生成式CAD即将到来，价值600亿美元的Autodesk公司正在将大型CAD模型内部化。

CAD 科技巨头 Autodesk 也正在进军生成式人工智能领域。
截至发稿时，Autodesk（美国：ADSK）股票价格较 2024 年预期上涨超过 20%，达到每股 293.32 美元，总市值达 630.64 亿美元。
“我们正在开发一种与市面上任何模型都截然不同的生成式人工智能基础模型。”欧特克公司执行副总裁兼首席技术官拉吉·阿拉苏（Raji Arasu）最近在一次公开活动中表示。拉吉·阿拉苏所指的基础模型名为“伯尼尼”（Bernini），将于2024年5月发布，这是一个生成式人工智能项目。 转变将文本、手绘草图等转换为 3D 文件。
就目前的大型模型市场而言，基于图生成的3D功能似乎并不新鲜。谷歌DeepMind刚刚发布的Genie 2、国内腾讯的Hybrid以及博迪科技的VoxCraft等等，都能实现类似的功能。但作为全球CAD巨头，Bernini对Autodesk的实际业务具有重要的现实意义。

揭开贝尼尼的神秘面纱
贝尼尼模型以17世纪意大利著名雕塑トップページ和建筑师吉安·洛伦佐·贝尼尼的名字命名。在训练数据选择方面，该模型由Autodesk AI Labs与香港中文大学合作，使用1000万个公开可用的3D形状进行训练。
贝尼尼与其他基础大型模型的不同之处在于，贝尼尼在生成 3D 图像方面具有三个主要特点：
1. 生成的3D图像的结构是功能性的3D结构。例如，它生成的是空心的、真正能盛水的瓶子，而不仅仅是外观相似的模型；
2. 分离形状和纹理。能够分别生成形状和纹理，使用户可以自由调整变量、将它们混合在一起或创建其他设计，从而避免 3D 对象纹理和轮廓混淆的问题；
3. 提供多种变体。针对专业几何工作流程进行了优化，能够从单个输入生成多个功能性 3D 形状变体，为设计师提供更多选择，并加快其创意工作流程。

Autodesk 用户界面截图

为此，基础模型需要克服设计和制造过程中的一个天然障碍才能实现这些特性，即人工智能需要完全适应设计工作输入输出的复杂逻辑。“接受文本、草图、体素、点云等多模态输入，这些都模拟了创作者的设计过程。”Raji Arasu解释道。
此外，由于生成 3D CAD 等几何图形需要根据物理定律进行空间和结构方面的推理，因此也需要很高的精度和准确度。
因此，从时间上看，Bernini 的发布似乎并不迅速。自 2024 年 5 月 Bernini 的进展公布以来，大半年时间已经过去。当时，Bernini 只发布了部分概念视频。直到 10 月份在圣地亚哥举行的 Autodesk 用户大会上，CEO Andrew Anagnost 才发布了 Bernini 的预览版。
然而，安德鲁·阿纳格诺斯特表示，Bernini 是使用公开数据训练的，目前尚未用于商业用途，仅对人工智能社区开放。但他透露了 Bernini 的一个可能的商业计划：“Bernini 的训练方法与数据无关，因此客户可以根据需要使用自己的数据来优化 Bernini 并持续改进模型。”

贝尼尼是如何“被造就”的
Bernini 的训练过程也使用了 NVIDIA GPU，但除了 GPU 之外，Raji Arasu 认为，在模型训练中，数据处理和使用才是更重要的。在她的演讲中，Raji Arasu 更详细地阐述了这一过程。她将模型构建过程分为数据处理、数据准备、模型训练（兼顾成本和效率）以及模型推理的复杂度管理。
“数十亿个不同大小、形状和工作负载的对象和PB级数据需要处理。”拉吉·阿拉苏说道。
Autodesk 需要基于其海量的大型设计文件在云端构建数据基座，为此，它选择了 Amazon DynamoDB 作为主要数据库，并创建了一个规范的数据模型，该模型能够以高吞吐量和近乎零延迟的方式跨数百个分区进行写入。
除了解决数据性能问题外，Autodesk 还通过结合 Amazon EMR、Amazon EKS、Amazon Glue 和 Amazon SageMaker 等云服务，轻松完成了基本模型训练的数据准备过程，这些服务对大量复杂的历史数据进行了特征提取、标记和分割。
在模型训练阶段，Autodesk 也面临诸多问题，例如 GPU 选择，最终采用 Amazon SageMaker 统一解决方案，用于实例测试、基础设施管理等。团队则将更多精力集中在数据准备、模型开发和面向客户的 AI 功能开发上。
在进行大规模模型推理时，必须妥善解决延迟、成本和性能问题。“Amazon SageMaker 的自动扩展和多模型端点可无缝支持实时和批量推理，从而实现高吞吐量、低延迟和最高成本效益。” Raji Arasu 表示。
正如您所见，Autodesk 构建的 Bernini 大量使用了 Amazon SageMaker，这是 Amazon Cloud Technologies 旗下最知名的 AI 和机器学习服务。包括 Autodesk 在内的众多知名企业都在利用 Amazon SageMaker HyperPod 进行模型训练。Amazon SageMaker HyperPod 近期正式推出了一系列重大更新，例如“灵活训练计划”，旨在创建更多自动化训练任务，通过高效利用各种更具成本效益的计算资源来优化成本；以及“任务治理”，该功能可对不同的训练任务进行优先级排序，从而在资源利用过程中最大限度地提高模型训练、微调和推理的效率。
基于这些创新，Autodesk最终将基础模型部署时间缩短了一半。这使得AI生产力提高了30%，同时保持了运营成本的稳定。Raji Arasu还透露，Autodesk已开始向客户推出基于这些基础模型构建的AI功能。
“我们作为客户的设计合作伙伴，帮助他们平衡材料强度、成本等参数，从而确定最佳设计方案。我们所做的一切都是为了最大限度地减少繁琐的工作，最大限度地发挥创造力。”拉吉·阿拉苏说道。

正确的数据是训练大型模型的前提。
继 ChatGPT 之后，NVIDIA GPU 已成为各大 AI 公司竞相追逐的目标，一トップページ大型公司一年订购多少 NVIDIA GPU 甚至能成为媒体头条。然而，总结 Bernini 的诞生过程，GPU 固然重要，但数据才是决定大型模型训练质量的关键。
训练一个真正能在商业中发挥作用的大型模型是一个涉及诸多方面的全栈系统问题。
“大型模型只是生成式人工智能应用创新的一部分。要做好生成式人工智能应用创新，还需要增强其他能力。首先，也是最重要的一点，需要确保生成式人工智能能够利用企业自身的数据来增强其大型模型的能力。”亚马逊全球副总裁兼亚马逊云技术大中华区总裁朱瑞松在一次演讲中表达了类似的观点。
针对大型模型目前面临的一大难题——错觉问题，也可以从“元数据”的角度来解决，即在训练大型模型之前确保知识库中数据的质量。“数据库中的元数据，也就是经过审核和批准的高质量数据，有助于降低延迟，提高大型模型的响应速度。”亚马逊云技术副总裁Mai-Lan Tomsen Bukovec表示，他提醒那些正在训练大型模型的机构，务必谨慎区分哪些数据是由人创建的，哪些数据是由人工智能生成的。
正是由于数据的重要性，大数据模型正在加速企业实现其数据资产价值的方式。两个月前，中国3D空间设计平台酷空间（Cool Spaces）的母公司去哪儿科技也发布了一项新的商业计划，推出面向具身智能等领域的数据训练平台，开放全球最大的室内场景感知深度学习数据集。该公司透露，该平台目前已拥有超过3.2亿个3D模型，月均活跃用户达7780万。该公司将向AIGC、具身智能、AR/VR等企业开放物理上正确的3D空间数据资产、空间认知解决方案以及空间智能训练相关服务。
数据显示，约 77% 的公司将在 3 年内增加或大幅增加对人工智能和新兴技术的投资，而人工智能将率先实现效率提升的三个领域是自动化、分析和增强（自动化、数据分析和辅助增强）。
“人工智能正在重塑所有行业”已不再是一句口号。“越来越多的行业正在积极投身于生成式人工智能领域。”亚马逊云技术全球服务副总裁乌韦姆·乌克蓬表示，生成式人工智能的行业应用领域已从最初的金融行业逐步扩展到包括公共部门、传统行业、政府机构以及生命科学和医疗保健等在内的众多行业。与此同时，生成式人工智能也为企业带来了新的商机，欧特克公司正押注于基于大规模数据的生成式CAD，这是一个极具潜力的未来市场。