A tecnologia CAD generativa está chegando, e a Autodesk, avaliada em US$ 60 bilhões, está internalizando grandes modelos CAD.

Cad A gigante Autodesk também está lançando IA generativa.
No momento da publicação desta notícia, as ações da Autodesk (US:ADSK) subiram mais de 20% em relação ao ano de 2024, cotadas a US$ 293,32 por ação, com uma capitalização de mercado total de US$ 63,064 bilhões.
"Estamos desenvolvendo um modelo base de IA generativa diferente de qualquer outro existente", disse Raji Arasu, vice-presidente executivo e diretor de tecnologia da Autodesk, recentemente durante um evento público. O modelo base ao qual Raji Arasu se refere, revelado em maio de 2024, chama-se "Bernini", um projeto de IA generativa que... ConverterTransformar textos, esboços feitos à mão, etc., em arquivos 3D.
No que diz respeito ao atual mercado de grandes modelos, a implementação de funcionalidades 3D geradas por grafos não parece ser nenhuma novidade. O Genie 2, recém-lançado pelo Google DeepMind, o Hybrid da Tencent e o VoxCraft da BioDigital Technology, para citar alguns exemplos, já implementam funcionalidades semelhantes. Mas, como gigante global de CAD, a Bernini tem grande importância prática para os negócios da Autodesk.

Revelando Bernini
Bernini recebeu esse nome em homenagem a Gian Lorenzo Bernini, o famoso escultor e arquiteto italiano do século XVII. Em termos de seleção de dados de treinamento, o modelo foi treinado com 10 milhões de formas 3D disponíveis publicamente pelo Autodesk AI Labs em colaboração com a Universidade Chinesa de Hong Kong.
O que diferencia o Bernini de outros modelos básicos de grande porte é que ele possui três características principais na geração de imagens 3D:
1. A estrutura da imagem 3D gerada é uma estrutura 3D funcional. Por exemplo, ela gera garrafas de água que são ocas e realmente cumprem a função de armazenar água, em vez de apenas gerar modelos que parecem semelhantes;
2. Formas e texturas separadas. A capacidade de gerar formas e texturas separadamente dá ao usuário a liberdade de ajustar as variáveis, misturá-las ou criar outros designs, evitando o problema de confundir texturas e contornos de objetos 3D;
3. Oferece uma ampla gama de variantes. Otimizada para fluxos de trabalho de geometria profissional, a capacidade de gerar múltiplas variantes funcionais de formas 3D a partir de uma única entrada oferece aos designers opções e acelera seu fluxo de trabalho criativo.

Captura de tela da interface do usuário da Autodesk

Nesse contexto, o modelo base precisa superar uma barreira natural ao processo de design e fabricação para alcançar essas características, ou seja, a IA precisa estar totalmente sintonizada com a lógica complexa de entrada e saída do trabalho de design. "Aceitar entradas multimodais, como texto, esboços, voxels e nuvens de pontos, replica o processo de design do criador", descreve Raji Arasu.
Além disso, como a geração de geometrias como o CAD 3D requer raciocínio baseado nas leis da física em termos de espaço e estrutura, também exige um alto nível de precisão e exatidão.
Em termos de tempo, o lançamento do Bernini não parece ter sido rápido. Desde maio de 2024, quando o progresso do Bernini foi revelado, quase um ano se passou. Naquela época, o Bernini havia divulgado apenas parte do vídeo conceitual. E foi somente na conferência de usuários da Autodesk em San Diego, em outubro, que o CEO Andrew Anagnost apresentou uma prévia do Bernini.
No entanto, Andrew Anagnost afirmou que o Bernini é treinado com dados públicos e ainda não está disponível para uso comercial, tendo sido aberto à comunidade de IA. Mas ele revelou um possível plano de negócios para o Bernini: "O método de treinamento do Bernini é independente de dados, então os clientes podem usar seus próprios dados, se necessário, para otimizar o Bernini e aprimorar continuamente o modelo."

Como Bernini 'se tornou'
O processo de treinamento de Bernini também utiliza GPUs da NVIDIA, mas, além das GPUs, Raji Arasu acredita que o processamento e o uso dos dados são mais importantes no treinamento de um modelo. Em sua palestra, Raji Arasu revelou mais detalhes sobre esse processo. Ela dividiu o processo de construção em manipulação de dados, preparação de dados, treinamento do modelo para custo e eficiência e gerenciamento da complexidade para inferência do modelo.
"Bilhões de objetos e petabytes de dados de diferentes tamanhos, formatos e cargas de trabalho precisam ser processados", disse Raji Arasu.
A Autodesk precisava construir uma infraestrutura de dados na nuvem com base em seu enorme volume de arquivos de projeto de grande porte, para a qual escolheu o Amazon DynamoDB como banco de dados principal e criou um modelo de dados canônico que permite gravações em centenas de partições com alta taxa de transferência e latência próxima de zero.
Além de resolver o problema de desempenho dos dados, a Autodesk concluiu facilmente o processo de preparação de dados para o treinamento básico do modelo, combinando serviços em nuvem como Amazon EMR, Amazon EKS, Amazon Glue e Amazon SageMaker, que caracterizaram, etiquetaram e segmentaram grandes quantidades de dados históricos complexos.
Na fase de treinamento do modelo, a Autodesk também enfrentou muitos problemas, como a seleção da GPU, e acabou utilizando o Amazon SageMaker para unificar a solução, abrangendo testes, gerenciamento de infraestrutura, etc. A equipe se concentrou mais na preparação de dados, desenvolvimento de modelos e desenvolvimento de funções de IA orientadas ao cliente.
Ao gerenciar a inferência de modelos em grande escala, é fundamental considerar a latência, o custo e o desempenho. "O dimensionamento automático e os endpoints multimodelo do Amazon SageMaker oferecem suporte integrado à inferência em tempo real e em lote, proporcionando alta taxa de transferência, latência mínima e máxima eficiência de custos", afirmou Raji Arasu.
Como você pode ver, a versão do Bernini da Autodesk faz uso intensivo do Amazon SageMaker, o serviço de IA e aprendizado de máquina mais conhecido da Amazon Cloud Technologies, do qual diversas organizações de renome, incluindo a Autodesk, utilizam o Amazon SageMaker HyperPod para treinamento de modelos. O Amazon SageMaker HyperPod lançou recentemente várias atualizações importantes, como os Planos de Treinamento Flexíveis, que permitem criar mais tarefas de treinamento automatizadas e otimizam custos, utilizando de forma eficiente uma ampla gama de recursos computacionais mais econômicos, e a Governança de Tarefas, que prioriza diferentes tarefas de treinamento para maximizar o treinamento, o ajuste fino e o raciocínio do modelo durante o processo de utilização de recursos.
Com base nessas inovações, a Autodesk conseguiu reduzir pela metade o tempo de implantação do modelo base. Isso aumentou a produtividade da IA ​​em 30%, mantendo os custos operacionais estáveis. Raji Arasu também revelou que a Autodesk já começou a disponibilizar aos clientes os recursos de IA baseados nesses modelos base.
"Atuamos como parceiros de design para nossos clientes, ajudando-os a equilibrar parâmetros como resistência do material e custo, para que possam determinar o melhor projeto. Tudo isso é feito para minimizar tarefas tediosas e maximizar a criatividade", disse Raji Arasu.

Dados corretos são a premissa para o treinamento de modelos de grande porte.
Após o ChatGPT, as GPUs da NVIDIA se tornaram um alvo popular para as principais empresas de IA, e a quantidade de GPUs NVIDIA que uma grande empresa encomenda em um ano pode até virar manchete nos principais veículos de comunicação. No entanto, para resumir o processo de criação de Bernini, a GPU é certamente importante, mas são os dados que determinam a qualidade do treinamento de modelos de grande escala.
E treinar um modelo robusto que realmente funcione nos negócios é um problema de sistema completo que envolve muitos aspectos.
"Os modelos de grande escala são apenas uma parte da inovação em aplicações de IA generativa. Existem outras capacidades que precisam ser ampliadas para que a inovação em aplicações de IA generativa seja bem-sucedida. Em primeiro lugar, é preciso garantir que a IA generativa possa complementar as capacidades dos modelos de grande escala das aplicações de IA generativa com os dados da própria organização." Ruisong Chu, vice-presidente global da Amazon e presidente da Amazon Cloud Technology para a Grande China, expressou opiniões semelhantes em um discurso.
No caso do problema da ilusão, que agora é uma grande preocupação para grandes modelos, ele também pode ser resolvido a partir da perspectiva de 'metadados', que consiste em garantir a qualidade dos dados na base de conhecimento antes do treinamento de grandes modelos. 'Metadados no banco de dados, ou seja, dados de alta qualidade que foram revisados ​​e aprovados, ajudam a reduzir a latência e a melhorar a resposta do Big Model', afirmou Mai-Lan Tomsen Bukovec, vice-presidente de tecnologia da Amazon Cloud Technologies. Ela alertou as organizações que treinam grandes modelos para que tenham cuidado ao distinguir entre o que é criado por pessoas e quais dados são gerados por IA.
É devido à importância dos dados que os grandes modelos estão acelerando a forma como as empresas utilizam seus ativos de dados. Há dois meses, a Qunar Technology, empresa controladora da Cool Spaces, uma plataforma chinesa de design espacial 3D, também revelou um novo plano de negócios, lançando uma plataforma de treinamento de dados para inteligência incorporada e outras áreas, com o objetivo de disponibilizar o maior conjunto de dados de aprendizado profundo para reconhecimento de ambientes internos do mundo. A empresa divulgou que a plataforma já possui mais de 320 milhões de modelos 3D, com uma média de 77,8 milhões de visitantes ativos mensais. A empresa disponibilizará ativos de dados espaciais 3D fisicamente corretos, soluções de cognição espacial e serviços relacionados a treinamento de inteligência espacial para empresas de IAGC (Inteligência Artificial Geral), inteligência incorporada, AR/VR (Realidade Aumentada/Realidade Virtual) e outras áreas.
Os dados mostram que cerca de 77% das empresas aumentarão ou aumentarão significativamente seus investimentos em IA e tecnologias emergentes dentro de 3 anos, e que as 3 áreas em que a IA será a primeira a apresentar ganhos de eficiência são Automação, Análise e Aumento (automação, análise de dados e aumento assistido).
"A IA está remodelando todos os setores" deixou de ser apenas um slogan. "Cada vez mais setores estão se tornando ativos no espaço da IA ​​generativa." Uwem Ukpon, vice-presidente de serviços globais da Amazon Cloud Technologies, afirmou que a área de aplicação da IA ​​generativa se expandiu gradualmente, partindo do setor financeiro, no início, para uma ampla gama de setores, incluindo o setor público, indústrias tradicionais, organizações governamentais, bem como setores como ciências da vida e saúde. Ao mesmo tempo, a IA generativa também oferece novas oportunidades de negócios para empresas. A Autodesk está apostando no CAD generativo baseado em dados em larga escala, um mercado promissor para o futuro.