大模型虽强，自主增材制造却非其用武之地

近三年间，Chatgpt、DeepSeek、豆包等超大语言模型向世人展示了人工智能（AI）的非凡实力。然而，许多人并未察觉，这些工具擅长的内容生成，与制造业亟需的识别、推理及响应能力截然不同。

若你欲探寻人工智能在制造业中最具爆发潜力的领域，不妨思考：哪项技术或环节目前最倚重老匠人的经验，且最难厘清工艺波动的根源？谈及此处，深耕增材制造的您，想必心领神会。

关于人工智能与增材制造的深度交融，国内外业界专家、学者及产业链企业均给予了高度重视。

去年，在上海市增材制造协会主办的第五届航空航天增材制造大会期间，协会召集业界专家与企业，就人工智能与增材制造议题展开了深度研讨。

《AI及软件赋能增材制造3D打印市场研究》

3D科学谷白皮书 深度解析

国际上，由ASTM牵头举办了生产领域人工智能专家研讨会，会议提出了诸多深刻洞察，其中传递出一个清晰共识：人工智能正加速进入制造业，而增材制造则是其最理想的落地场景。本期谷·透视特整理该讨论精华，供关注两者深度融合的谷友参考。

ASTM研讨的前提是，工厂设备与设施已实现高度自动化。机器依编程逻辑沿精准路径运行；机器人负责工件装卸；传感器辅助调节并响应各类过程变量。

然而，即便在最先进的制造设施中，人工管理依然不可或缺。机器设备仍按人类指令作业，而非自主决策。

认清这一局限，并识别该模式在何处、是否真正构成瓶颈，是探索并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。

需特别指出，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）存在本质差异。

自主制造是利用人工智能技术实现制造工艺的自主决策与自适应，而非自动执行人类指令。在AI驱动的自主制造场景中，制造系统能开展自适应学习，并就如何生产零件及改进工艺做出决策，在很大程度上替代了人工决策。

但这种自主性也引发了问题与挑战。在一个建立在可预测性与可追溯性基础上的生产环境中，多大程度的自主性是可接受的？而在可接受范围内，我们又该如何赋予制造系统这种能力？

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

然而，制造领域的AI技术与大语言模型截然不同。它并非公众熟知的生成文字或回答问题的人工智能，而是将复杂的工业数据转化为更优的控制与决策，最终实现更高程度的制造自主性。

原因在于：制造业并非文本环境。它是由传感器信号、机器参数、图像、材料测量值、质量记录及过程历史构成的世界。因此，在生产中可能发挥关键作用的人工智能形式，并非生成语言或内容的AI，而是能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。

换言之，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挖掘意义。

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等制造关键问题。

前文已述，自主制造与工业自动化存在显著差异。接下来，我们深入探讨这一话题。

既然人工智能绝非简单地将大语言模型搬入工厂，那么它所承诺的更大变革究竟是什么？

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。数控机床遵循编程刀具路径，工业机器人沿规划轨迹运动，控制系统将过程变量维持在限值内。这些系统或许复杂，但因支配其行为因果关系已被明确编程，故其行为可被理解。

而自主性描述的则是完全不同的概念。

参与研讨的专家如此解释两者区别：若工程师理解支配系统的因果关系，并将这些关系编程入机器，结果是自动化。但若工程师因关系过于复杂无法明确定义，转而依赖人工智能来确定系统在特定情境下应如何表现，那么该系统便是自主运行的。

自主性制造系统有一个极特殊且关键要素：存在无法被提前预测的行为。

这一要素使自主性变得强大，甚至能自我改进，但也与生产环境的传统预期产生冲突。制造业依赖可靠性、可追溯性和可重复性。而由机器自行决策的想法，自然引发质疑：该决策可靠吗？

那么，在制造业中，哪些环节可接受机器自主决策？

答案部分藏于那些目前由人工执行、且本身存在不确定性的任务中，因为这些任务依赖人的经验、解读与判断。抛光几何形状变化的零件、焊接每个形状不同的特征、依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。教会机器处理此类情况，正是AI极具前景的应用之一。

俄亥俄州立大学人工智能制造系统实验室的进展，在一定程度上验证了这种可能性。研究人员正开发名为“AI工匠”的机器人系统。这些机器人配备多种制造工具，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训练，以选择生产零件所需的一系列操作。该系统在“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”并非不受限制地任意决策，而是在人类工程理解设定的护栏内运行——确保AI的决策和行动均保持在物理规律、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，使制造系统能智能应对那些过于复杂或多变、无法完全凭人类知识编程的情况。

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。

工业制造过程会产生海量数据，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，现实往往骨感。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为突出。

在ASTM研讨会中，GE航空的技术专家分享了其工作：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数据。点对点转换难以维护。而一个跨组织的通用数据模型，可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极具挑战。即便在一个组织内部，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，难度倍增。这或许解释了为何制造业中许多AI项目仍停留在试点验证阶段。在许多情况下，限制因素并非算法，而是底层的数据基础设施。

另一挑战是上下文背景——即数据生成的条件。制造数据很少能自我解释。缺乏足够的元数据描述数据生成时的条件，即使是庞大数据集，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。

虽然完全实现自主制造尚需时日，但AI已在某些领域发挥实际作用，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。

在增材制造过程中，过程质量监测是AI发挥作用的另一典型场景。例如，激光粉末床熔融增材制造过程中的异常，可通过可见光成像、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可助工程师更清晰地理解复杂的制造现象。

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。

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为何做出此判断？）、性能验证（AI判断准确率多高？）、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。

写在最后

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。