新缸中之脑

大量数据用于训练大型语言模型 (LLM)，该模型包含数百万和数十亿个模型参数，目的是生成文本，例如文本补全、文本摘要、语言翻译和回答问题。虽然 LLM 从训练数据源中开发知识库，但总有一个训练截止日期，在此日期之后 LLM 将不会知道任何新生成的数据。例如，训练 OpenAI 的 GPT-3.5-turbo-instruct LLM 的截止日期是 2021 年 9 月，因此，GPT-3.5-turbo-instruct LLM 可能无法准确回答有关 2022、2023 或 2024 年事件的问题。

如今，生成式设计（Generative Design）技术正在使用强大的计算能力从头到尾彻底改变设计过程。借助新的计算机软件，生成式设计现在正在优化 CAD 输出。设计正在数字化转型，我们不会回头。推荐：用快速搭建3D场景。工程公司已转向生成式设计，以颠覆工程流程。生成式设计技术开启了富有想象力的设计潜力。它为传统 CAD 技术智能梦想的高度优化产品铺平了道路。通过利用云处理能力，生成式设计生产出具有效率和更高性能的产品。我们现在正在进入第四次工业革命。

Stability AI 的官方插件允许 Blender 艺术家使用现有的项目和文本描述来创建新的图像、纹理和动画。推荐：用快速搭建3D场景。

生成式 AI 允许在几分钟内生成新颖逼真的视觉、文本和动画内容。据 Gartner 称，到 2025 年，生成式 AI 生成的数据将占所有生成数据的 10%。作为 2022 年最重要的战略技术趋势之一，人工智能 (AI) 的这一分支具有广泛的应用，适用于不同行业，包括监控、医疗保健、营销、广告、教育、游戏、通信、播客等。推荐：将加入你的3D开发工具链。

Stable Diffusion 是一种文本到图像的潜在扩散模型，由来自 CompVis、Stability AI 和 LAION 的研究人员和工程师创建。它使用来自 LAION-5B 数据库子集的 512x512 图像进行训练。稳定扩散，生成人脸，也可以在自己的机器上运行，如下图所示：推荐：将加入你的3D开发工具链。如果你足够聪明和有创意，你可以创建一系列图像，然后形成视频。

这个任务的输入是一个文本语料库，模型将根据参数中提到的预期长度输出它的摘要。在这里，我们将最小长度保持为 5，将最大长度保持为 30。还可以从针对摘要任务进行微调的模型的其他选项中进行选择 - bart-large-cnn、t5-small、t5-large、t5-3b、t5-11b。可以在此处查看可用模型的完整列表。

从单一视角合成 3D 数据是一种基本的人类视觉功能，这对计算机视觉算法来说极具挑战性，这是一个共识。但在 3D 传感器（如 LiDAR、RGB-D 相机（RealSense、Kinect）和 3D 扫描仪）的可用性和可负担性提高之后，3D 采集技术的最新进展取得了巨大飞跃。与广泛可用的 2D 数据不同，3D 数据具有丰富的比例和几何信息，从而为机器更好地理解环境提供了机会。然而，与 2D 数据相比，3D 数据的可用性相对较低，而且采集成本较高。

Linux 终端、哲学家、品茶师或圣经翻译——ChatGPT 可以扮演所有这些角色，甚至更多。AI所需要的只是朝着正确方向的推动。方便的是，开发人员 Fatih Kadir Akın 在他的网站上编制了一系列此类情况描述，包括一些清晰描述的提示。良好的提示通常具有相同的结构：首先，ChatGPT 收到一个提示，告诉它 AI 应该扮演什么角色。然后提示会说明用户提供了哪些信息，然后是 AI 应该如何处理这些信息，包括粗略的方向建议。最后，开发人员将第一条具体指令放在引号中。示例：我希望你当导游。

MNIST 数据集是广泛用于图像分类任务的数据集，它包含 70,000 张手写数字图像，每张图像的分辨率为 28x28 像素。任务是将这些图像分类为 10 个数字之一 (0–9)。此任务旨在根据 MNIST 数据集中提供的训练示例训练一个模型，该模型可以准确地对手写数字的新图像进行分类。此任务的典型方法是使用多类逻辑回归模型，它是一个 softmax 分类器。softmax 函数将模型的输出映射到 10 个类别的概率分布。交叉熵损失通常用作此类模型的损失函数。

CLIP 代表 Contrastive Language-Image Pretraining：CLIP 是一个开源、多模态、零样本模型。给定图像和文本描述，该模型可以预测与该图像最相关的文本描述，而无需针对特定任务进行优化。开源：该模型由 OpenAI 创建并开源。稍后我们将看到有关如何使用它的编程教程。多模态：多模态架构利用多个领域来学习特定任务。CLIP 结合了自然语言处理和计算机视觉。零样本：零样本学习是一种在未见过的标签上进行泛化的方法，无需专门训练来对它们进行分类。

我们将从解释基本自动编码器 (AutoEncoder) 的一般工作原理开始。在构建任何 ML 模型时，你的输入都会被编码器转换为数字表示形式，供网络使用。这样做是为了简化数据并保存其最重要的特征。好吧，AE 只是两个网络放在一起——一个编码器和一个解码器。这对的目标是尽可能准确地重建输入。编码器保存输入的表示，之后解码器从该表示构建输出。起初，这似乎有点适得其反。为什么要经历所有以纯净、未更改的形式重建已有数据的麻烦？关键是，通过训练过程，AE 学会构建紧凑而准确的数据表示。

位置编码描述了序列中实体的位置或位置，以便为每个位置分配一个唯一的表示。不使用单个数字（例如索引值）来表示项在转换器模型中的位置的原因有很多。对于长序列，索引的幅度可能会变大。如果将索引值规范化为介于 0 和 1 之间，则可能会为可变长度序列带来问题，因为它们的规范化方式不同。Transformers 使用智能位置编码方案，其中每个位置/索引都映射到一个向量。因此，位置编码层的输出是一个矩阵，其中矩阵的每一行代表序列中的一个编码对象与其位置信息相加。下图显示了仅对位置信息进行编码的矩阵示例。

手动创作 3D 形状既困难又耗时;3D 形状的生成模型提供了引人注目的替代方案。程序表示（procedural representations）就是这样一种可能性：它们提供高质量和可编辑的结果，但难以创作，并且通常产生多样性有限的输出。另一个极端是深度生成模型（deep generative models）：给定足够的数据，它们可以学习生成任何类别的形状，但它们的输出有伪影并且表示不可编辑。在本文中，我们朝着实现新颖的3D形状合成的两全其美迈出了一步。

具体来说，我们的方法为各个形状部分生成纹理贴图，每个部分都是一个可变形的盒子，从而产生失真最小的自然 UV 贴图。该网络分别将部分几何体（通过 PartVAE）和部分纹理（通过 TextureVAE）嵌入到它们各自的潜在空间中，以便于学习以几何为条件的纹理概率分布。我们引入了一个用于纹理生成的条件自回归模型，它可以以零件几何形状和已经为其他零件生成的纹理为条件，以实现纹理兼容性。为了产生高频纹理细节，我们的 TextureVAE 通过基于字典的矢量量化在高维潜在空间中运行。

生成式 AI 席卷了 2022 年，我们最近决定 Physna 不应错过这个热点。因此，尽管生成 AI 并不是我们的商业模式—Physna 是一家 3D 搜索和分析公司，专注于 AR/VR 和制造中的工程和设计应用—我们还是决定为 3D 模型和场景生成 AI 构建一个非常基本的原型，由三名工程师进行为期两周的冲刺。为什么？

数字孪生的核心价值在于，它可以在软件仿真的基础上，帮助我们更好地理解和掌握真实世界的系统和过程，并做出更加明智的决策。这家企业可以使用人工智能技术来创建出一个生产流程的数字孪生，通过模拟生产过程中的各种情况，找出生产瓶颈并分析出更优的生产方案。BRep 可以精确地表示几何体的形状，并且可以支持复杂的几何体，如拐角处的曲线和扭曲的几何体。值得注意的是，如果要将BRep模型导出为IFC格式，可能需要额外的转换步骤，因为IFC格式要求模型中包含许多额外的信息，而BRep模型可能只包含几何信息。