英伟达的3D打印棋局：三笔投资背后的AI制造逻辑

“GPU正在从AI训练走向制造现场”

2026年2月，金属增材制造企业Freeform宣布完成6700万美元B轮融资，英伟达风险投资部门NVentures参投。根据3D科学谷的市场观察，这并非英伟达首次布局增材制造领域。过去三年间，NVentures已相继投资Freeform、Seurat Technologies、nTop三家核心企业，涉及AI过程控制、区域打印技术、计算设计软件等不同技术方向。

三笔投资呈现出英伟达与各家企业在技术整合上的差异化关联深度。本期3D科学谷将聚焦Freeform与nTop的技术整合案例，聊一聊GPU算力如何从AI训练领域向制造现场延伸。

01Freeform当AI成为增材制造的过程控制核心

在三家被投企业中，Freeform与英伟达的技术关联最为直接。

金属激光粉末床熔融（LPBF）工艺长期面临过程可控性挑战。熔池动力学行为发生在微秒至毫秒级，热传导、流体流动、相变等多个物理场耦合作用，任何微小扰动——粉末分布不均、热积累变化、气体流动——都可能累积成宏观缺陷。而采用开环控制模式的设备，机器按预设G代码执行扫描，操作员只能在打印结束后通过X射线、金相分析等手段进行质量判定。

来源： Freeform

Freeform的解决方案是构建AI驱动的闭环控制系统。公司在自有数据中心部署H200 GPU集群，实时运行基于物理场的仿真模拟。该集群是由多台搭载NVIDIA H200 GPU的服务器通过高速网络互联组成的计算系统，专门用于大规模AI训练、推理和高性能计算。

在增材制造过程中，每秒7万帧的高速相机持续采集熔池图像，GPU实时比对仿真结果，AI控制系统在微秒级内调整激光功率和扫描速度。

这套“感知-仿真-控制”闭环带来的工艺突破是：打印速度提升25-50倍，同时显著提升材料利用率。

Freeform CEO Erik Palitsch曾表示：“我认为Freeform是唯一一家在自有数据中心部署H200集群的制造业公司。”这句话的透露出，在Freeform这家企业的技术架构中，算力第一次与激光器、成型舱并列，成为生产线的核心资产。

02 技术解析Freeform如何实现熔池实时控制感知层：微秒级熔池监测

Freeform在打印舱内集成每秒7万帧的高速相机，实时捕捉熔池形态、尺寸、飞溅轨迹等动态特征。熔池的几何形态变化包含丰富的过程信息：球化效应（熔池收缩成球状）、飞溅（金属液滴喷出）、熔池塌陷、钥匙孔效应等典型缺陷，均会在熔池表面形态上留下可识别的特征痕迹。

围绕这套监控系统，Freeform已构建起专利组合，为“感知-决策-执行”闭环提供了法律保护。

来源： Freeform

决策层：GPU加速的实时推理

每秒7万帧的图像数据量对实时处理提出极高要求。Freeform的技术流程为：高速相机采集熔池图像→FPGA进行初步预处理→H200 GPU集群运行基于物理场的仿真模型→AI控制系统在微秒级窗口内判断当前熔池状态是否处于“工艺窗口”内。

这一AI模型是在数亿帧熔池图像上训练的深度神经网络，能够识别人类专家无法分辨的细微异常模式——特定飞溅轨迹与后续孔隙缺陷的关联性、某种熔池形态组合与微裂纹萌生的相关性等。

执行层：微秒级参数调整

AI模型输出决策指令后，控制系统在微秒级时间内调整激光功率、扫描速度、光斑位置等工艺参数。下一帧图像到达时，系统验证调整效果，形成完整闭环。这套闭环控制的核心价值在于：3D打印过程中的瞬时扰动被即时纠正，而非累积成最终质量缺陷。

进化层：数据驱动的持续迭代

每一秒打印都在产生数据：7万帧熔池图像、每一次参数调整、每一个零件的最终检测结果。这些数据被持续采集、标注、归档，形成Freeform所称的“全球最大的金属打印物理过程数据库”。

Freeform CPO Cameron Kay曾向媒体表示：“我们拥有的关于金属打印过程物理特性的有意义数据，比世界上任何公司都多。”

专利文件中描述的机器学习反馈流程揭示了数据闭环的实现机制：传感器数据经预处理后输入神经网络模型，模型输出用于调整激光参数，调整结果又被下一轮传感器数据验证。基于这一机制，Freeform可实现：

• AI模型持续进化：初始模型基于实验室数据，后续模型基于真实生产数据迭代优化

• 新材料工艺加速开发：AI基于历史数据快速推演新合金的最佳打印参数

• 跨设备知识迁移：单台设备积累的最佳实践通过模型更新快速复制至全厂设备

基于以上技术分析，可更清晰定义“软件定义制造”的产业内涵。

Freeform的技术架构揭示了增材制造核心竞争力的迁移路径：从“硬件性能+工艺参数”转向“AI模型+过程数据”。硬件角色从“能力的载体”转变为“数据采集与执行终端”；软件角色从“辅助工具”升级为“能力核心”；能力提升路径从“新硬件发布”转变为“AI模型从数据中持续学习”。

对于传统制造企业，数据中心往往是IT部门的支持性资产；对于Freeform而言，数据中心是生产线的核心——因为真正的“制造”发生在GPU中运行的AI模型里，而非激光头下。

不过此处需要说明的是，熔池视觉监控并非覆盖所有物理场的“万能解”。金属LPBF涉及热场、流场、应力场、微观组织演化等多个维度，高速相机捕捉的是熔池表面形态——这固然重要，但只是完整物理图像的一部分。

“3D Science Valley 白皮书 图文解析

Freeform的视觉监控系统核心定位是：基于熔池表面形态的动力学实时控制。其技术边界在于无法直接覆盖已打印层缺陷、内部微观组织、残余应力等问题。

这一边界是由技术定位决定的，而非能力不足。Freeform选择了聚焦于熔池动力学，这是高速打印时最常出现缺陷的环节，解决了这个问题，将解决大部分“过程失控”导致的质量问题。至于无法直接测量的物理场，系统正通过数据积累+物理仿真+AI模型的组合，让系统在持续进化中逐渐逼近对完整物理过程的理解，实现间接预测。

04 nTop当计算设计软件“跑”在GPU上

如果说Freeform解决的是“怎么造”的过程控制问题，nTop解决的则是“造什么”的设计生成问题。

nTop是计算设计软件领域的领导者，其核心能力在于通过算法生成工程设计方案，而非依赖设计师手动建模。这种算法生成模式特别适合增材制造所需的复杂几何结构——晶格、点阵、拓扑优化形态，手工建模几乎不可能完成。

计算设计的核心瓶颈在于：几何复杂度与计算量正相关。传统CPU算力难以支撑大规模迭代设计。nTop CEO Bradley Rothenberg曾在媒体专访中指出：“计算速度是设计迭代的最大瓶颈。”

这正是英伟达与nTop技术整合的切入点。2024年9月，NVentures战略投资nTop，双方的合作在技术层面的深度整合上有所体现：nTop的计算几何引擎与NVIDIA OptiX光线追踪框架、Omniverse平台进行了深度绑定。设计人员可在沉浸式3D环境中实时交互数字孪生模型，仿真热变形、残余应力等关键问题。

通过OpenUSD格式，nTop的计算几何可直接导入Omniverse，无需网格化转换，设计变更能够实时反映在沉浸式3D协作环境中。这种“所见即所得”的设计验证方式，大幅缩短了从设计到制造的迭代周期。

Rothenberg的表态直指核心：“我们与NVIDIA合作的目标是为客户提供最快的计算解决方案，使他们能够更快地迭代设计选项。”

当计算设计软件“跑”在GPU上，设计迭代的速度就从“天”缩短到“分钟”。

05 科学谷·视界算力向制造现场延伸

回顾三笔投资，英伟达与各家企业的关联深度各不相同。

如果将这些案例置于同一观察框架下，一个产业趋势正在浮现：算力正在从AI训练领域向制造现场延伸。Freeform的实践尤为典型——在这家企业的工厂里，数据中心与增材制造设备一样，都是直接参与生产的核心资产。

对于制造业从业者而言，这一趋势指向值得关注的方向：未来的制造能力，不仅取决于拥有多少台设备，更取决于拥有多少算力、多少数据、多聪明的算法。硬件在不断升级与进化，但持续进化的AI制造能力，是更高的竞争壁垒。

预约参观TCT亚洲展，收获3D打印新思路。

参考资料

TechCrunch. Freeform raises $67M Series B to scale up laser AI manufacturing. 2026-02-19.

USPTO. *US 11,839,914 B1: Process monitoring and feedback for metal additive manufacturing using powder-bed fusion*. 2023-12-12.

USPTO. *US 2024/0207935 A1: Process monitoring and feedback for metal additive manufacturing using powder-bed fusion*. 2024-06-27.

USPTO. *US 12,151,309 B2: Clustered laser-beam steering for metal additive manufacturing using powder-bed fusion*. 2024-11-26.

nTop. nTop announces strategic investment from NVIDIA. 2024-09-17.

▌三维科学 l 无限可能

投稿丨daisylinzhu 微信

2509957133@qq.com 编辑邮箱

www.3dsciencevalley.com