입력과 출력에 담긴 복잡한 논리에 완벽하게 적응해야 한다는 것입니다. 라지 아라수는 "텍스트, 스케치, 복셀, 포인트 클라우드와 같은 다양한 형태의 입력을 수용함으로써 제작자의 설계 과정을 그대로 재현할 수 있다"고 설명합니다.
또한 3D CAD와 같은 형상을 생성하려면 공간과 구조 측면에서 물리 법칙에 기반한 추론이 필요하므로 높은 수준의 정밀도와 정확도가 요구됩니다.
시간적인 측면에서 보면 베르니니의 출시는 결코 빠른 속도로 진행된 것은 아닙니다. 베르니니의 개발 상황이 공개된 2024년 5월 이후로 거의 1년이 지났습니다. 당시 베르니니는 콘셉트 영상의 일부만 공개했고, CEO 앤드류 아나그노스트가 베르니니의 프리뷰를 공개한 것은 10월 샌디에이고에서 열린 오토데스크 사용자 컨퍼런스에서였습니다.
하지만 앤드류 아나그노스트는 베르니니가 공개 데이터를 이용해 학습되었으며 아직 상업적 용도로는 사용할 수 없고 AI 커뮤니티에 공개되었다고 밝혔습니다. 그러나 그는 베르니니의 잠재적인 사업 계획에 대해 다음과 같이 언급했습니다. "베르니니의 학습 방식은 데이터에 독립적이므로 고객은 필요에 따라 자체 데이터를 사용하여 베르니니를 최적화하고 모델을 지속적으로 개선할 수 있습니다."

베르니니는 어떻게 '만들어졌는가'
베르니니의 학습 과정에도 NVIDIA GPU가 사용되지만, 라지 아라수는 GPU 외에도 모델 학습에서 '데이터'의 처리 및 활용이 훨씬 더 중요하다고 생각합니다. 그녀는 발표에서 이 과정에 대해 자세히 설명했습니다. 데이터 구축 과정을 데이터 처리, 데이터 준비, 비용 및 효율성을 고려한 모델 학습, 그리고 모델 추론을 위한 복잡성 관리로 나누었습니다.
"수십억 개의 객체와 페타바이트 규모의 다양한 크기, 형태 및 작업량을 가진 데이터를 처리해야 합니다."라고 라지 아라수는 말했습니다.
오토데스크는 방대한 양의 대용량 설계 파일을 처리하기 위해 클라우드에 데이터 기반을 구축해야 했고, 이를 위해 아마존 다이나모DB를 주요 데이터베이스로 선택하고 수백 개의 파티션에 걸쳐 높은 처리량과 거의 제로에 가까운 지연 시간으로 쓰기 작업을 가능하게 하는 표준 데이터 모델을 만들었습니다.
오토데스크는 데이터 성능 문제를 해결했을 뿐만 아니라, 아마존 EMR, 아마존 EKS, 아마존 글루, 아마존 세이지메이커와 같은 클라우드 서비스를 결합하여 대량의 복잡한 과거 데이터를 특징화, 태그 지정 및 세분화함으로써 기본 모델 학습을 위한 데이터 준비 프로세스를 손쉽게 완료했습니다.
모델 학습 단계에서 오토데스크는 GPU 선택과 같은 여러 문제에 직면했고, 결국 아마존 세이지메이커를 활용하여 인스턴스 테스트, 인프라 관리 등을 통합 솔루션으로 구현했습니다. 팀은 데이터 준비, 모델 개발, 고객 중심의 AI 기능 개발에 더욱 집중했습니다.
대규모 모델 추론 관리 시 지연 시간, 비용 및 성능 문제를 적절히 해결해야 합니다. 라지 아라수는 "Amazon SageMaker의 자동 확장 및 멀티 모델 엔드포인트는 실시간 및 배치 추론을 원활하게 지원하여 높은 처리량, 최소한의 지연 시간 및 최대의 비용 효율성을 제공합니다."라고 말했습니다.
보시다시피, 오토데스크의 베르니니 빌드는 아마존 클라우드 테크놀로지스의 가장 널리 알려진 AI 및 머신러닝 서비스인 아마존 세이지메이커(Amazon SageMaker)를 적극적으로 활용하고 있습니다. 오토데스크를 비롯한 여러 유명 기업들이 모델 학습을 위해 아마존 세이지메이커 하이퍼팟(Amazon SageMaker HyperPod)을 사용하고 있습니다. 아마존 세이지메이커 하이퍼팟은 최근 몇 가지 강력한 업데이트를 공식적으로 출시했는데, 그중에는 비용 효율적인 컴퓨팅 리소스를 다양하게 활용하여 비용을 최적화하는 자동화된 학습 작업을 더 많이 생성하는 유연한 학습 계획(Flexible Training Plans)과, 리소스 활용 과정에서 모델 학습, 미세 조정 및 추론을 극대화하기 위해 다양한 학습 작업의 우선순위를 지정하는 작업 관리(Task Governance)가 있습니다.
이러한 혁신을 바탕으로 오토데스크는 기본 모델 배포 시간을 절반으로 단축했습니다. 이를 통해 운영 비용을 안정적으로 유지하면서 AI 생산성을 30% 향상시켰습니다. 라지 아라수는 또한 오토데스크가 이러한 기본 모델을 기반으로 구축된 AI 기능을 고객에게 제공하기 시작했다고 밝혔습니다.
"저희는 고객의 디자인 파트너로서 재료 강도, 비용과 같은 요소들의 균형을 맞춰 고객이 최적의 디자인을 결정할 수 있도록 돕습니다. 이 모든 것은 번거로운 작업을 최소화하고 창의성을 극대화하기 위한 것입니다."라고 라지 아라수는 말했다.

정확한 데이터는 대규모 모델 학습의 전제 조건입니다.
ChatGPT 이후 NVIDIA GPU는 주요 AI 기업들이 탐내는 인기 목표물이 되었고, 대기업이 한 해에 얼마나 많은 NVIDIA GPU를 주문하는지는 언론의 헤드라인을 장식하기도 합니다. 하지만 베르니니의 탄생 과정을 요약하자면, GPU는 분명 중요하지만 대규모 모델 학습의 품질을 결정하는 것은 결국 데이터라는 점입니다.
그리고 비즈니스에서 실제로 활용될 수 있는 대규모 모델을 훈련시키는 것은 여러 측면을 포함하는 풀스택 시스템 문제입니다.
'빅 모델은 생성형 AI 애플리케이션 혁신의 한 부분일 뿐입니다. 생성형 AI 애플리케이션 혁신을 제대로 구현하려면 강화해야 할 다른 기능들이 있습니다. 무엇보다 먼저, 생성형 AI가 조직 자체 데이터를 활용하여 생성형 AI 애플리케이션의 빅 모델 기능을 강화할 수 있도록 해야 합니다.' 아마존의 글로벌 부사장 겸 아마존 클라우드 기술 중국 지사장인 루이송 추는 연설에서 이와 유사한 견해를 밝혔습니다.
현재 빅모델의 주요 관심사인 착시 현상의 경우, '메타데이터' 관점에서 해결할 수 있습니다. 즉, 빅모델 학습 전에 지식 기반의 데이터 품질을 확보하는 것입니다. 아마존 클라우드 테크놀로지 부사장인 마이-란 톰센 부코벡은 "데이터베이스의 메타데이터, 다시 말해 검토 및 승인을 거친 고품질 데이터는 빅모델의 지연 시간을 줄이고 응답 속도를 향상시키는 데 도움이 됩니다."라고 말하며, 빅모델을 학습시키는 기업들은 사람이 만든 데이터와 AI가 생성한 데이터를 명확히 구분해야 한다고 강조했습니다.
데이터의 중요성이 커짐에 따라 빅 모델은 기업들이 데이터 자산을 활용하는 방식을 가속화하고 있습니다. 두 달 전, 중국의 3D 공간 디자인 플랫폼 쿨 스페이스(Cool Spaces)의 모회사인 쿠나르 테크놀로지(Qunar Technology)는 인공지능(AIGC), 인공지능, 증강현실/가상현실(AR/VR) 등 다양한 분야의 기업들을 위해 물리적으로 정확한 3D 공간 데이터 자산, 공간 인지 솔루션, 공간 지능 훈련 관련 서비스를 제공하는 새로운 사업 계획을 발표했습니다. 쿠나르 테크놀로지는 세계 최대 규모의 실내 장면 인식 딥러닝 데이터셋을 공개했습니다. 이 플랫폼에는 이미 3억 2천만 개 이상의 3D 모델이 저장되어 있으며, 월평균 활성 방문자 수는 7,780만 명에 달합니다. 쿠나르 테크놀로지는 AIGC, 인공지능, 증강현실, AR/VR 등 다양한 분야의 기업들을 위해 물리적으로 정확한 3D 공간 데이터 자산, 공간 인지 솔루션, 공간 지능 훈련 관련 서비스를 제공할 예정입니다.
데이터에 따르면 기업의 약 77%가 3년 이내에 AI 및 신흥 기술에 대한 투자를 늘리거나 크게 늘릴 것이며, AI를 통해 효율성이 가장 먼저 나타날 3가지 영역은 자동화, 분석 및 증강(자동화, 데이터 분석 및 지원 증강)입니다.
'AI가 모든 산업을 재편하고 있다'는 말은 더 이상 슬로건이 아닙니다. '점점 더 많은 산업 분야에서 생성형 AI를 적극적으로 활용하고 있습니다.' 아마존 클라우드 테크놀로지스의 글로벌 서비스 부사장인 우웸 우크폰은 생성형 AI의 산업 적용 분야가 초창기 금융 산업에서 시작하여 공공 부문, 전통 산업, 정부 기관은 물론 생명 과학 및 의료 산업 등 광범위한 산업으로 점차 확대되었다고 밝혔습니다. 동시에 생성형 AI는 기업들에게 새로운 비즈니스 기회를 제공하고 있으며, 오토데스크는 대규모 데이터 기반 생성형 CAD라는 유망한 미래 시장에 투자하고 있습니다.