CAD Generatif akan datang, Autodesk bernilai $60 bilion sedang menginternalisasikan model CAD yang besar

Cad Autodesk gergasi juga sedang melancarkan AI generatif.
Pada masa akhbar ini diterbitkan, saham Autodesk (AS:ADSK) meningkat lebih daripada 20% berbanding tahun 2024 pada $293.32 sesaham, dengan jumlah permodalan pasaran sebanyak $63.064 bilion.
"Kami sedang membangunkan model asas AI generatif yang tidak seperti mana-mana model di luar sana." Raji Arasu, naib presiden eksekutif dan ketua pegawai teknologi Autodesk, berkata baru-baru ini semasa penampilan di satu acara awam. Model asas yang dirujuk oleh Raji Arasu, yang didedahkan pada Mei 2024, dipanggil 'Bernini' iaitu projek AI generatif yang Tukarteks, lakaran lukisan tangan, dsb. ke dalam fail 3D.
Bagi pasaran model besar semasa, pelaksanaan fungsi 3D yang dijana graf nampaknya bukanlah sesuatu yang baharu. Google DeepMind yang baru sahaja mengeluarkan Genie 2, Tencent Hybrid domestik dan VoxCraft daripada BioDigital Technology, antara lainnya, semuanya boleh melaksanakan fungsi yang serupa. Tetapi sebagai gergasi CAD global, Bernini mempunyai kepentingan praktikal yang besar kepada perniagaan sebenar Autodesk.

Membongkar Bernini
Bernini dinamakan sempena Gian Lorenzo Bernini, pengukir dan arkitek Itali yang terkenal pada abad ke-17. Dari segi pemilihan data latihan, model ini telah dilatih pada 10 juta bentuk 3D yang tersedia secara umum oleh Autodesk AI Labs dengan kerjasama Universiti Cina Hong Kong.
Sebab mengapa Bernini berbeza daripada model besar asas yang lain adalah kerana Bernini mempunyai tiga ciri utama dalam menghasilkan imej 3D:
1. struktur imej 3D yang dihasilkan adalah struktur 3D yang berfungsi. Contohnya, ia menghasilkan botol air yang berongga dan sebenarnya berfungsi untuk menyimpan air, dan bukan sekadar menghasilkan model yang kelihatan serupa;
2. Asingkan bentuk dan tekstur. Keupayaan untuk menghasilkan bentuk dan tekstur secara berasingan memberi pengguna kebebasan untuk melaraskan pembolehubah, menggabungkannya bersama atau membuat reka bentuk lain, mengelakkan masalah tekstur dan kontur objek 3D yang mengelirukan;
3. menyediakan pelbagai varian. Dioptimumkan untuk aliran kerja geometri profesional, keupayaan untuk menjana pelbagai varian bentuk 3D berfungsi daripada satu input memberikan pereka pilihan dan mempercepatkan aliran kerja kreatif mereka.

Tangkapan skrin antara muka pengguna Autodesk

Dalam hal ini, model asas perlu mengatasi halangan semula jadi kepada proses reka bentuk dan pembuatan untuk mencapai ciri-ciri ini, iaitu, AI perlu diselaraskan sepenuhnya dengan logik kompleks input dan output kerja reka bentuk. 'Menerima input multimodal seperti teks, lakaran, vokal, awan titik, ini meniru proses reka bentuk pencipta.' Raji Arasu menerangkan.
Di samping itu, memandangkan penjanaan geometri seperti CAD 3D memerlukan penaakulan berdasarkan hukum fizik dari segi ruang dan struktur, ia juga memerlukan tahap ketepatan dan kejituan yang tinggi.
Jadi dari segi masa, pelancaran Bernini nampaknya tidak berlaku dengan cepat. Sejak Mei 2024, apabila kemajuan Bernini didedahkan, sebahagian besar tahun telah berlalu. Pada masa itu, Bernini baru sahaja mengeluarkan sebahagian daripada video konsep tersebut. Dan hanya di persidangan pengguna Autodesk di San Diego pada bulan Oktober, Ketua Pegawai Eksekutif Andrew Anagnost mengeluarkan pratonton Bernini.
Walau bagaimanapun, Andrew Anagnost berkata bahawa Bernini dilatih dengan data awam dan belum tersedia untuk kegunaan komersial, dan telah dibuka kepada komuniti AI. Tetapi beliau mendedahkan kemungkinan pelan perniagaan untuk Bernini: 'Kaedah latihan Bernini adalah bebas daripada data, jadi pelanggan boleh menggunakan data mereka sendiri, jika perlu, untuk mengoptimumkan Bernini dan terus menambah baik model.'

Bagaimana Bernini 'dibuat'
Proses latihan Bernini juga menggunakan GPU NVIDIA, tetapi di luar GPU, Raji Arasu percaya bahawa pemprosesan dan penggunaan 'data' adalah lebih penting dalam melatih model. Dalam ceramahnya, Raji Arasu mendedahkan lebih lanjut tentang proses ini. Beliau membahagikan proses pembinaan kepada pengendalian data, penyediaan data, latihan model untuk kos dan kecekapan, dan pengurusan kerumitan untuk inferens model.
'Berbilion objek dan petabait data dengan saiz, bentuk dan beban kerja yang berbeza perlu diproses.' kata Raji Arasu.
Autodesk perlu membina pangkalan data dalam awan berdasarkan jumlah fail reka bentuknya yang besar, yang mana ia memilih Amazon DynamoDB sebagai pangkalan data utama dan mencipta model data kanonik yang membolehkan penulisan merentasi ratusan partition dengan daya pemprosesan yang tinggi dan latensi hampir sifar.
Selain menyelesaikan masalah prestasi data, Autodesk dengan mudah menyelesaikan proses penyediaan data untuk latihan model asas dengan menggabungkan perkhidmatan awan seperti Amazon EMR, Amazon EKS, Amazon Glue dan Amazon SageMaker, yang menampilkan, menandai dan menyegmentasikan sejumlah besar data sejarah yang kompleks.
Dalam fasa latihan model, Autodesk juga menghadapi banyak masalah seperti pemilihan GPU, dan akhirnya ia menggunakan Amazon SageMaker untuk menyatukan penyelesaian seperti pengujian, pengurusan infrastruktur, dan sebagainya. Pasukan ini lebih menumpukan pada penyediaan data, pembangunan model dan pembangunan fungsi AI berorientasikan pelanggan.
Kependaman, kos dan prestasi perlu ditangani dengan betul semasa mengurus inferens model pada skala. 'Titik akhir penskalaan automatik dan berbilang model Amazon SageMaker menyokong inferens masa nyata dan kelompok dengan lancar untuk daya pemprosesan yang tinggi, kependaman minimum dan kecekapan kos maksimum.' kata Raji Arasu.
Seperti yang anda lihat, binaan Autodesk terhadap Bernini banyak menggunakan Amazon SageMaker, perkhidmatan AI dan pembelajaran mesin yang paling dikenali ramai daripada Amazon Cloud Technologies, yang mana beberapa organisasi berprofil tinggi, termasuk Autodesk, memanfaatkan Amazon SageMaker HyperPod untuk latihan model. Amazon SageMaker HyperPod telah secara rasmi melancarkan beberapa kemas kini tugas berat sejak kebelakangan ini, seperti Pelan Latihan Fleksibel untuk mewujudkan lebih banyak kerja latihan automatik yang mengoptimumkan kos dengan menggunakan pelbagai sumber pengkomputeran yang lebih berkesan kos dan Tadbir Urus Tugas, yang mengutamakan tugas latihan yang berbeza untuk memaksimumkan latihan model, penalaan halus dan penaakulan semasa proses penggunaan sumber.
Berdasarkan inovasi ini, Autodesk akhirnya mengurangkan separuh masa penggunaan model asas. Ini meningkatkan produktiviti AI sebanyak 30 peratus sambil mengekalkan kos operasi yang stabil. Raji Arasu juga mendedahkan bahawa Autodesk telah mula melancarkan keupayaan AI yang dibina pada model asas ini kepada pelanggan.
"Bertindak sebagai rakan kongsi reka bentuk kepada pelanggan kami dan membantu mereka mengimbangi parameter seperti kekuatan bahan, kos supaya mereka dapat menentukan reka bentuk terbaik. Semua ini dilakukan untuk meminimumkan tugas yang membosankan dan memaksimumkan kreativiti." kata Raji Arasu.

Data yang betul, premis latihan model besar
Selepas ChatGPT, GPU NVIDIA telah menjadi sasaran popular bagi syarikat AI utama untuk dikejar, dan berapa banyak GPU NVIDIA yang dipesan oleh syarikat besar dalam setahun malah boleh menjadi tajuk utama muka depan media. Walau bagaimanapun, untuk meringkaskan proses kelahiran Bernini, GPU sememangnya penting, tetapi data menentukan kualiti latihan model besar.
Dan melatih model besar yang benar-benar boleh berfungsi dalam perniagaan merupakan masalah sistem tindanan penuh yang melibatkan banyak aspek.
"Model besar hanyalah salah satu bahagian daripada inovasi aplikasi AI generatif. Terdapat keupayaan lain yang perlu dipertingkatkan jika inovasi aplikasi AI generatif ingin dilakukan dengan baik. Pertama sekali, anda perlu memastikan bahawa AI generatif dapat meningkatkan keupayaan model besar aplikasi AI generatif dengan data organisasi itu sendiri." Ruisong Chu, naib presiden global Amazon dan presiden Amazon Cloud Technology Greater China, menyatakan pandangan yang serupa dalam satu ucapan.
Dalam kes masalah ilusi, yang kini menjadi kebimbangan besar bagi model besar, ia juga boleh diselesaikan dari perspektif 'metadata', iaitu untuk memastikan kualiti data dalam pangkalan pengetahuan sebelum melatih model besar. 'Metadata dalam pangkalan data, iaitu data berkualiti tinggi yang telah disemak dan diluluskan, membantu mengurangkan kependaman dan meningkatkan tindak balas Model Besar.' Mai-Lan Tomsen Bukovec, naib presiden teknologi di Amazon Cloud Technologies, berkata beliau memberi amaran kepada organisasi yang mempunyai model besar yang dilatih supaya berhati-hati untuk membezakan antara apa yang dicipta oleh manusia dan data yang dijana oleh AI.
Disebabkan kepentingan data, model besar mempercepatkan cara syarikat merealisasikan aset data mereka. 2 bulan yang lalu, Qunar Technology, syarikat induk Cool Spaces, platform reka bentuk ruang 3D dari China, turut memperkenalkan pelan perniagaan baharu, melancarkan platform latihan data untuk kecerdasan terwujud dan lain-lain bagi membuka set data pembelajaran mendalam kesedaran pemandangan dalaman terbesar di dunia. Syarikat itu mendedahkan bahawa platform itu sudah mempunyai lebih daripada 320 juta model 3D, dengan purata 77.8 juta pelawat aktif bulanan. Syarikat itu akan membuka aset data ruang 3D yang betul secara fizikal, penyelesaian kognisi ruang dan perkhidmatan berkaitan latihan kecerdasan ruang untuk AIGC, kecerdasan terwujud, AR/VR dan perusahaan lain.
Data menunjukkan bahawa kira-kira 77% syarikat akan meningkatkan atau meningkatkan pelaburan mereka dengan ketara dalam AI dan teknologi baru muncul dalam tempoh 3 tahun, dan 3 bidang di mana AI akan menjadi yang pertama melihat kecekapan berlaku ialah Automasi, Analisis dan Augmentasi (automasi, analisis data dan augmentasi berbantu).
'AI sedang membentuk semula semua industri' bukan lagi slogan. 'Semakin banyak industri menjadi lebih aktif dalam ruang AI generatif.' Uwem Ukpon, naib presiden perkhidmatan global di Amazon Cloud Technologies, berkata bahawa bidang aplikasi industri AI generatif telah berkembang secara beransur-ansur daripada industri kewangan pada peringkat awal kepada pelbagai industri, termasuk sektor awam, industri tradisional, organisasi kerajaan, serta industri seperti sains hayat dan penjagaan kesihatan. Pada masa yang sama, AI generatif juga menyediakan peluang perniagaan baharu untuk perusahaan, Autodesk bertaruh pada CAD generatif berasaskan data berskala besar, pasaran masa depan yang berpotensi.