Công nghệ CAD tạo sinh đang đến, Autodesk trị giá 60 tỷ đô la đang nội bộ hóa các mô hình CAD lớn.

CAD Ông lớn Autodesk cũng đang thâm nhập thị trường trí tuệ nhân tạo tạo sinh.
Tính đến thời điểm viết bài này, cổ phiếu Autodesk (US:ADSK) đã tăng hơn 20% so với năm trước, đạt mức 293,32 đô la mỗi cổ phiếu, với tổng vốn hóa thị trường là 63,064 tỷ đô la.
“Chúng tôi đang phát triển một mô hình cơ sở trí tuệ nhân tạo tạo sinh khác biệt hoàn toàn so với bất kỳ mô hình nào hiện có,” Raji Arasu, phó chủ tịch điều hành kiêm giám đốc công nghệ của Autodesk, cho biết gần đây trong một sự kiện công cộng. Mô hình cơ sở mà Raji Arasu đề cập đến, được tiết lộ vào tháng 5 năm 2024, có tên là “Bernini”, một dự án trí tuệ nhân tạo tạo sinh… Chuyển thànhChuyển đổi văn bản, bản vẽ tay, v.v. thành tệp 3D.
Xét về thị trường mô hình 3D cỡ lớn hiện nay, việc triển khai chức năng tạo mô hình 3D từ đồ thị dường như không phải là điều gì mới mẻ. Một số sản phẩm như Genie 2 vừa được Google DeepMind ra mắt, Tencent Hybrid trong nước và VoxCraft của BioDigital Technology, đều có thể thực hiện chức năng tương tự. Nhưng với tư cách là một gã khổng lồ CAD toàn cầu, Bernini có ý nghĩa thực tiễn rất lớn đối với hoạt động kinh doanh thực tế của Autodesk.

Khám phá Bernini
Bernini được đặt theo tên của Gian Lorenzo Bernini, nhà điêu khắc và kiến ​​trúc sư nổi tiếng người Ý thế kỷ 17. Về việc lựa chọn dữ liệu huấn luyện, mô hình được huấn luyện trên 10 triệu hình dạng 3D có sẵn công khai bởi Autodesk AI Labs phối hợp với Đại học Trung văn Hồng Kông.
Lý do Bernini khác biệt so với các mẫu máy in 3D cỡ lớn cơ bản khác là vì Bernini có ba đặc điểm chính trong việc tạo ra hình ảnh 3D:
1. Cấu trúc của hình ảnh 3D được tạo ra là một cấu trúc 3D có chức năng. Ví dụ, nó tạo ra những chai nước rỗng và thực sự có chức năng chứa nước, chứ không chỉ tạo ra các mô hình trông giống nhau;
2. Hình dạng và kết cấu riêng biệt. Khả năng tạo ra hình dạng và kết cấu riêng biệt cho phép người dùng tự do điều chỉnh các biến số, kết hợp chúng lại với nhau hoặc tạo ra các thiết kế khác, tránh được vấn đề nhầm lẫn giữa kết cấu và đường viền của các đối tượng 3D;
3. Cung cấp nhiều biến thể đa dạng. Được tối ưu hóa cho quy trình làm việc hình học chuyên nghiệp, khả năng tạo ra nhiều biến thể hình dạng 3D chức năng từ một đầu vào duy nhất mang lại cho các nhà thiết kế nhiều lựa chọn và đẩy nhanh quy trình sáng tạo của họ.

Ảnh chụp màn hình giao diện người dùng Autodesk

Trong đó, mô hình cơ bản cần vượt qua một rào cản tự nhiên trong quá trình thiết kế và sản xuất để đạt được những đặc điểm này, cụ thể là, trí tuệ nhân tạo cần phải hoàn toàn thích ứng với logic phức tạp của đầu vào và đầu ra của công việc thiết kế. "Việc chấp nhận các đầu vào đa phương thức như văn bản, bản phác thảo, voxel, đám mây điểm, giúp tái tạo quá trình thiết kế của người tạo ra sản phẩm", Raji Arasu mô tả.
Ngoài ra, vì việc tạo ra các hình học như CAD 3D đòi hỏi phải suy luận dựa trên các định luật vật lý về không gian và cấu trúc, nên nó cũng yêu cầu độ chính xác cao.
Vì vậy, xét về mặt thời gian, việc ra mắt Bernini dường như không diễn ra nhanh chóng. Kể từ tháng 5 năm 2024, khi những tiến triển của Bernini được tiết lộ, hầu hết cả năm đã trôi qua. Vào thời điểm đó, Bernini chỉ phát hành một phần của video giới thiệu ý tưởng. Và chỉ đến hội nghị người dùng của Autodesk ở San Diego vào tháng 10, CEO Andrew Anagnost mới công bố bản xem trước của Bernini.
Tuy nhiên, Andrew Anagnost cho biết Bernini được huấn luyện bằng dữ liệu công khai và chưa được phép sử dụng cho mục đích thương mại, mà chỉ dành cho cộng đồng trí tuệ nhân tạo. Nhưng ông đã tiết lộ một kế hoạch kinh doanh khả thi cho Bernini: "Phương pháp huấn luyện Bernini không phụ thuộc vào dữ liệu, vì vậy khách hàng có thể sử dụng dữ liệu của riêng họ, nếu cần, để tối ưu hóa Bernini và liên tục cải thiện mô hình."

Bernini được "tạo nên" như thế nào
Quá trình huấn luyện của Bernini cũng sử dụng GPU của NVIDIA, nhưng ngoài GPU, Raji Arasu tin rằng việc xử lý và sử dụng 'dữ liệu' mới là yếu tố quan trọng hơn trong việc huấn luyện mô hình. Trong bài thuyết trình của mình, Raji Arasu đã tiết lộ thêm về quá trình này. Bà chia quá trình xây dựng thành các giai đoạn: xử lý dữ liệu, chuẩn bị dữ liệu, huấn luyện mô hình để tối ưu chi phí và hiệu quả, và quản lý độ phức tạp cho quá trình suy luận của mô hình.
"Hàng tỷ vật thể và petabyte dữ liệu với kích thước, hình dạng và khối lượng công việc khác nhau cần được xử lý", Raji Arasu cho biết.
Autodesk cần xây dựng một nền tảng dữ liệu trên đám mây dựa trên khối lượng lớn các tệp thiết kế của mình, vì vậy họ đã chọn Amazon DynamoDB làm cơ sở dữ liệu chính và tạo ra một mô hình dữ liệu chuẩn cho phép ghi dữ liệu trên hàng trăm phân vùng với thông lượng cao và độ trễ gần như bằng không.
Ngoài việc giải quyết vấn đề hiệu suất dữ liệu, Autodesk đã dễ dàng hoàn thành quy trình chuẩn bị dữ liệu cho việc huấn luyện mô hình cơ bản bằng cách kết hợp các dịch vụ đám mây như Amazon EMR, Amazon EKS, Amazon Glue và Amazon SageMaker, giúp xử lý, gắn thẻ và phân đoạn lượng lớn dữ liệu lịch sử phức tạp.
Trong giai đoạn huấn luyện mô hình, Autodesk cũng gặp nhiều vấn đề như lựa chọn GPU, và cuối cùng đã sử dụng Amazon SageMaker để thống nhất giải pháp cho việc kiểm thử trường hợp cụ thể, quản lý cơ sở hạ tầng, v.v. Nhóm tập trung nhiều hơn vào chuẩn bị dữ liệu, phát triển mô hình và phát triển các chức năng AI hướng đến khách hàng.
Độ trễ, chi phí và hiệu suất cần được giải quyết đúng cách khi quản lý suy luận mô hình ở quy mô lớn. "Khả năng tự động mở rộng quy mô và các điểm cuối đa mô hình của Amazon SageMaker hỗ trợ liền mạch suy luận thời gian thực và theo lô để đạt được thông lượng cao, độ trễ tối thiểu và hiệu quả chi phí tối đa", Raji Arasu cho biết.
Như bạn thấy, phiên bản Bernini của Autodesk sử dụng rộng rãi Amazon SageMaker, dịch vụ trí tuệ nhân tạo và máy học nổi tiếng nhất từ ​​Amazon Cloud Technologies, trong đó một số tổ chức lớn, bao gồm cả Autodesk, đang tận dụng Amazon SageMaker HyperPod để huấn luyện mô hình. Amazon SageMaker HyperPod đã chính thức tung ra một số bản cập nhật mạnh mẽ trong thời gian gần đây, chẳng hạn như Kế hoạch huấn luyện linh hoạt để tạo ra nhiều tác vụ huấn luyện tự động hơn, tối ưu hóa chi phí bằng cách sử dụng hiệu quả nhiều tài nguyên tính toán tiết kiệm chi phí hơn, và Quản trị tác vụ, giúp ưu tiên các tác vụ huấn luyện khác nhau để tối đa hóa việc huấn luyện, tinh chỉnh và suy luận mô hình trong quá trình sử dụng tài nguyên.
Dựa trên những cải tiến này, Autodesk cuối cùng đã giảm một nửa thời gian triển khai mô hình cơ bản. Điều này đã tăng năng suất AI lên 30% trong khi vẫn giữ chi phí vận hành ổn định. Raji Arasu cũng tiết lộ rằng Autodesk đã bắt đầu triển khai các khả năng AI được xây dựng trên các mô hình cơ bản này cho khách hàng.
Ông Raji Arasu cho biết: "Chúng tôi đóng vai trò là đối tác thiết kế cho khách hàng và giúp họ cân bằng các yếu tố như độ bền vật liệu, chi phí để họ có thể xác định được thiết kế tốt nhất. Tất cả những điều này nhằm mục đích giảm thiểu các công việc tốn thời gian và tối đa hóa sự sáng tạo."

Dữ liệu chính xác, tiền đề của việc huấn luyện các mô hình lớn.
Sau ChatGPT, GPU của NVIDIA đã trở thành mục tiêu được nhiều công ty AI lớn săn đón, và số lượng GPU NVIDIA mà một công ty lớn đặt hàng trong một năm thậm chí có thể trở thành tin tức trang nhất trên các phương tiện truyền thông. Tuy nhiên, tóm lại, GPU chắc chắn rất quan trọng, nhưng chất lượng của việc huấn luyện mô hình quy mô lớn mới là yếu tố quyết định.
Và việc huấn luyện một mô hình lớn có thể thực sự hoạt động hiệu quả trong kinh doanh là một vấn đề hệ thống toàn diện liên quan đến nhiều khía cạnh.
“Các mô hình lớn chỉ là một phần của sự đổi mới ứng dụng AI tạo sinh. Cần phải tăng cường thêm nhiều khả năng khác nếu muốn đổi mới ứng dụng AI tạo sinh một cách hiệu quả. Trước hết, bạn cần đảm bảo rằng AI tạo sinh có thể tăng cường khả năng của các mô hình lớn trong các ứng dụng AI tạo sinh bằng dữ liệu riêng của tổ chức.” Ông Ruisong Chu, phó chủ tịch toàn cầu kiêm chủ tịch Amazon Cloud Technology khu vực Đại Trung Quốc của Amazon, cũng bày tỏ quan điểm tương tự trong một bài phát biểu.
Trong trường hợp vấn đề ảo ảnh, hiện đang là mối quan ngại lớn đối với các mô hình lớn, nó cũng có thể được giải quyết từ góc độ "siêu dữ liệu", đó là đảm bảo chất lượng dữ liệu trong cơ sở tri thức trước khi huấn luyện các mô hình lớn. "Siêu dữ liệu trong cơ sở dữ liệu, tức là dữ liệu chất lượng cao đã được xem xét và phê duyệt, giúp giảm độ trễ và cải thiện khả năng phản hồi của Mô hình lớn." Mai-Lan Tomsen Bukovec, phó chủ tịch công nghệ tại Amazon Cloud Technologies, cho biết ông cảnh báo các tổ chức đang huấn luyện các mô hình lớn cần cẩn thận phân biệt giữa dữ liệu do con người tạo ra và dữ liệu do AI tạo ra.
Chính vì tầm quan trọng của dữ liệu mà các mô hình lớn đang thúc đẩy nhanh chóng cách các công ty hiện thực hóa tài sản dữ liệu của họ. Hai tháng trước, Qunar Technology, công ty mẹ của Cool Spaces, một nền tảng thiết kế không gian 3D đến từ Trung Quốc, cũng đã công bố một kế hoạch kinh doanh mới, ra mắt nền tảng đào tạo dữ liệu cho trí tuệ thể hiện và các lĩnh vực khác để mở ra bộ dữ liệu học sâu về nhận thức không gian trong nhà lớn nhất thế giới. Công ty tiết lộ rằng nền tảng này đã có hơn 320 triệu mô hình 3D, với trung bình 77,8 triệu lượt truy cập hoạt động hàng tháng. Công ty sẽ mở ra các tài sản dữ liệu không gian 3D chính xác về mặt vật lý, các giải pháp nhận thức không gian và các dịch vụ liên quan đến đào tạo trí tuệ không gian cho AIGC, trí tuệ thể hiện, AR/VR và các doanh nghiệp khác.
Dữ liệu cho thấy khoảng 77% các công ty sẽ tăng hoặc tăng đáng kể đầu tư vào trí tuệ nhân tạo (AI) và các công nghệ mới nổi trong vòng 3 năm tới, và 3 lĩnh vực mà AI sẽ chứng kiến ​​hiệu quả đầu tiên là Tự động hóa, Phân tích và Tăng cường (tự động hóa, phân tích dữ liệu và tăng cường hỗ trợ).
"Trí tuệ nhân tạo đang định hình lại mọi ngành công nghiệp" không còn là một khẩu hiệu. "Ngày càng nhiều ngành công nghiệp đang tích cực tham gia vào lĩnh vực trí tuệ nhân tạo tạo sinh." Uwem Ukpon, phó chủ tịch dịch vụ toàn cầu tại Amazon Cloud Technologies, cho biết lĩnh vực ứng dụng của trí tuệ nhân tạo tạo sinh đã dần mở rộng từ ngành tài chính ban đầu sang nhiều ngành công nghiệp khác, bao gồm khu vực công, các ngành công nghiệp truyền thống, các tổ chức chính phủ, cũng như các ngành như khoa học đời sống và chăm sóc sức khỏe. Đồng thời, trí tuệ nhân tạo tạo sinh cũng mang lại những cơ hội kinh doanh mới cho các doanh nghiệp, Autodesk đang đặt cược vào CAD tạo sinh dựa trên dữ liệu quy mô lớn, một thị trường tiềm năng trong tương lai.