Генеративные САПР уже на подходе, компания Autodesk с капитализацией в 60 миллиардов долларов внедряет в свою деятельность крупные САПР-модели.

Кад Гигант Autodesk тоже внедряет генеративный искусственный интеллект.
На момент публикации акции Autodesk (US:ADSK) выросли более чем на 20% по сравнению с прогнозируемой ценой в 2024 году и составили 293,32 доллара за акцию, а общая рыночная капитализация — 63,064 миллиарда долларов.
«Мы разрабатываем базовую модель генеративного ИИ, которая не похожа ни на одну другую существующую модель», — заявил недавно Раджи Арасу, исполнительный вице-президент и главный технический директор Autodesk, во время выступления на публичном мероприятии. Базовая модель, о которой говорит Раджи Арасу, была представлена ​​в мае 2024 года и называется «Бернини» — это проект генеративного ИИ, который ПреобразоватьПреобразовать текст, эскизы, нарисованные от руки, и т. д. в 3D-файлы.
Что касается современного рынка крупномасштабных моделей, то внедрение функциональности 3D-моделирования, генерируемого графами, не кажется чем-то новым. Google DeepMind недавно выпустил Genie 2, Tencent Hybrid (для внутреннего рынка) и VoxCraft от BioDigital Technology — это лишь некоторые примеры программ, способных реализовать аналогичную функциональность. Но как глобальный гигант в области САПР, Бернини имеет огромное практическое значение для реального бизнеса Autodesk.

Раскрывая тайны Бернини
Модель Bernini названа в честь Джан Лоренцо Бернини, известного итальянского скульптора и архитектора XVII века. Что касается выбора обучающих данных, модель была обучена на 10 миллионах общедоступных 3D-моделей компанией Autodesk AI Labs в сотрудничестве с Китайским университетом Гонконга.
Отличие Бернини от других базовых моделей заключается в том, что он обладает тремя основными характеристиками при создании 3D-изображений:
1. Структура сгенерированного 3D-изображения является функциональной 3D-структурой. Например, она генерирует полые бутылки для воды, которые действительно выполняют функцию хранения воды, а не просто модели, внешне похожие друг на друга;
2. Раздельное создание форм и текстур. Возможность создавать формы и текстуры по отдельности дает пользователю свободу настраивать параметры, смешивать их или создавать другие варианты дизайна, избегая проблемы путаницы текстур и контуров 3D-объектов;
3. Предоставляет широкий спектр вариантов. Оптимизированная для профессиональных рабочих процессов в области геометрии, возможность генерации множества функциональных вариантов 3D-форм из одного входного параметра дает дизайнерам выбор и ускоряет их творческий процесс.

Скриншот пользовательского интерфейса Autodesk

В этом контексте базовой модели необходимо преодолеть естественный барьер в процессе проектирования и производства, чтобы достичь этих характеристик, а именно, ИИ должен быть полностью настроен на сложную логику ввода и вывода проектной работы. «Принимая многомодальные входные данные, такие как текст, эскизы, воксели, облака точек, они воспроизводят процесс проектирования, осуществляемый создателем», — описывает Раджи Арасу.
Кроме того, поскольку создание геометрических моделей, таких как 3D CAD-модели, требует рассуждений, основанных на законах физики в пространстве и структуре, это также требует высокого уровня точности и аккуратности.
Таким образом, с точки зрения времени запуск Bernini, похоже, не был быстрым. С мая 2024 года, когда стало известно о ходе работ Bernini, прошло уже почти год. К тому времени Bernini выпустил лишь часть концептуального видео. И только на пользовательской конференции Autodesk в Сан-Диего в октябре генеральный директор Эндрю Анагност представил предварительный вариант Bernini.
Однако Эндрю Анагност заявил, что Bernini обучается на общедоступных данных и пока недоступен для коммерческого использования, а открыт для сообщества разработчиков ИИ. Но он также раскрыл возможный бизнес-план для Bernini: «Метод обучения Bernini не зависит от данных, поэтому клиенты могут использовать свои собственные данные, если это необходимо, для оптимизации Bernini и постоянного улучшения модели».

Как создавался Бернини
В процессе обучения модели Бернини также используются графические процессоры NVIDIA, но, по мнению Раджи Арасу, помимо графических процессоров, более важным аспектом обучения модели является обработка и использование «данных». В своем докладе Раджи Арасу подробно рассказала об этом процессе. Она разделила процесс построения модели на обработку данных, подготовку данных, обучение модели с точки зрения стоимости и эффективности, а также управление сложностью для вывода результатов модели.
«Необходимо обработать миллиарды объектов и петабайты данных различных размеров, форм и объемов», — сказал Раджи Арасу.
Компании Autodesk потребовалось создать облачную платформу для хранения данных, основанную на огромном объеме больших проектных файлов. Для этого она выбрала Amazon DynamoDB в качестве основной базы данных и разработала каноническую модель данных, обеспечивающую запись данных в сотни разделов с высокой пропускной способностью и практически нулевой задержкой.
Помимо решения проблемы производительности данных, Autodesk легко завершила процесс подготовки данных для обучения базовой модели, объединив облачные сервисы, такие как Amazon EMR, Amazon EKS, Amazon Glue и Amazon SageMaker, которые обрабатывали, помечали и сегментировали большие объемы сложных исторических данных.
На этапе обучения модели компания Autodesk также столкнулась со многими проблемами, такими как выбор графического процессора, и в итоге использовала Amazon SageMaker для унификации решения для тестирования экземпляров, управления инфраструктурой и т. д. Команда сосредоточилась на подготовке данных, разработке модели и разработке ориентированных на клиента функций ИИ.
При управлении выводом моделей в масштабе необходимо должным образом учитывать задержку, стоимость и производительность. «Автоматическое масштабирование и поддержка нескольких моделей в Amazon SageMaker обеспечивают бесперебойную работу как в режиме реального времени, так и в пакетном режиме, гарантируя высокую пропускную способность, минимальную задержку и максимальную экономическую эффективность», — сказал Раджи Арасу.
Как видите, в сборке Bernini от Autodesk активно используется Amazon SageMaker, наиболее известный сервис искусственного интеллекта и машинного обучения от Amazon Cloud Technologies, который ряд крупных организаций, включая Autodesk, используют для обучения моделей с помощью Amazon SageMaker HyperPod. В последнее время Amazon SageMaker HyperPod официально получил несколько важных обновлений, таких как гибкие планы обучения (Flexible Training Plans) для создания более автоматизированных задач обучения, оптимизирующих затраты за счет эффективного использования широкого спектра более экономичных вычислительных ресурсов, и управление задачами (Task Governance), которое расставляет приоритеты для различных задач обучения, чтобы максимизировать обучение модели, тонкую настройку и рассуждения в процессе использования ресурсов.
Благодаря этим инновациям компания Autodesk в конечном итоге сократила время развертывания базовой модели вдвое. Это повысило производительность ИИ на 30 процентов, сохранив при этом операционные затраты на стабильном уровне. Раджи Арасу также сообщил, что Autodesk начала внедрение возможностей ИИ, созданных на основе этих базовых моделей, для своих клиентов.
«Мы выступаем в качестве партнера по дизайну для наших клиентов, помогая им сбалансировать такие параметры, как прочность материалов и стоимость, чтобы они могли определить оптимальный дизайн. Все это делается для того, чтобы свести к минимуму рутинные задачи и максимизировать творческий потенциал», — сказал Раджи Арасу.

Корректные данные — предпосылка для обучения больших моделей.
После ChatGPT графические процессоры NVIDIA стали популярной целью для крупных компаний, занимающихся искусственным интеллектом, и количество заказанных крупными компаниями графических процессоров NVIDIA за год может даже стать главной новостью в СМИ. Однако, подводя итог процессу создания Bernini, можно сказать, что графический процессор, безусловно, важен, но качество обучения больших моделей определяется данными.
А обучение большой модели, которая действительно может работать в бизнесе, — это комплексная системная задача, включающая множество аспектов.
«Крупные модели — это лишь одна часть инноваций в области применения генеративного ИИ. Для успешного внедрения таких инноваций необходимо расширить и другие возможности. В первую очередь, необходимо убедиться, что генеративный ИИ может дополнить возможности крупных моделей, предоставляемые приложениями генеративного ИИ, собственными данными организации». Аналогичные взгляды выразил в своем выступлении Руисонг Чу, глобальный вице-президент Amazon и президент Amazon Cloud Technology Greater China.
В случае с проблемой иллюзий, которая сейчас является серьезной проблемой для больших моделей, ее также можно решить с точки зрения «метаданных», то есть обеспечения качества данных в базе знаний перед обучением больших моделей. «Метаданные в базе данных, то есть высококачественные данные, прошедшие проверку и одобрение, помогают уменьшить задержку и улучшить отклик большой модели», — сказал Май-Лан Томсен Буковец, вице-президент по технологиям в Amazon Cloud Technologies. Он предостерег организации, обучающие большие модели, от необходимости различать данные, созданные людьми, и данные, сгенерированные искусственным интеллектом.
Именно из-за важности данных большие модели ускоряют процесс реализации компаниями своих информационных активов. Два месяца назад компания Qunar Technology, материнская компания Cool Spaces, китайской платформы 3D-пространственного проектирования, также представила новый бизнес-план, запустив платформу для обучения данных в области воплощенного интеллекта и других областях, чтобы открыть доступ к крупнейшему в мире набору данных для глубокого обучения по определению местоположения внутри помещений. Компания сообщила, что платформа уже содержит более 320 миллионов 3D-моделей, со средним числом активных посетителей 77,8 миллионов в месяц. Компания планирует предоставлять физически корректные 3D-данные, решения для пространственного познания и услуги, связанные с обучением пространственному интеллекту, для AIGC, воплощенного интеллекта, AR/VR и других предприятий.
Данные показывают, что около 77% компаний увеличат или значительно увеличат свои инвестиции в ИИ и новые технологии в течение 3 лет, и что тремя областями, где ИИ в первую очередь обеспечит повышение эффективности, станут автоматизация, анализ и расширение возможностей (автоматизация, анализ данных и вспомогательное расширение возможностей).
«Искусственный интеллект меняет все отрасли» — это уже не просто лозунг. «Все больше и больше отраслей активно используют генеративный ИИ». Увем Укпон, вице-президент по глобальным услугам в Amazon Cloud Technologies, отметил, что сфера применения генеративного ИИ постепенно расширяется от финансовой отрасли на начальном этапе до широкого спектра отраслей, включая государственный сектор, традиционные отрасли, правительственные организации, а также такие отрасли, как медико-биологические науки и здравоохранение. В то же время генеративный ИИ открывает новые возможности для бизнеса предприятий. Компания Autodesk делает ставку на крупномасштабное генеративное САПР на основе данных, что является потенциальным будущим рынком.