Nadchodzi generatywny CAD, Autodesk za 60 mld dolarów internalizuje duże modele CAD

Cham gigant Autodesk również wprowadza generyczną sztuczną inteligencję.
W chwili oddawania gazety do druku akcje Autodesk (US:ADSK) wzrosły o ponad 20% w stosunku do roku 2024, osiągając cenę 293,32 USD za akcję, przy całkowitej kapitalizacji rynkowej wynoszącej 63,064 mld USD.
„Opracowujemy generatywny model bazowy sztucznej inteligencji, który różni się od wszystkich innych modeli dostępnych na rynku” – powiedział niedawno Raji Arasu, wiceprezes wykonawczy i dyrektor ds. technologii w firmie Autodesk, podczas wystąpienia na wydarzeniu publicznym. Model bazowy, do którego odnosi się Raji Arasu, ujawniony w maju 2024 r., nazywa się „Bernini” i jest projektem generatywnej sztucznej inteligencji, Konwertowaćtekstu, szkiców rysowanych ręcznie itp. do plików 3D.
Jeśli chodzi o obecny rynek dużych modeli, implementacja funkcjonalności 3D generowanej z grafów nie wydaje się niczym nowym. Google DeepMind, który właśnie wydał Genie 2, Tencent Hybrid (krajowy odpowiednik), czy VoxCraft od BioDigital Technology, by wymienić tylko kilka, mogą oferować podobną funkcjonalność. Jednak jako globalny gigant CAD, Bernini ma ogromne praktyczne znaczenie dla faktycznej działalności Autodesk.

Odkrywanie Berniniego
Bernini został nazwany na cześć Gian Lorenza Berniniego, słynnego XVII-wiecznego włoskiego rzeźbiarza i architekta. Jeśli chodzi o dobór danych treningowych, model został wytrenowany na 10 milionach publicznie dostępnych kształtów 3D przez Autodesk AI Labs we współpracy z Chińskim Uniwersytetem w Hongkongu.
Powodem, dla którego Bernini różni się od innych podstawowych, dużych modeli, jest to, że Bernini ma trzy główne cechy przy generowaniu obrazów 3D:
1. Struktura wygenerowanego obrazu 3D jest funkcjonalną strukturą 3D. Na przykład generuje butelki na wodę, które są puste i faktycznie służą do przechowywania wody, zamiast generować tylko modele o podobnym wyglądzie;
2. Oddzielne kształty i tekstury. Możliwość oddzielnego generowania kształtów i tekstur daje użytkownikowi swobodę dostosowywania zmiennych, łączenia ich ze sobą lub tworzenia innych projektów, unikając problemu mylących tekstur i konturów obiektów 3D;
3. oferuje szeroki wachlarz wariantów. Zoptymalizowany pod kątem profesjonalnych procesów geometrycznych, umożliwia generowanie wielu funkcjonalnych wariantów kształtów 3D z jednego źródła, dając projektantom swobodę wyboru i przyspieszając ich proces twórczy.

Zrzut ekranu interfejsu użytkownika Autodesk

W tym przypadku model bazowy musi pokonać naturalną barierę w procesie projektowania i produkcji, aby osiągnąć te cechy. Mianowicie, sztuczna inteligencja musi być w pełni dostrojona do złożonej logiki danych wejściowych i wyjściowych procesu projektowania. „Akceptując multimodalne dane wejściowe, takie jak tekst, szkice, woksele i chmury punktów, odzwierciedlają one proces projektowania twórcy” – opisuje Raji Arasu.
Ponadto, ponieważ generowanie geometrii, jak w przypadku projektowania 3D CAD, wymaga rozumowania opartego na prawach fizyki w zakresie przestrzeni i struktury, konieczny jest również wysoki poziom precyzji i dokładności.
Jeśli chodzi o czas, premiera Berniniego nie wydaje się być szybka. Od maja 2024 roku, kiedy ujawniono postęp prac nad Berninim, minęła większość roku. Wtedy Bernini opublikował jedynie fragment filmu koncepcyjnego. Dopiero na konferencji użytkowników Autodesk w San Diego w październiku, prezes Andrew Anagnost zaprezentował podgląd Berniniego.
Andrew Anagnost stwierdził jednak, że Bernini jest trenowany z wykorzystaniem danych publicznych i nie jest jeszcze dostępny do użytku komercyjnego, a także został udostępniony społeczności AI. Ujawnił jednak możliwy plan biznesowy dla Berniniego: „Metoda trenowania Berniniego jest niezależna od danych, więc klienci mogą w razie potrzeby korzystać z własnych danych, aby optymalizować Berniniego i stale ulepszać model”.

Jak powstał Bernini
Proces uczenia Berniniego również wykorzystuje procesory graficzne NVIDIA, ale Raji Arasu uważa, że ​​poza GPU, to przetwarzanie i wykorzystanie „danych” jest ważniejsze w trenowaniu modelu. W swoim wystąpieniu Raji Arasu ujawniła więcej na temat tego procesu. Podzieliła proces budowania na przetwarzanie danych, przygotowywanie danych, trenowanie modelu pod kątem kosztów i wydajności oraz zarządzanie złożonością w celu wnioskowania o modelu.
„Trzeba przetworzyć miliardy obiektów i petabajtów danych o różnych rozmiarach, kształtach i obciążeniach” – powiedział Raji Arasu.
Firma Autodesk musiała zbudować bazę danych w chmurze opartą na ogromnej liczbie dużych plików projektowych, w związku z czym wybrała Amazon DynamoDB jako główną bazę danych i utworzyła kanoniczny model danych umożliwiający zapis na setkach partycji przy dużej przepustowości i niemal zerowym opóźnieniu.
Oprócz rozwiązania problemu wydajności danych, Autodesk z łatwością zrealizował proces przygotowania danych do podstawowego szkolenia modelu poprzez połączenie usług w chmurze, takich jak Amazon EMR, Amazon EKS, Amazon Glue i Amazon SageMaker, które prezentowały, oznaczały i segmentowały duże ilości złożonych danych historycznych.
Na etapie szkolenia modelu firma Autodesk napotkała również wiele problemów, takich jak wybór procesora graficznego (GPU), i ostatecznie zdecydowała się na wykorzystanie Amazon SageMaker w celu ujednolicenia rozwiązania, na przykład w zakresie testowania, zarządzania infrastrukturą itp. Zespół skupił się bardziej na przygotowywaniu danych, rozwoju modelu i rozwoju funkcji AI zorientowanych na klienta.
Zarządzanie wnioskowaniem modeli na dużą skalę wymaga odpowiedniego uwzględnienia opóźnień, kosztów i wydajności. „Automatyczne skalowanie i punkty końcowe obsługujące wiele modeli w Amazon SageMaker bezproblemowo obsługują wnioskowanie w czasie rzeczywistym i wsadowe, zapewniając wysoką przepustowość, minimalne opóźnienia i maksymalną efektywność kosztową” – powiedział Raji Arasu.
Jak widać, wersja Bernini firmy Autodesk intensywnie wykorzystuje Amazon SageMaker, najszerzej znaną usługę sztucznej inteligencji i uczenia maszynowego firmy Amazon Cloud Technologies, z której korzysta wiele znanych organizacji, w tym Autodesk, do trenowania modeli. W ostatnim czasie Amazon SageMaker HyperPod oficjalnie wdrożył kilka istotnych aktualizacji, takich jak elastyczne plany szkoleniowe, które umożliwiają tworzenie bardziej zautomatyzowanych zadań szkoleniowych i optymalizują koszty poprzez efektywne wykorzystanie szerokiej gamy bardziej ekonomicznych zasobów obliczeniowych, oraz zarządzanie zadaniami, które priorytetyzuje różne zadania szkoleniowe, aby zmaksymalizować trening modeli, dostrajanie i wnioskowanie w procesie wykorzystania zasobów.
Dzięki tym innowacjom Autodesk ostatecznie skrócił czas wdrożenia modelu bazowego o połowę. Zwiększyło to wydajność sztucznej inteligencji o 30% przy jednoczesnym utrzymaniu kosztów operacyjnych na stabilnym poziomie. Raji Arasu ujawnił również, że Autodesk rozpoczął wdrażanie u klientów funkcji sztucznej inteligencji opartych na tych modelach bazowych.
„Działamy jako partner projektowy dla naszych klientów i pomagamy im dobrać odpowiednie parametry, takie jak wytrzymałość materiału i koszt, aby mogli wybrać najlepszy projekt. Wszystko to po to, aby zminimalizować żmudne zadania i zmaksymalizować kreatywność” – powiedział Raji Arasu.

Poprawne dane, podstawa szkolenia dużych modeli
Po ChatGPT, procesory graficzne NVIDIA stały się popularnym celem dla dużych firm z branży AI, a liczba zamówień procesorów graficznych NVIDIA przez dużą firmę w ciągu roku może nawet trafić na pierwsze strony gazet. Podsumowując jednak proces narodzin Berniniego, procesory graficzne są z pewnością ważne, ale to dane determinują jakość trenowania dużych modeli.
A wytrenowanie dużego modelu, który naprawdę może sprawdzić się w biznesie, jest problemem całego systemu, obejmującym wiele aspektów.
„Duże modele to tylko jeden z elementów innowacji w zakresie generatywnych zastosowań AI. Istnieją inne możliwości, które należy rozszerzyć, aby innowacje w zakresie generatywnych zastosowań AI były skuteczne. Przede wszystkim należy upewnić się, że generatywna sztuczna inteligencja może rozszerzyć możliwości dużych modeli generatywnych zastosowań AI o dane organizacji”. Ruisong Chu, globalny wiceprezes Amazon i prezes Amazon Cloud Technology Greater China, wyraził podobne poglądy w przemówieniu.
W przypadku problemu iluzji, który jest obecnie dużym problemem dla dużych modeli, można go również rozwiązać z perspektywy „metadanych”, czyli zapewnienia jakości danych w bazie wiedzy przed szkoleniem dużych modeli. „Metadane w bazie danych, czyli wysokiej jakości dane, które zostały sprawdzone i zatwierdzone, pomagają zmniejszyć opóźnienia i poprawić reakcję dużego modelu”. Mai-Lan Tomsen Bukovec, wiceprezes ds. technologii w Amazon Cloud Technologies, przestrzegł organizacje szkolące duże modele przed ostrożnym rozróżnianiem danych tworzonych przez ludzi od danych generowanych przez sztuczną inteligencję.
To właśnie ze względu na znaczenie danych, duże modele przyspieszają sposób, w jaki firmy wykorzystują swoje zasoby danych. Dwa miesiące temu Qunar Technology, spółka macierzysta Cool Spaces, chińskiej platformy projektowania przestrzennego 3D, zaprezentowała również nowy plan biznesowy, uruchamiając platformę szkoleniową danych dla ucieleśnionej inteligencji i innych, aby udostępnić największy na świecie zbiór danych głębokiego uczenia się w zakresie rozpoznawania scen wewnątrz budynków. Firma ujawniła, że ​​platforma ma już ponad 320 milionów modeli 3D, a średnia liczba aktywnych użytkowników miesięcznie wynosi 77,8 miliona. Firma udostępni fizycznie poprawne zasoby danych przestrzennych 3D, rozwiązania z zakresu poznania przestrzennego oraz usługi związane ze szkoleniem w zakresie inteligencji przestrzennej dla przedsiębiorstw z branży AIGC, ucieleśnionej inteligencji, rozszerzonej i wirtualnej rzeczywistości (AR/VR) i innych.
Dane pokazują, że około 77% firm zwiększy lub znacząco zwiększy inwestycje w sztuczną inteligencję i nowe technologie w ciągu 3 lat, a 3 obszary, w których sztuczna inteligencja jako pierwsza odnotuje wzrost efektywności, to automatyzacja, analiza i rozszerzanie (automatyzacja, analiza danych i wspomagane rozszerzanie).
„Sztuczna inteligencja zmienia wszystkie branże” to już nie slogan. „Coraz więcej branż aktywnie korzysta z generatywnej sztucznej inteligencji”. Uwem Ukpon, wiceprezes ds. usług globalnych w Amazon Cloud Technologies, powiedział, że obszar zastosowań generatywnej sztucznej inteligencji stopniowo rozszerzył się – od początkowo sektora finansowego, na szeroki wachlarz branż, w tym sektor publiczny, sektory tradycyjne, organizacje rządowe, a także branże takie jak nauki przyrodnicze i opieka zdrowotna. Jednocześnie generatywna sztuczna inteligencja otwiera nowe możliwości biznesowe dla przedsiębiorstw. Autodesk stawia na generatywne projektowanie wspomagane komputerowo (CAD) oparte na danych na dużą skalę, co stanowi potencjalny rynek przyszłości.