AI大语言模型很强大，但实现自主增材制造并不靠它！

过去三年，Chatgpt、DeepSeek、豆包等大语言模型让大众看到了AI（人工智能）的强大能力。但很多人没有意识到的是，这些工具所擅长的生成内容，与制造业真正需要的识别、推理、响应完全是两回事。

如果你想知道人工智能在制造业中最有可能全面开花结果的领域会是哪里，不妨想想看，哪项技术或者制造环节目前最依赖老师傅的经验、最说不清楚工艺波动的原因。说到这里，了解增材制造的你，应该已经懂的都懂了吧？

关于人工智能技术与增材制造深度结合这件事，国际与国内的业界专家、学者以及产业链中的企业都非常重视。

去年，在上海市增材制造协会举办的第五届航空航天增材制造大会期间，协会组织业界专家及企业对人工智能与增材制造的话题展开了深入讨论。

《AI及软件赋能增材制造3D打印市场研究》

3D科学谷白皮书 解析

在国际上，由ASTM 牵头组织了生产领域人工智能专家研讨会，研讨会提出了大量洞察，其中传递出的一个清晰认知是：人工智能正在进入制造业，而增材制造是它最天然的落地场景。本期谷·透视整理了这项讨论内容中的精华，供关注人工智能与增材制造深度融合的谷友参考。

制造已高度自动化，但尚未自主化

ASTM讨论的前提是，工厂设备、设施已经高度自动化。机器按照编程逻辑沿精确路径运动；机器人负责装卸工件；传感器帮助调节和响应众多过程变量。

然而，即使在最先进的制造设施中，依然需要依靠人工进行管理。机器设备仍按照人类的指令作业，而不是自主做决策。

认知到这一局限性，并识别出这种模式在哪些地方、以及是否真的构成局限，是探索和实现人工智能在制造业中迅速崛起前景的起点。

在制造领域，实现完全自主生产是AI最为明确的应用前景。

需要特别说明的是，通过AI实现的自主生产或自主制造（Autonomous Manufacturing）与传统意义上的自动化（Automation）有着本质区别。

自主制造是通过人工智能技术实现制造工艺的自主决策、自适应，而非自动执行人类发出的指令。在AI驱动的自主制造场景中，制造系统能够开展自适应学习，并就如何生产零件以及如何改进生产工艺做出决策，很大程度上替代了人工决策。

但这种自主性也带来了问题和挑战。在一个建立在可预测性和可追溯性之上的生产环境中，多大程度的自主性是可接受的？而在可接受的范围内，我们又该如何为制造系统提供这种能力？

制造中的AI，不是大语言模型

很多人意识到AI的强大能力，是通过Chatgpt、DeepSeek、豆包等大语言模型的普及。

然而，制造中的AI技术与大语言模型并不相同。它不是公众所熟悉的那种生成文字、回答问题的人工智能，而是将复杂的工业数据转化为更好的控制和决策，最终实现更高程度的制造自主性。

“3D Science Valley 白皮书 图文解析

原因在于：制造业并不是一个文本环境。它是一个由传感器信号、机器参数、图像、材料测量值、质量记录和过程历史组成的世界。因此，在生产中最有可能发挥重要作用的人工智能形式，不是那种生成语言或内容的AI，而是能够在复杂工艺环境中检测模式、关联变量、解释物理条件并支持决策的AI。

换句话说，制造业中的人工智能将更侧重于识别、推理和响应，而非生成内容。制造业中的关键问题不在于要求系统生成看似合理的文字，而在于要求系统从工艺波动、视觉证据、热行为或机器性能中寻找意义。

在ASTM的专家讨论中，提及了机器视觉、过程监测、计量检测、材料表征和数据互操作性这些制造中的关键问题。

自动化与自主制造的本质区别在哪里？

上文已谈到，自主制造与工业自动化有显著不同。接下来，我们深聊一下这个话题。

既然人工智能不仅仅是把大语言模型照搬到工厂里，那么它所承诺的更大变革是什么？

答案就隐含在自动化与自主性的区别之中。

制造业依赖自动化已有数十年。自动化系统以高重复性执行预定义指令。数控机床遵循编程的刀具路径，工业机器人沿着规划的轨迹运动，控制系统将过程变量维持在规定的限值内。这些系统可能很复杂，但由于支配其行为的因果关系已被明确编程，因此它们的行为是可以被理解的。

而自主性描述的是完全不同的概念。

参与研讨会的专家这样解释两者的区别：如果工程师理解支配一个系统的因果关系，并将这些关系编程到机器中，结果是自动化。但如果工程师因为关系过于复杂而无法明确定义，转而依靠人工智能来确定系统在特定情况下应如何表现，那么该系统就是自主运行的。

自主性制造系统有一个非常特殊且要紧的元素：存在无法被提前预测的行为。

这个元素使自主性变得强大，甚至能够自我改进，但它也与生产环境的传统预期产生了矛盾。制造业依赖可靠性、可追溯性和可重复性。而由机器自行做决策的想法，自然会引发一个问题：这个决策可靠吗？

那么，在制造业中，哪些环节是可以接受机器自主决策的？

答案部分藏在那些目前由人工执行、本身就存在不确定性的工作任务中，因为这些任务依赖于人的经验、解读和判断。抛光一个几何形状变化的零件、焊接每个零件形状都不同的特征、根据切屑行为调整加工策略——这些都是基于观察做决策、且不同时间可能做出不同决策的情况。教会机器处理这类情况，正是AI很有前途的应用之一。

俄亥俄州立大学人工智能制造系统实验室正在进行的工作，一定程度上证明了这种可能性。研究人员正在开发名为“AI工匠”的机器人系统。这些机器人配备了多种制造工具，并在其可及范围内设有一台锻压机；监督机器人的系统通过仿真进行训练，以选择生产一个零件所需的一系列操作。这个系统在“观察-判断-决策-行动”循环中运行，会根据遇到的结果自主调整行动。

不过，“AI工匠”并不会不受限制地任意决策，而是在人类工程理解所设定的护栏内运行——确保AI的决策和行动都保持在物理规律、工艺知识及安全考虑所确定的限度内。

在这些护栏内，AI的目标是扩展自动化，使制造系统能够智能应对那些过于复杂或多变、无法完全凭借人类知识进行编程的情况。

数据：既是基础，也是障碍

如果说自主性代表了AI在生产中的长期前景，那么数据则构成了当下的现实。

AI系统的能力，取决于可供其训练和推理的数据质量与数量。

工业制造过程中会产生大量数据，例如：传感器测量温度、力和振动；机器控制系统记录工艺参数；检测系统生成图像和尺寸测量数据；材料测试产生性能数据。

理论上，丰富的数据使制造业成为AI的理想应用场景。但，现实是骨感的。在实践中，这些数据大多难以使用。

而这一挑战在增材制造领域尤其突出。

在ASTM研讨会中，GE航空的技术专家分享了他们正在开展的工作：创建一个通用数据模型，使增材制造数据符合“FAIR”原则——可查找、可访问、可互操作、可重用。这一努力直指工业协作中的长期痛点：不同组织的内部系统通常以不同方式表示同一份数据。点对点的转换难以维护。而一个跨组织的通用数据模型，可以在保留本地系统的同时，将其映射到通用框架中，实现有意义的数据交换。

为增材制造开发高质量材料数据是极具挑战的。即使在一个组织内部，整理这些数据集也可能既昂贵又耗时。跨公司或跨机器平台时，难度成倍增加。这或许解释了为什么制造业中许多AI项目仍停留在试点验证阶段。在许多情况下，限制因素不是算法，而是底层的数据基础设施。

另一个挑战是上下文背景——即数据生成的条件。制造数据很少能自我解释。没有足够的元数据来描述数据生成时的条件，即使是庞大的数据集，AI系统也可能难以正确解读。

参与讨论的专家指出：制造业中的人工智能之路，可能并非始于算法或训练模型，而是始于准备好可用的数据集。

“3D Science Valley 白皮书 图文解析

测量、监测、工艺洞察：AI的早期落地场景

虽然完全实现自主制造尚需时日，但AI已经在某些领域发挥了实际作用，尤其是测量与表征制造过程。

当制造系统产生人类难以解读的复杂物理信号时，AI能够大规模、快速地分析这些信号，揭示出那些否则无法被有效检测的模式。

在ASTM研讨会中，美国西北大学的学者分享了将深度学习应用于视觉计量检测的研究。在一个涉及数字图像相关的案例中，AI实现了与现有商业视觉软件相当的测量精度，但速度大约快了十倍。

根据3D科学谷的市场观察，中国学者也取得了相关成果。例如：

上海交通大学材料科学与工程学院特种材料研究所团队，创新性融合同步辐射X射线断层扫描（SXCT）、三维重构技术与机器学习算法，构建气雾化粉末全维度形貌表征体系，首创颗粒缺陷分布（PDD） 质量评价新标准，通过喷嘴结构优化实现高球形度合格粉末占比提高近300%，为增材制造高品质粉末量产开辟全新路径。

还有一项典型的成果是，西南交通大学研究团队联合中国航发北京621所和成都420厂，融合工艺参数优化、原位同步辐射X射线断层扫描与可解释机器学习等多种方法，系统揭示了IN718镍基高温合金在650 ℃高温下的强韧性机制，成功实现了高温强度与塑性的协同提升，为航空航天领域高性能构件的增材制造提供了理论依据与技术路径。

“3D Science Valley 白皮书 图文解析

在增材制造过程中，过程中质量监测是AI发挥作用的另一个典型场景。比如说，激光粉末床熔融增材制造过程中的异常，可以通过可见光成像、近红外传感和长波红外监控等不同传感器进行捕捉，然后由AI模型同时分析这些数据流，识别出缺陷。这些工作是人工难以实现的。

这些例子说明：AI可以帮助工程师更清晰地理解复杂的制造现象。

增材制造：AI的天然家园

在ASTM的专家讨论中，有一个值得关注的观点：相对更为成熟的制造技术，处于发展早期的增材制造技术，反而有望成为AI在生产中广泛可见的第一个领域。

原因是：增材制造是零件生产中最为数字化的形式。

相对于其他生产工艺，增材制造更加依赖数字输入、软件驱动的工作流和传感器监控。例如，激光粉末床熔融系统可能会为构建过程中的每一层（可能包含数千层）收集图像、热测量和机器参数数据。

从设计、制造到后处理的整个链条，都为AI驱动的优化提供了场景。由于零件直接从数字模型生产，无需专用工装，AI系统有可能根据先前构建过程中的洞察，近乎实时地调整工艺路径、支撑策略或工艺参数。

也基于这些原因，增材制造有望成为AI生产制造领域中最广泛落地的第一个领域。

实现AI承诺，需要标准与基础设施

研讨会上，专家们不只讨论了技术可能性，更花了大量时间探讨一个现实问题：如何让AI真正可靠地进入生产现场？

答案不能只靠算法，还需要标准、验证方法和安全体系。

ASTM已经展开了行动。在研讨会召开前不久，ASTM成立了一个新的技术委员会，专门针对制造系统中的人工智能。目标是建立一个统一框架，支持AI驱动制造环境的资格认证、系统互操作性和可信度评估。

这对增材制造行业尤其重要。因为增材制造本身是一个多变量、跨平台、数据密集的工艺。如果AI要真正用于粉末床熔融等增材制造工艺的过程中缺陷检测、工艺参数自适应调整或跨设备质量追溯，就必须先解决一个基础问题：不同设备、不同材料、不同工艺条件下产生的数据，能否被AI统一理解和比较？

这正是标准要做的。

参与讨论的专家进一步指出，AI在制造中面临一些独特需求：可解释性（AI为什么做出这个判断？）、性能验证（AI的判断准确率有多高？）、偏差检测（AI是否会因训练数据问题产生系统性错误？）。这些问题在增材制造中尤为突出。

另外，网络安全也不容忽视。制造业已经是企业类别中最常遭受网络攻击的领域。当AI系统与工厂车间的运营技术深度融合，新的攻击面也会随之出现。

人工智能在增材制造的每个特定领域发挥着越来越重要的作用，包括：缺陷检测和纠正、在构建过程中和构建之后减少残余应力和故障、原位计量和设计精度、微结构设计、合金设计和优化！

通过拥抱人工智能及软件获得竞争力的提升是每一家企业的必修课。

▌三维科学 l 无限可能

点亮“♥️”让朋友们知道您在看