- Spectral Labs meluncurkan SGS-1, model AI generatif pertama untuk pembuatan CAD terstruktur (B-Rep)
- SGS-1 menerima input gambar atau mesh 3D lalu menghasilkan file CAD parametrik yang mudah diedit
- Dibandingkan model yang ada seperti GPT-5, HoLa BRep, SGS-1 menghasilkan bentuk yang lebih akurat dan beragam dengan kompleksitas lebih tinggi
- Memungkinkan otomatisasi reverse engineering yang secara otomatis mengonversi berbagai input seperti sketsa, gambar teknik, STL, dan lainnya menjadi file STEP
- Masih memiliki keterbatasan dalam pembuatan permukaan organik melengkung atau assembly penuh, namun peningkatan tambahan seperti multimodal dan penalaran fisika direncanakan untuk model generasi berikutnya
Pengenalan dan fitur utama SGS-1
- Melalui peluncuran SGS-1, Spectral Labs memperkenalkan model AI generatif fondasi yang dapat menghasilkan struktur geometri 3D yang dapat diproduksi dan memiliki elemen parametrik
- SGS-1 menerima input gambar atau mesh 3D, lalu mengeluarkan file STEP dalam format B-Rep (boundary representation) yang mudah diedit
- Hasil ini dapat dimodifikasi dan dimanfaatkan dengan mudah serta akurat di perangkat lunak CAD tradisional
Cara kerja SGS-1 dan hasilnya
- Pengguna dapat mengunggah gambar atau file 3D sederhana lalu mengubahnya menjadi file B-Rep parametrik yang memungkinkan penyesuaian dimensi tertentu
- SGS-1 menghasilkan bentuk CAD yang jauh lebih kompleks dan beragam dibanding model sebelumnya
- Dapat diterapkan pada desain engineering nyata, serta memberikan contoh desain komponen berdasarkan sebagian informasi assembly dan deskripsi teks
Eksperimen perbandingan dengan model yang ada
- SGS-1 dibandingkan dan dievaluasi terhadap GPT-5 (model besar OpenAI yang dapat menghasilkan kode CadQuery), HoLa BRep (model pembuat B-Rep berbasis input gambar), dan lainnya menggunakan 75 gambar CAD kompleks
- Eksperimen diulang 10 kali untuk tiap model dan diukur berdasarkan rasio pembuatan yang berhasil (Success Ratio)
- SGS-1 menunjukkan kinerja terbaik pada sebagian besar bentuk kompleks, dengan pemahaman spasial yang akurat dan kemampuan implementasi geometri yang lebih unggul dibanding model lain
- Model lain sering menghasilkan output yang sederhana atau kurang berguna, sehingga sulit dimanfaatkan untuk desain assembly nyata
Pembuatan struktur parametrik dalam konteks assembly
- Dengan SGS-1, desain komponen baru yang sesuai dengan konteks dapat dibuat hanya dari sub-assembly yang sudah ada (sebagian CAD assembly) serta input deskripsi atau gambar
- Proses penggunaan
- Menyiapkan render assembly parsial dan menulis deskripsi komponen yang akan ditambahkan
- Memasukkannya ke SGS-1 untuk menghasilkan B-Rep dalam bentuk file STEP
- Mengimpor file STEP yang dihasilkan ke assembly lalu menyesuaikannya melalui pengaturan dimensi
- Video contoh berbagai skenario desain bracket juga disediakan
Konversi otomatis sketsa dan gambar teknik
- Jika sketsa gambar tangan atau gambar teknik formal dimasukkan ke SGS-1, keduanya dapat otomatis dikonversi menjadi file CAD parametrik 3D yang dapat diedit
- Bahkan sketsa tangan yang tidak terlalu rumit pun dapat ditransformasikan secara efektif, sehingga berkontribusi pada inovasi proses desain
Reverse engineering dan konversi otomatis mesh (STL)→STEP
- File hasil pemindaian dan file STL/mesh tunggal juga dapat otomatis dikonversi oleh SGS-1 menjadi file STEP parametrik
- Hal ini memungkinkan reverse engineering yang sepenuhnya otomatis tanpa pekerjaan manual, memberikan keunggulan untuk digitalisasi komponen dengan berbagai bentuk
Keterbatasan
- SGS-1 adalah model yang dioptimalkan untuk pembuatan 3D parametrik untuk keperluan engineering/rekayasa
- Masih ada keterbatasan dalam pembuatan permukaan kompleks atau struktur organik/freeform, struktur yang sangat tipis, serta pembuatan seluruh assembly sekaligus
- Pada model generasi berikutnya, direncanakan dukungan untuk multimodal, pengenalan spasial yang kompleks, penalaran fisika tingkat lanjut, serta reinforcement learning berbasis umpan balik
Rencana ke depan dan pengenalan tim
- Spectral Labs sedang menyiapkan model generasi berikutnya dari SGS-1 dengan tujuan meningkatkan desain sistem fisik yang lebih kompleks, input multimodal, konteks spasial yang lebih canggih, dan kemampuan penalaran fisik
- Mereka menargetkan untuk memimpin bidang AI generatif 3D untuk engineering dengan mengadopsi teknik AI terbaru seperti reinforcement learning dan simulasi fisika berbasis umpan balik
- Timnya terdiri dari peneliti dan engineer AI yang berasal dari Autodesk Research, Samsung Research, CMU, Meta
- Untuk kolaborasi riset atau permintaan distribusi, dapat menghubungi kanal resmi Spectral Labs
1 komentar
Opini Hacker News
Saya melihat SGS-1 mengklaim bisa menghasilkan geometri 3D yang sepenuhnya parametrik, padahal file STEP sama sekali tidak mendukung fitur parametrik, jadi ini terlihat seperti kebohongan yang bahkan tidak perlu diuji untuk dibuktikan. Mereka mengatakan output SGS-1 dapat dengan mudah diedit di perangkat lunak CAD tradisional, tetapi setelah saya sendiri menguji file demonya, klaim mereka ternyata benar-benar tidak masuk akal. Saya membandingkan input dan outputnya dengan part yang saya modelkan sendiri dengan benar, lalu mencantumkan berbagai kesalahannya. Bukan cuma dimensinya salah, tetapi juga ada fitur-fitur rusak yang membuat pengeditan CAD menjadi sulit. Saya tidak mengerti kenapa mereka membuat klaim seperti ini sambil menyediakan demo yang justru membuktikan bahwa itu bohong. Saya bertanya-tanya apakah ini hanya demi judul sensasional, ingin menjual ke orang-orang yang tidak paham apa-apa, atau sekadar lulusan CS tanpa pengetahuan domain yang merasa telah memecahkan masalah. Kesalahan utamanya antara lain: semua dimensi salah, satu lubang tidak tembus sepenuhnya, lubangnya bukan benar-benar melingkar melainkan dua lubang yang saling tumpang tindih, fillet-nya rusak, lubang atas bergeser, chamfer sebelumnya turun melewati bidang acuan, offset sumbu Z pada lubang-lubang atas, cara penyambungan chamfer berbeda di kedua sisi, dan sebagainya.<br>Materi perbandingan dan tangkapan layar model asli: contoh hasil yang salah, contoh benar yang saya buat sendiri
Saya juga bingung dengan fakta bahwa file STEP tidak mendukung fitur parametrik. Saya benar-benar tidak paham bagaimana mereka bisa membuat klaim seperti itu. Secara resmi mereka bilang hanya menghasilkan B-rep (boundary representation), tetapi pada contoh roller mereka tetap mengklaim bahwa "karena parametrik maka dimensinya mudah disesuaikan", dan menurut saya itu tidak masuk akal. Kalau fungsi seperti itu memang dibutuhkan, daripada mengedit file STEP, saya lebih baik memodelkan ulang dari awal dengan feature history dan constraint yang benar.
Anda tampaknya sangat paham bidang ini, jadi saya ingin bertanya. Saya masih pemula total, tetapi saya sering mendengar bahwa zoo.dev/design-studio menawarkan kemampuan yang mirip. Saya ingin tahu perbandingannya dari sudut pandang orang yang benar-benar ahli: apa bedanya dan di bagian mana.
Ini jelas klaim yang menyesatkan. Saya penasaran siapa yang ingin mereka tipu. Mungkin targetnya para investor.
Saya tidak terlalu mendalami format-format ini, tetapi ciri khas file STEP dibanding file STL adalah bahwa STEP menyimpan data "B-rep". Artinya, ia menyimpan hubungan geometris antarpermukaan, sehingga relatif lebih mudah dipakai di editor parametrik. Sepertinya itulah juga poin pembeda yang mereka angkat, yaitu memakai B-rep alih-alih pendekatan lama yang diwujudkan sebagai mesh.
Berita terkait AI sering kali melebih-lebihkan performa sebenarnya, jadi kemungkinan akan ada seseorang di komentar yang secara samar bilang bahwa ini bekerja
Saya rasa ada pasar untuk AI yang secara otomatis merapikan data yang diambil tidak sempurna oleh pemindai 3D. Menghasilkan mesh 3D yang bersih dari point cloud, lalu mengidentifikasi objek lewat warna atau pencahayaan, juga akan sangat menarik. Dengan itu, kita bisa mendeskripsikan dunia dan bahkan membuat metadata objeknya. Tetapi untuk desain otomatis seperti ini, saya justru merasa ia menghilangkan kesenangan dari CAD tanpa benar-benar menyelesaikan masalah yang paling penting. AI akan paling efektif jika difokuskan pada pekerjaan yang berulang dan membosankan. Teknologi seperti ini mungkin mengesankan bagi investor dan bisa menghemat waktu para profesional, tetapi kemampuannya untuk memecahkan masalah yang benar-benar lebih besar tetap terbatas.
Sejujurnya, industri ini cuma peduli membuat investor terkesan. Pada akhirnya, ketika teknologi AI masuk, kepuasan kerja para pekerja pengetahuan akan dirampas, lalu hanya tersisa segelintir orang untuk mengawasi AI atau membersihkan toilet. Untuk saat ini, yang terlihat adalah penghancuran permintaan tenaga kerja, dan bahkan gaji yang tadinya stabil pun akan dialihkan menjadi keuntungan pemegang saham.
Sebenarnya tidak semua orang melakukan CAD untuk kesenangan. Saat hanya ingin mencetak prototipe sederhana, saya ingin bisa meminta AI melakukan hal-hal seperti "buatkan board mount ini, jarak lubangnya Xmm, jumlahnya N". Harapan saya adalah tugas seperti "hubungkan dua part ini", "tambahkan lubang sekrup di sini", "buat snap-fit joint", "lebarnya 8cm", atau "pindahkan lubang ini ke sisi seberang" bisa dilakukan dengan cepat dan mudah
Pada masa awal ChatGPT4, saya pernah membuat sendiri standar markup terbuka untuk desain mekatronik berbasis LLM. Saya menilai bahwa LLM memerlukan bahasa markup yang bisa dibaca manusia agar dapat mempelajari berbagai contoh atau memahami logikanya. Saya membuatnya sebagai konsep demo untuk desain iteratif cepat, lalu mengunggahnya ke proyek GitHub saya agar siapa pun bisa memperluasnya atau mencoba mengimplementasikannya sendiri. Saya berharap pendekatan open source seperti ini pada akhirnya bisa menjamin kebebasan para pengembang open hardware
Fakta bahwa sekarang kita bisa menghasilkan part CAD dalam STEP (B-Rep), setelah sebelumnya hanya mampu menghasilkan model berbasis mesh, adalah perubahan yang revolusioner. Model-model sebelumnya tidak lebih dari sekadar mainan, jadi saya sangat antusias melihat sejauh mana teknologi ini bisa berkembang. Langkah berikutnya mungkin adalah mengubah STEP dengan lebih baik ke format proprietari seperti SolidWorks, NX, dan lain-lain, lalu melakukan inferensi constraint desain
Bahkan kalau hanya bisa mengubah mesh hasil pemindaian 3D menjadi geometri STEP yang layak pun itu sudah kemajuan besar
Terima kasih atas masukannya! Kami berencana aktif memasukkannya ke model berikutnya. Saya penasaran hal-hal spesifik apa yang Anda inginkan
Sebagai insinyur, saya merasa AI ini sebenarnya tidak menghilangkan bagian desain yang benar-benar sulit. Bagian yang benar-benar sulit adalah manufaktur, perancangan load path, dan menentukan struktur part yang sesuai dengan beban nyata
Dari sudut pandang sesama insinyur, jika AI ini bekerja dengan baik maka tahap prototyping bisa dipangkas secara besar-besaran sehingga produk yang lebih baik dapat dibuat dengan biaya lebih rendah. AI ini juga bisa membantu untuk beban nyata dan desain struktur
Dalam pengembangan perangkat lunak, memang sedang terjadi pergeseran ke arah penggunaan AI untuk mengurangi bagian-bagian yang klise dan memungkinkan fokus pada nilai yang lebih esensial. Saya rasa hal yang sama juga bisa berlaku di bidang lain
Bagian ini juga sedang diselesaikan oleh AI: limitlesscnc.ai
Sebagai pendiri startup yang membuat produk pesaing, saya senang banyak orang tertarik dan berdiskusi karena itu menunjukkan ada pasar. Tetapi output model SGS-1 saat ini masih punya banyak kekurangan dari sisi manufaktur nyata dan kegunaan praktis. Output STEP saat ini memang bisa diimpor ke berbagai CAD, tetapi pada praktiknya tidak terlalu membantu bagi desainer, insinyur, maupun pembuat (bahkan juga menyulitkan pabrik atau printer 3D). Masalah utamanya antara lain: kualitas permukaan lengkung rendah sehingga tidak bisa dipakai untuk simulasi atau manufaktur, bentuk sederhana dikeluarkan dengan kompleksitas berlebihan (fillet dipecah menjadi lebih dari 10 permukaan), dan bahkan satu part bisa terpecah menjadi lebih dari 10000 part kecil sehingga sebenarnya bukan lagi satu produk utuh. Saya menantikan versi V2. Sebagai konteks, saya mendirikan perusahaan bernama Transfigure, dan setelah lebih dulu memeriksa batasan SGS-1, saya sedang membangun arsitektur AI dari sudut pandang insinyur mesin untuk menghasilkan data bersih yang bisa langsung dipakai untuk simulasi dan manufaktur.<br>Kalau Anda mengirim data hasil SGS-1 ke pabrik kami, Anda akan langsung dipecat pada hari itu juga<br>yo@xfgr.ai
Saya selalu kesulitan menggunakan LLM untuk menghasilkan model OpenSCAD. Ia tidak benar-benar memahami ruang XYZ dan penalaran matematis 3D. Saya bahkan menjadikannya tolok ukur evaluasi kemampuan LLM. Untuk membuat phone stand sederhana pun ia tidak bisa melakukannya sekaligus, dan saya harus membaginya menjadi langkah-langkah seperti membuat bidang datar, memberi kemiringan sudut, menghitung tinggi dengan trigonometri, membuat bidang baru, memindahkan posisi, dan seterusnya
Saya melihat kemampuan mengubah sketsa menjadi CAD akan menjadi terobosan besar di pasar restorasi. Banyak gambar teknik lama ada tanpa dimensi, tetapi jika seorang insinyur bisa mengetahui ukuran keseluruhan atau tingginya saja, ia bisa mulai dari membuat bentuk kotak lalu meminta AI, "buatkan komponen ini agar pas ke perangkat ini". Di semua bidang yang membutuhkan CAD—3D printing, restorasi, desain imajinatif, manufaktur komponen, dan lain-lain—hal ini bisa mengubah peta persaingan
Secara teori, ada bagian dari kemampuan ini yang terasa tidak masuk akal. Misalnya, saya penasaran apakah ia juga mendefinisikan toleransi
Demonya menarik, tetapi yang benar-benar penting adalah kemampuan menerapkan constraint ke desain dengan benar berdasarkan deskripsi teks. Mendesain part yang hanya memiliki fungsi yang diinginkan itu mudah, tetapi yang jauh lebih sulit adalah membuat desain yang benar-benar bisa diproduksi, muat di dalam ruang yang tersedia, dan memenuhi sifat mekanis serta constraint biaya seperti penggunaan material minimum atau kemudahan produksi. Sebagai contoh, part untuk 3D printing memiliki banyak constraint karena harus menghindari material support atau dicetak dalam orientasi tertentu. Akan sangat berguna jika constraint seperti ini bisa dijelaskan ke AI dalam bahasa alami dan langsung tercermin dalam hasil desainnya