在高端制造业对复杂构件高性能与高可靠性需求不断提升的背景下，激光金属增材制造（LMAM）正从“可制造”迈向“高质量制造”，但其过程复杂、缺陷敏感、性能离散性大等问题仍是关键挑战。

近期，东北大学朱立达教授团队联合新加坡国立大学谭喜鹏教授等多家高校团队在 SCI 期刊《极端制造（英文）》(International Journal of Extreme Manufacturing, IJEM)上共同发表了题为 “Machine learning-assisted process-structure-property correlation in laser metal additive manufacturing: a critical review”的文章，系统综述了机器学习在激光增材制造中从工艺调控、缺陷预测到组织–性能关联等方面的前沿进展。

论文链接：
https://doi.org/10.1088/2631-7990/ae5297

作者
于淼、朱立达,*、杨志超、宁晋生、薛棚升、王书豪、王露、谭喜鹏*

机构
东北大学、新加坡国立大学、西安科技大学、武汉科技大学、香港城市大学

摘要图 机器学习辅助激光金属增材制造概述。

 图文解析

图1 不同加工方法与机器学习辅助激光金属增材制造框架。(a) 以叶轮制造为例说明不同制造方法，并阐述激光定向能量沉积（L-DED）与激光粉末床熔融（L-PBF）的特点。(b) 机器学习辅助的过程-结构-性能（PSP）相关性框架。

图1(a) 展示了L-DED与L-PBF相较于传统加工方法的优势及其自身局限，突出体现了增材制造在快速成形和低材料浪费方面的特点。图1(b) 从微观到宏观尺度说明了LMAM过程的可调控性，同时指出，对加工过程、组织演化与性能实现有效控制与反馈，往往依赖多源传感器提供的高精度数据支持。本文综述了近年来基于多尺度PSP关联分析与可解释机器学习方法的LMAM定量研究进展，并对前沿机器学习实现方案进行批判性评估，提出机器学习-物理系统建模-增材制造融合的可行技术路径。最后，在未来发展挑战和展望的背景下，进一步探讨智能增材制造系统发展中的现有限制与潜在机遇。

图2 不同工业部件结构与性能之间关联性的典型实例：(a) 行星着陆器；(b) 燃气轮机叶片；(c) 压电超材料。

图2(a) 展示了行星着陆器中不同零件对结构与性能的权衡，主框架结构需具备高韧性与完整性以承受撞击；隔热结构必须抵御极端温度与腐蚀；而吸震与热防护结构则采用仿生设计（如水蜘蛛网状结构和蜂窝状结构），通过先进结构工程实现高效的冲击缓冲与耐热性能。增材制造部件的性能要求因应用领域而异。在航空航天与国防等高附加值行业，强度、耐久性和可靠性是设计核心（图2(b)）；而在电子信息等领域，精度与几何保真度往往更受重视（图2(c)）。这些差异凸显了增材制造应用的多样性，也强调了适应性工艺设计与结构/性能优化策略的必要性。

图3 机器学习辅助LMAM的应用（通过Google Scholar、Web of Science、Scopus及ScienceDirect等数据库开展了系统性文献检索。检索关键词包括“机器学习”、“激光增材制造”、“原位监测”、“缺陷/气孔”、“力学性能”、“疲劳寿命”及“微观结构-性能相关性”）。（a）不同制造工艺下的模型分析与统计结果；（b）与（c）宏观成形与介观/微观尺度缺陷的零件几何特征汇总；（d）与（e）材料力学强度与疲劳寿命特性汇总。

图3(a)展示了当前在L-DED和L-PBF中主流应用的机器学习方法。目前，不同增材制造过程的预测研究主要聚焦于宏观成形、中/微观尺度缺陷、微观组织以及力学性能等方面。图3(b)–(e)进一步展示了在不同预测目标下各类金属材料的应用分布，为未来主流材料体系的应用拓展与发展方向提供了参考。

 总结与展望

图4 机器学习辅助LMAM的现状与发展趋势。（a）当前应用；（b）未来发展方向。

该综述系统回顾了机器学习在增材制造中的应用，并提出机器学习-工艺-性能-制造的集成框架，以阐明工艺、结构与性能之间的内在关联。该框架涵盖两大核心维度：“从工艺到结构”与“从微观特征到材料性能”。基于不同尺度的机器学习应用，我们剖析了当前机器学习辅助增材制造的现状，并提出了实施ML-PSP-AM框架的有效策略 (图4(a))。

未来机器学习辅助增材制造将呈现双向并进的特征 (图4(b))：“0到1”的突破性变革与“1到∞”的持续性创新。“0到1”指机器学习模型在增材制造新兴与前沿场景中的拓展应用，以推动关键技术实现实质性突破；“1到∞”的创新则聚焦算法层面的深度优化，通过不断提升模型预测精度与计算效率，强化其实用价值。二者协同发展，有望加速增材制造技术迭代，提升制造系统的智能化水平，并为高端与可持续制造提供有力支撑。

论文引用

Yu M, Zhu L D, Yang Z C, Ning J S, Xue P S, Wang S H, Wang L, Tan X P. 2026. Machine learning-assisted process-structure-property correlation in laser metal additive manufacturing: a critical review.Int. J. Extrem. Manuf. 8 042005.

研究团队简介

朱立达（通讯作者），东北大学机械工程与自动化学院教授/博士生导师，现为东北大学副处长，辽宁省CAD/CAM工程中心主任。长期从事数字化设计与制造等研究方向，主持国家自然科学基金4项、教育部等省部级项目共计8项，参与国家重点研发项目等国家级项目5项。以第一作者或共同作者发表SCI一区论文76篇，ESI高倍引论文11篇，ESI热点论文8篇，最高影响因子32.88。入选全球前2%顶尖科学家。曾获辽宁省科技发明奖“一等奖”，中国振动工程学会自然奖“二等奖”等多个奖项。目前担任International Journal of Extreme Manufacturing、Research、International Journal of Mechanical Engineering and Applications、Intelligent and Sustainable Manufacturing等国际期刊编委或青年编委。

谭喜鹏（通讯作者），新加坡国立大学机械工程系助理教授。2013年于中国科学院金属研究所（沈阳）获得材料科学博士学位。在法国完成原子探针层析成像技术博士后研究后，加入南洋理工大学担任高级研究员，从事金属增材制造研究。谭教授现领导新成立的XP3 Lab@NUS，专注于粉末材料、3D打印及原子探针层析成像技术，主要研究方向为高性能金属增材制造的微观结构设计与控制策略。在Nature Communications, Acta Materialia, Additive Manufacturing, International Journal of Extreme Manufacturing等知名国际期刊发表论文70余篇。近期发表成果在谷歌学术中被引用超过9500次。2021至2025年连续入选斯坦福全球顶尖科学家榜单前2%。

于淼（第一作者），东北大学机械工程与自动化学院在读博士生，曾多次获得国家及校级奖/助学金。主要研究方向为机器学习辅助金属增材制造成形与性能的预测与调控。以第一作者或通讯作者在International Journal of Extreme Manufacturing, Computers in Industry, Mechanical Systems and Signal Processing等国际期刊发表论文5篇。

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

AI正在重塑全球算力版图，而算力的尽头是电力。国际能源署（IEA）数据显示，2025年，全球AI专用数据中心的电力消耗约155 TWh,较上年增长50%；2030年，预计达到465 TWh。而同期全球数据中心电力消耗预计达950 TWh，AI专用数据中心占将近一半。

“3D科学谷 白皮书解析

”

电力缺口之外，还有一道”绿色”门槛。根据中国相关政策要求，国家枢纽节点新建数据中心的绿电消费比例需在80%基础上进一步提升。这意味着每一度用于AI算力的新增电力，都需要有清洁能源产生的电力。

核电作为稳定的基荷零碳电源，在美国、法国等主要经济体中重新进入能源战略的核心议程。与此同时，AI数据中心对稳定基荷电源的旺盛需求，也为小型模块化反应堆（SMR）创造了新的商业场景。IEA数据显示，数据中心运营商与小型模块化反应堆项目的有条件购电协议规模已从2024年底的25 GW增长至45 GW。

然而，核电站供应链仍存在不同程度的挑战。以核岛一回路的核心设备——压力容器为例，其制造长期以来高度依赖万吨级自由锻造，全球范围内具备核级大型锻件批量供货能力的企业屈指可数。当锻造产能本身已是稀缺资源，如何为这一瓶颈寻找技术突破口？

近日，3D科学谷关注到，美国能源部下属橡树岭国家实验室（ORNL）与爱达荷国家实验室（INL）宣布了一项合作：双方将就线弧增材制造（WAAM）技术在核工业压力容器上的应用展开联合攻关。其合作目标，主要是通过增材制造过程中质量控制与数据辅助认证，制造出”born-qualified/出生即合格”的金属3D打印压力容器。

这项合作已在橡树岭国家实验室举办的”材料与制造创新日”（M2IND）上正式公布。无论最终能否成功，其所代表的”制造—传感—数据—认证”一体化新思路，对于核工业级部件乃至更多高端装备领域的制造而言，都是值得关注的。

在ORNL3D打印的压力容器样件表明，一种适用于核工业的金属合金能够被成型为复杂的穹顶形状。
©ORNL

 锻造之外的新选项

压力容器是核岛一回路的核心设备，需在高温、高压及强中子辐照环境下长期服役。传统制造路线依赖万吨级自由锻造水压机将巨型钢锭反复镦粗、拔长，以获得致密的锻态组织和均匀的力学性能。这一路线对设备能力和工艺经验的要求极高，全球范围内仅有少数企业具备核级大型锻件的批量供货能力。

ORNL在新闻稿中明确指出，美国面临的具体困境在于其本土锻造产能有限。而3D科学谷在追踪全球增材制造产业动态时注意到，这一产能缺口背后有着深刻的产业链结构性背景。随着AI算力基础设施的加速建设，美国正面临前所未有的电力需求增长压力。根据美国知名供应链技术提供商Exiger公司公开发表的信息，美国在燃气轮机、大型变压器、钢材以及超大型核电站锻件四大关键领域高度依赖外国供应商。尤其值得关注的是，美国已不再生产大型一体式反应堆压力容器及配套硬件，近年来新建核电项目的关键锻件均依赖海外制造商。这种对外依赖不仅推高了成本，还在核电扩建已面临严重积压的情况下，进一步放大了供应链风险。

线弧增材制造被ORNL与INL视为一种可能绕开锻造产能约束、实现大型金属结构件近净成形的新路径，极可能是在这样的背景下产生的。如果能够通过金属3D打印技术在本土直接制造出合格的核级压力容器，美国有望打破对进口锻件的长期依赖。

ORNL的MedUSA 3D打印机使用三个协同工作的机械臂，建造了一个演示用压力容器。
©ORNL

这条新路径在之前已得到了初步验证。2025年7月，ORNL制造示范工厂的研究人员使用MedUSA线弧增材平台完成了一个核用压力容器样件的打印。该样件直径约3英尺（约0.9米）、高度约5英尺（约1.5米），由三个协同工作的机器人手臂通过电弧熔化金属丝材逐层堆积而成，材料为核级不锈钢合金。ORNL表示，该演示验证了利用多机器人电弧增材系统一次性连续成形大型封闭式容器结构的能力。

需要指出的是，这一尺寸尚属于小型压力容器范畴。以目前在运的三代核电机组为例，反应堆压力容器的内径通常在4.5米至5米量级，总高度超过12米，重量达数百吨。从0.9米直径的样件到全尺寸核岛主设备，中间存在显著的放大挑战，涉及工艺稳定性、残余应力控制、无损检测可达性以及长期服役性能评价等一系列工程问题。

 真正的门槛：资格认证

增材制造进入核岛的真正门槛不在成形本身，而在资格认证（qualification）。核工程领域对材料和部件的准入有着极其严格的规范体系。对于锻件，行业已积累了数十年的标准试样测试、无损检测和服役数据，形成了成熟的认证路径。但增材制造的微观组织是逐层凝固”生长”出来的，工艺参数的波动会直接影响晶粒形态、析出相分布和残余应力状态。如果沿用传统的”打印—取样—测试—对比标准”模式，不仅经济性差，而且难以覆盖整个部件的空间变异性。

这正是ORNL与INL两大实验室开展此次合作的聚焦点。

双方提出的”born-qualified-出生即合格“的思路，旨在将质量认证前移到制造过程内部。根据ORNL项目负责人的描述，达成这一目标，需要通过嵌入工艺环节的大量传感器和实时监控系统，在每一层金属沉积的同时采集温度场、熔池形貌、凝固行为等原位数据，再借助AI和数字工程工具构建部件的数字化表征，进而对其力学性能和服役适应性做出实时评估。

INL方面则将其在核材料、AI与数据科学方面的积累带入项目。INL先进制造组负责人表示，他们正汇集两所实验室的专业知识，将人工智能和数据科学与先进3D打印技术相结合，以便能够在部件打印过程中实时评估其性能，而无需等待生产后的测试。

这一技术路线的可行性并非完全停留在概念层面。根据3D科学谷的市场观察，2025年6月，Antares Nuclear公司的R1 Mark-0微反应堆在INL达到临界，该反应堆的中子传感器支架即由ORNL实验室使用同一套MedUSA增材制造平台和相同的核级合金材料3D打印而成。从传感器支架到全尺寸压力容器，尺度跨越巨大，但底层方法论是一致的：以增材制造实现复杂核部件的快速成形，同时用过程数据构建认证依据。

 国内视角

我们将视野拉回到国内。与美国”锻造产能受限”的语境不同，中国核电大型锻件的供应格局有显著差异。经过多年的技术攻关，中国一重、国机重装（原中国二重）、上海电气上重等企业已先后建成万吨级以上自由锻造水压机，形成了核岛成套锻件的自主供货能力。以”国和一号”（CAP1400）示范工程为代表的三代核电项目，设备国产化率已达到85%以上，反应堆压力容器、蒸汽发生器、稳压器等关键设备的锻件和成套制造能力均已实现国产化。

此外，国内龙头企业在增材制造技术与锻件制造工艺的融合上走出了自主创新的路径。例如，中国一重提出了”增材制坯”技术路线，针对传统模铸钢锭存在的偏析、夹杂、有害相等技术难题，提出增材制坯原创性技术路线。

ORNL与INL的此次合作，其价值更准确地说是为核级大型金属构件的制造提供了一个“锻造之外的新选项”。美国推动这一方向的直接动因是国内锻造产能不足。这一底层推动力与国内情况虽有不同，但对于国内产业界而言，值得关注的是其背后“制造—传感—数据—认证”一体化的思路。如果过程监控与数据辅助认证能够形成可复用的技术框架，其意义将超越单一工艺，为核级部件的质量保证提供新的技术路径。

参考资料

IEA. “Key Questions on Energy and AI.” August 2026. https://www.iea.org/reports/key-questions-on-energy-and-ai

IEA. “Energy and AI.” April 2025. https://www.iea.org/reports/energy-and-ai

国家发展改革委、国家能源局. “关于促进可再生能源绿色电力证书市场高质量发展的意见.” 2025年3月. https://www.ndrc.gov.cn/xwdt/tzgg/202503/t20250318_1396628.html

财联社. 格外仰赖进口！美国万亿AI基建潮急缺这“四宝” 谁能生产？

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文

传统增材制造超高强钢因采用大量昂贵合金元素与复杂热处理工艺，且耐蚀性不佳，其工程应用受限。

近日，南华大学朱红梅团队联合普渡大学王晓明教授，提出一种融合物理化学特征的可解释机器学习的设计策略，成功开发出激光增材制造用低成本、短流程、高耐蚀性的新型超高强韧钢。

相关研究论文已在SCI期刊《极端制造（英文）》期刊上发表。题为“Interpretable machine learning integrated with physicochemical feature for developing additively manufactured ultra-high strength and ductility steel”。

论文链接：
https://doi.org/10.1088/2631-7990/ae5006

作者
罗雅婷，朱涛，潘存良，贲旭，安旭东，王晓明，朱红梅

机构
南华大学，普渡大学

 图文解析

本研究突破“试错法”局限，采用融合物理化学特征的机器学习驱动多组分高维合金设计，核心创新与成果如下：

（1）创新设计策略：机器学习+物化特征的全流程研发框架

搭建“数据集构建-特征筛选与建模-可解释分析-多目标优化-实验验证”全流程研发框架，大幅提升新材料开发效率。

图1 融合物理化学特征的机器学习指导超高强韧钢设计全流程策略。

通过SHAP可解释分析，系统量化了合金元素与热处理工艺对强韧性的影响，精准锁定核心调控元素与最优单步回火工艺，实现了数据驱动与物理冶金机理的深度融合。

图2 合金元素与热处理工艺对性能影响的SHAP 分析。

（2）核心性能突破：强韧耐蚀三合一，远超同类材料

基于该策略开发的Fe-15Cr-3.2Ni-0.8Mn-0.6Cu-0.56Si-0.4Al-0.16C新型超高强韧钢，仅需480 °C × 6h一步回火，即可实现UTS 1713 ± 17 MPa、YS 1502 ± 33 MPa、EL 15.5 ± 0.7% 的优异强韧性，综合力学性能显著优于已报道的同类增材制造钢材。

图3 拉伸力学性能分析。

电化学测试结果表明，开发的超高强韧钢腐蚀速率低至0.105 mm・a-1，耐腐蚀性能远超传统马氏体不锈钢 AISI 420，实现了“超高强度、高塑性、高耐蚀”的研究目标。

图4 耐腐蚀性能分析。

（3）性能本质揭秘：多相协同的微观调控机制

多尺度微观表征揭示了性能突破的核心机理：材料形成“板条马氏体基体+高密度纳米共格析出相 + 亚稳奥氏体”的多相协同结构，通过沉淀强化与TRIP 效应协同作用，实现了强度与塑性的同步提升。

图5 微观组织分析。

 总结与展望

本研究基于融合物理化学特征的机器学习设计策略，成功开发了一种激光增材制造用低成本、短流程，兼具超高强度、高延伸率和优异耐腐蚀性的超高强韧钢，可满足航空航天、海工交通等国家重大领域对关键构件复杂成形、快速修复的迫切需求，为增材制造超高强韧钢的高效开发开辟了全新路径，不仅实现了材料成本、制备流程与综合性能的三重突破，也为其他合金体系的优化设计提供了重要参考。

论文引用

Luo Y T, Zhu T, Pan C L, Ben X, An X D, Wang X M, Zhu H M. 2026. Interpretable machine learning integrated with physicochemical feature for developing additively manufactured ultra-high strength and ductility steel.

Int. J. Extrem. Manuf. 8 045001.

课题组介绍

朱红梅，南华大学机械工程学院教授、副院长，主要从事激光增材制造与材料计算科学研究。先后主持国家自然科学基金面上项目/青年项目、中央军委装备发展部装备预研基金项目、国家重点研发计划专题项目、企业委托横向等科研项目10余项。以第一/通讯作者在Acta Materialia、Rare Metals、Journal of Materials Processing Technology等期刊发表高水平学术论文60余篇，授权国家发明专利4项，指导湖南省优秀硕士学位论文5篇。

朱涛，南华大学计算机学院副教授，IEEE高级会员。于中南大学和中国科学技术大学获计算机科学与技术专业学士、博士学位，曾任微博算法设计工程师，北京科技大学教师、博士后。主要从事机器学习、智能感知、大语言模型等技术研究，主持国家级、省部级科研课题、横向课题多项，曾获北京市科学技术二等奖。以第一/通讯作者在IEEE Internet of Things Journal、Knowledge-Based Systems、Nuclear Science and Technique等期刊发表高水平学术论文90余篇。

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

近日，Materials Research Letters 在线发表综述论文“Applications and challenges of machine learning in metal additive manufacturing”。武汉理工大学数字制造湖北省重点实验室柯文超副教授为通讯作者，研究生彭先哲为第一作者，华中科技大学为合作单位。文章系统梳理了机器学习在金属增材制造工艺优化、缺陷监测、性能预测与智能设计中的应用，并总结了物理信息机器学习、可解释人工智能、数字孪生及工业化面临的关键挑战与未来方向。

论文链接：
https://doi.org/10.1080/21663831.2026.2702018

金属增材制造通过逐层沉积与熔合金属粉末、丝材或片材，可制造传统工艺难以实现的复杂结构和高性能构件，已在航空航天、医疗、能源、汽车和模具等领域展现出广泛应用潜力。

然而，金属增材制造本质上是一个多物理场耦合、快速熔化与凝固并存的非平衡制造过程，激光功率、扫描速度、送粉或送丝速度、层厚及成形环境等因素会通过局部热历史影响凝固组织、相变行为、残余应力和最终性能，形成高度非线性的“工艺—组织—性能”（process–structure–property, PSP）关系；与此同时，孔隙、未熔合、裂纹、飞溅、变形等缺陷，使传统试错优化、离线检测和经验控制难以满足高质量、可重复和规模化制造的需求。

在此背景下，机器学习（machine learning, ML）凭借从实验、仿真、图像和传感器数据中提取复杂映射关系的能力，为工艺参数搜索、缺陷识别、性能预测和智能设计提供了新的技术路径。但机器学习并非对物理模型的简单替代，数据稀缺、模型“黑箱”、跨设备与跨材料泛化能力不足、实时部署困难，以及工业系统的可靠性与安全性，仍是其由实验室研究迈向工程应用必须解决的关键问题。

一、金属增材制造全生命周期机器学习赋能

文章首先从MAM面临的核心难题出发，将ML的主要应用归纳为四个相互关联的方向：工艺参数优化、缺陷检测、性能预测和面向增材制造的设计。工艺优化关注如何以更少实验探索高维参数空间；缺陷检测强调由成形后检验转向原位识别与过程监测；性能预测连接工艺、组织与材料服役性能；智能设计则将ML引入拓扑结构、点阵结构和支撑结构的快速生成与优化。物理信息机器学习（physics-informed machine learning, PIML）贯穿上述方向，用于在数据驱动模型中引入物理规律、领域知识和仿真信息。

图1. ML在MAM中的主要应用。

二、工艺参数优化：从经验试错走向数据驱动的高效寻优

MAM工艺参数数量多、耦合强，而且常常需要同时兼顾致密度、强度、塑性、表面质量、微观组织和成形效率。文章指出，参数优化通常先筛选能够抑制孔隙和未熔合的工艺窗口，再在该窗口内针对性能和效率进行多目标优化。

1. 传统降维与筛选方法。固定非主导参数能够简化实验并突出关键变量，但容易掩盖未考察参数之间的交互作用；体积能量密度（volumetric energy density, VED）可将激光功率、扫描速度、道间距和层厚压缩为单一指标，适合初步排除明显欠熔或过熔区域，但相同VED并不意味着相同的熔池行为、表面粗糙度、致密度或硬度；田口（Taguchi）正交设计可在有限实验次数下筛选主效应，但对高阶耦合项的刻画能力有限。

2. ML与主动学习方法。代理模型、贝叶斯优化、主动学习、遗传算法和粒子群优化可根据已有数据提出下一组最有价值的实验参数，并同时考虑预测性能与不确定性。文章通过代表性研究说明，这类方法能够以较少实验逐步逼近高致密度区域或拓展强度—塑性Pareto前沿，也可反向搜索满足目标熔池几何或成形质量的工艺参数。其有效性仍取决于数据质量、输入变量是否完整以及模型能否覆盖设备、粉末状态和局部热历史等关键差异。

图2. 多参数耦合问题的四种处理方法：固定非主导参数、采用VED降维、Taguchi正交设计和Pareto主动学习。

三、缺陷检测与过程监测：从单一图像识别走向多传感器融合

孔隙、裂纹、飞溅、分层和变形等缺陷会削弱构件的尺寸稳定性、强度和疲劳寿命。传统检测多在成形完成后进行，难以及时纠正过程异常。文章总结了基于热成像、可见光图像、声发射信号和多模态传感数据的ML方法，展示了质量保障由“成形后发现问题”向“成形中识别和预测问题”的转变。

1. 图像监测。卷积神经网络可从热图像中提取飞溅、分层、局部过热和表面异常等空间特征。进一步引入多层热历史、扫描路径和时序信息，有助于识别与热积累、重熔和局部冷却条件相关的孔隙风险。受传感器噪声、热漂移等因素影响，此类方法的工业稳定性受到限制。

2. 传感器信号与多模态融合。声发射信号可用于在线异常检测，并可结合主成分分析、变分自编码器和深度学习提取具有跨材料迁移潜力的特征。多传感器融合则将多光谱辐射、声学信号、层间图像、扫描矢量和CT缺陷标签进行时空配准，再由神经网络联合判断缺陷位置。多模态方法虽然信息更全面，但也带来传感器同步、数据配准、标注成本、计算负担和响应延迟等问题。

图3. 多模态传感数据的采集、配准、特征融合及缺陷预测流程。

四、性能预测与智能设计：连接工艺、组织、性能和几何结构

在材料性能预测方面，文章将现有研究分为三类：直接由工艺参数和过程图像特征预测强度、磁性能等指标；由扫描电子显微组织图像预测屈服强度和抗拉强度；以及面向可打印性和合金成分的逆向设计。相比单纯建立“参数—性能”统计关系，将热历史、组织特征和冶金描述符纳入模型，更有助于解释性能变化的来源。

在智能设计方面，ML被用于加速传统计算成本较高的拓扑优化，并辅助点阵结构和支撑结构设计。条件生成对抗网络可以学习设计参数与拓扑优化结果之间的映射，快速生成候选结构；遗传算法优化的神经网络可同时考虑工艺参数、杆件尺寸和成形角度，预测点阵结构性能；有限元仿真与ML结合则可快速筛选支撑宽度、间距和结构形式。文章指出，这些模型的主要价值是缩短迭代周期和扩大设计探索范围，但生成结果仍需满足可制造性约束，并通过仿真或实验验证。

图4. 基于pix2pix条件生成对抗网络的拓扑优化加速流程。

五、物理信息机器学习：由数据相关性进一步走向物理约束

纯物理模型能够解释传热、流动、凝固和应力演化等机制，但通常需要简化假设，并受到计算成本和实时性的限制；纯数据驱动模型训练完成后推理速度快、能够处理高维异构数据，却可能产生缺乏物理合理性的预测，并高度依赖高质量标注数据。PIML试图结合两者优势。

文章将PIML的实现路径概括为三类：一是把解析模型、守恒关系和冶金知识转化为输入特征或模型约束；二是将有限元等数值模拟数据与实验数据共同作为模型输入；三是在损失函数和训练过程中嵌入控制方程、初始条件和边界条件，例如物理信息神经网络（physics-informed neural network, PINN）。代表性研究利用PINN在无需标注温度场数据的情况下预测激光金属沉积过程中的三维温度演化，并结合迁移学习提高计算效率。

PIML并不意味着物理问题已经被完全解决。高维多物理场会显著增加训练成本，模型仍可能面临收敛困难、数值稳定性不足、对高频和多尺度现象学习不充分，以及跨工况泛化能力有限等问题。因此，物理知识如何选择、如何嵌入以及如何验证，仍是后续研究的重点。

图5. 激光增材制造过程三维温度预测PINN框架。

六、关键挑战与未来研究方向

文章将当前瓶颈概括为数据、模型、系统集成、PIML和工业化五个层面：高保真实验数据昂贵且标准不统一；深度模型可解释性和跨材料、跨设备泛化能力不足；算法推理速度、传感器处理和软硬件接口难以满足原位闭环控制需求；工业现场还需要兼顾低延迟、模型压缩、边缘计算、多传感器同步以及网络—物理安全。未来应建设公开基准数据集、标准化元数据和统一评价协议，发展数据增强、仿真—实验混合数据与少样本学习；推进可解释人工智能、神经算子、多保真度和不确定性量化方法；融合实时监测、物理模拟、机器学习、强化学习和数字孪生，形成可验证的自适应闭环控制；同时发展轻量化、硬件友好和可信模型，将安全验证贯穿数据采集、模型推理、控制决策和构件质量认证全过程。

结语：从经验驱动向可预测、可解释和闭环智能制造转变

总体而言，该综述系统展示了ML贯穿MAM全生命周期的潜力：它能够提高参数搜索效率，推动缺陷监测前移，建立PSP映射，并加速复杂结构设计。与此同时，文章并未将ML视为脱离材料与制造机理的独立工具，而是强调数据、物理知识、仿真、传感器和控制系统的协同。未来，随着标准化数据体系、物理信息学习、可解释人工智能、数字孪生、边缘计算和闭环控制持续发展，ML有望推动MAM由依赖经验和离线检验的工艺，逐步转向更可预测、更可靠、更可解释且能够实时调节的智能制造过程。真正实现规模化应用，仍需要在跨设备泛化、实时性、系统兼容性、验证标准和网络—物理安全等方面开展长期研究。

*本文由MRL编辑部邀请，作者团队供稿。

论文引用

Xianzhe Peng, Zikang Xie, Yuan Liu, Pengcheng Hu, Lian Zhang, Mingyu Wang & Wenchao Ke*. (2026). Applications and challenges of machine learning in metal additive manufacturing, Materials Research Letters, 1–62.

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

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。

 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。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文

Meshy创意工坊

Meshy 推出「从 AI 创意到实体交付」的一站式平台：Meshy Creative Lab，让数字灵感直接转化为触手可及的精美实物。

•【AI 极速建模】 依托 Meshy 顶尖算法，只需输入一段文字或一张图片，几秒钟内即可生成高精度 3D 模型，零门槛开启创作。

•【万物皆可定制】 打破模型与实物的边界，支持将创意直接定制为机械键帽、冰箱贴、潮玩手办、精美摆件等多种实体品类，打造你想要的各种生活好物。

•【工业级交付】 直连高端全彩3D打印供应链，从模型修复、工业级生产到全球物流，我们提供全程托管服务。只需一键下单，专属定制的作品就会直达您的手中。

脑子里有一个绝妙的创意，却卡在3D建模这一步？好不容易用AI生成式设计工具把它“画”出来了，想把它制造出来，却苦于没有渠道……难道创意就只能停留在屏幕里吗？

别急。Meshy Creative Lab创意工坊，就是来帮你把这口气接上的。

Meshy AI 亚太地区的销售负责人吴迪在接受TCT 亚洲展全球首发新品专访时，详细拆解了创意工坊如何让普通人、专业人士乃至整个3D打印生态链都从中受益。

本文根据采访视频整理而来，3D科学谷视频号、头条号、百度百家、B站等渠道可收看采访视频。

请介绍一款公司在本届TCT亚洲展进行首发的新品。
研发这款设备是看到了市场中的什么挑战？
公司是如何用技术来回应这些挑战的？

吴迪：我们在本届TCT亚洲展首发的新产品是Meshy Creative Lab创意工坊，这是一个「从 AI 创意到实体交付」的一站式平台。所有希望将创意转化为实物的用户都可以使用这个平台。

我们打通了创意转化的全链路，从用户的设计创意开始，到3D建模，再到通过3D打印将实物制造出来交付到用户手中。

从创意到拿到实物，每一步都有一定的门槛。比如3D建模，普通的用户或爱好者很难具备这项专业技能，但通过Meshy AI，可以非常轻松地零门槛完成3D 建模。当然，对于很多用户来说只完成3D建模其实还不够，他们还希望创意变成实物。

实物的呈现形式也分为多种，比如可以做浮雕、徽章、首饰，或者一些潮玩手办等等，这又是一个环节。选择好形式之后，还需要对实物进行3D打印，打印时还要对模型做一些处理，比如检测和修复。在这样的工作流中的每一步都有专业门槛。

而我们做的事情就是将门槛降到最低，让用户在不具有任何专业知识的情况下，在Meshy Creative Lab这一个平台上实现创意到实物的转化。

当用户用上这款设备，他们能做哪些以前做不了的事？
这让他们在竞争中拿到什么样的“新筹码”？

吴迪：我们把个性化表达的权利全部都交回给了用户。Meshy Creative Lab平台将每一步的门槛都降下来了，用户创作和生产的成本就降到了最低，也能较大程度地激发他们的探索欲望。

对于专业用户群体来说，Meshy Creative Lab平台也同样会提供助力。有些专业用户或企业可能只擅长其中某一个环节，比如他们有的擅长做设计，有的擅长做生产，但是他们都很难掌握全链路的能力。即使是专业设计用户，在引入AI之后，也能大幅降低设计成本。

所以，Meshy Creative Lab平台为个人用户、专业用户或者企业用户都会带来从创意到转化为实物的便利性。

TCT亚洲展一直是全球首发创新的风向标。从您今年的观察来看，什么“苗头”最可能成为未来一年的主流应用方向？
选择在TCT亚洲展首发新产品，希望借此传递什么信号？

吴迪：我自己也逛了TCT展会，个人感觉今年大家的热情特别高，3D打印企业呈现出百花齐放的状态。我还观察到，今年很多AI驱动设计的公司都来参展了。与很多3D打印机厂商、材料厂商交流下来，了解到他们在工作环节中都引入了 AI技术。所以我认为，AI与3D打印工作流的结合，是一个我们能看到明显趋势。

Meshy AI现在在全球已经有1000万用户了，其中3D打印用户的占比相对较高。我们非常重视3D打印这个市场和行业。所以我们通过TCT亚洲展来进行新产品首发。我们不仅希望让更多的3D打印用户了解 Meshy这个产品，愿意使用它，同时，我们也希望能够成为一个连接用户和3D打印企业的桥梁，让上下游都受益。

Meshy AI自身并没有3D打印设备，也不做模型设计，但我们提供AI生成模型的技术。在这个平台的上千万用户中每天都有大量用户想要将自己设计的3D模型打印出来，他们的需求非常明确。同时在行业生态链中，有很多拥有3D打印设备的企业他们希望接到用户更多的订单，Meshy 从中起到桥梁作用，既帮助用户将创意转化为实物，又为厂商提供一些补充订单。对于材料企业来说也是类似的，目前我们上线的可供选择的打印材料有树脂、陶瓷，未来还会有木雕、水泥打印、金属打印。这对于整个生态链中的上下游都有着正向的促进作用。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文

根据3D科学谷的市场观察，MIT和普林斯顿大学等机构的研究团队推出了一款名为VisiPrint的人工智能预览工具，只需上传一张切片截图和一张材料照片，就能在一分钟内生成高度逼真的成品渲染图。用户研究表明，VisiPrint的任务完成率达到100%，远超传统切片软件（63%）和通用建模软件（13%），有望大幅减少3D打印中的浪费与试错成本。

设计师、创客经常使用3D打印技术快速制作功能原型，从电影道具到医疗设备无所不包。准确的打印预览至关重要，这样用户才能确信最终造出的物体会如预期般工作。

然而，大多数3D打印软件生成的预览侧重于功能而非外观。打印出来的物体可能在颜色、质感或明暗效果上与用户的预期大相径庭，导致反复重印，浪费大量时间、精力和材料。一项研究估计，多达三分之一的打印材料最终直接变成了垃圾，其中很大一部分来自被丢弃的原型。

为了帮助用户提前预判成品的视觉效果，来自麻省理工学院（MIT）计算机科学与人工智能实验室（CSAIL）以及普林斯顿大学的研究人员开发了一款易用的预览工具，将外观放在首位。该工具被命名为VisiPrint，相关论文已被ACM人机交互计算系统会议（CHI）接收。

图：VisiPrint工作流程。用户使用自己偏好的软件（例如Cura）对3D模型进行切片，然后上传切片视图的截图以及目标打印线材或打印样本的照片。VisiPrint会生成一个忠实于外观的预览图，同时反映切片路径和材料特性。

 工作流程：两张图，一分钟

用户只需上传一张来自3D打印软件（即“切片软件”）的物体截图，以及一张打印材料的照片（可以是在线图片或自己拍摄的样本）。系统便会根据这些输入，自动生成物体打印后可能呈现的效果渲染图。

研究团队聚焦于熔融沉积成型（FDM）——最常见的3D打印类型。在FDM中，打印材料线材被熔化后通过喷嘴挤出，逐层堆叠成型。生成准确的美学预览颇具挑战，因为熔化和挤出过程会改变材料的外观，每层沉积的高度以及喷嘴移动的路径也会产生影响。

VisiPrint使用两个协同工作的人工智能模型来克服这些难题。

其中一个是计算机视觉模型，负责从材料样本中提取对物体外观至关重要的特征（颜色、光泽、半透明性等）。

另外一个是生成式AI模型（基于Stable Diffusion XL）。负责根据这些特征，同时融入喷嘴的“切片”路径信息，计算出物体的几何形状和结构，最终合成预览图。

图：使用自备材料样本（蓝色和透明球体）以及在线找到的样本（包括具有挑战性的半透明和彩虹色线材）预览的小船。

 创新：条件控制方法

3D科学谷了解到，这项研究方法的关键在于一种特殊的条件控制方法（conditioning method）。研究人员通过仔细调整模型内部的工作机制，引导它遵循切片路径并遵守3D打印过程的各项约束。

图：VisiPrint系统架构。系统以材料样本和3D几何模型为输入。材料通过图像提示适配器（IP Adapter）进行编码，而几何模型则经过切片和渲染。切片信息、几何结构以及潜在的照明线索通过多路ControlNet流程引导图像生成。生成的输出通过扩散修复模型（SDXL）进行精炼，并经过颜色校正最终完成，从而生成3D打印物体的照片级真实感预览。

具体来说，他们的条件控制方法利用了两类信息：一类是保留物体的形状和明暗变化的深度图；一类是反映内部轮廓和结构边界，尤其是层纹（lamination）细节的边缘图（Canny边缘检测）。

“如果这两者的平衡掌握不好，就可能产生错误的几何形状或不正确的切片路径。我们必须非常小心地将它们以恰当的方式结合起来，”论文第一作者、MIT电气工程与计算机科学系（EECS）研究生Maxine Perroni-Scharf表示。

在用户界面中，研究人员提供了一个直观的“切片影响强度”滑块，让用户可以自由调节层纹细节与整体光影之间的权重。

 专为FDM优化，兼容任意切片软件

VisiPrint的设计与打印机或切片软件类型无关。它既可以作为独立工具使用（用户上传任意切片软件的截图），也以Ultimaker Cura插件的形式集成到主流工作流中。一旦模型切片完成，插件会自动捕获3D视口截图，用户可直接在Cura内部生成预览。

研究团队还建立了一个包含12种物体（8个Thingiverse模型 + 4个基本几何体）的数据集，分别用四种典型线材（实心粉、实心蓝、透明白、金属银）打印，涵盖半透明、高光、哑光等多种质感。所有真值照片均在受控光照环境下拍摄，以保证对比的公平性。

 用户研究：100%完成率

为了验证VisiPrint的实际效果，研究团队招募了15名具有一定3D打印经验的用户，进行了一项对照实验。每个参与者需要完成两项任务：用银色PLA打印一艘Benchy小船，以及用透明PLA打印一个哨子。

参与者分别使用三种工具完成相同的预览任务：VisiPrint、Cura（主流开源切片软件）和Blender（通用3D建模软件，使用PBR材质渲染）。

每项任务限时5分钟。结果如下：

VisiPrint不仅完成率最高，速度也比Cura快2.4倍，比Blender快近4倍。

在NASA任务负荷指数（TLX）评估中，VisiPrint在脑力需求、时间紧迫感、任务成功感、努力程度、不安全感等所有维度上均显著优于Cura和Blender（p<0.05）。用户对其生成的“照片级真实感”评分平均为6.20/7，对预览与实际打印匹配的信心也显著更高。

感知研究：与真实照片几乎无异
在另一项感知研究中，参与者手持真实的打印物体（银色小船和透明哨子），并排比较六种预览图像：Blender均匀纹理、Blender PBR材质、Cura默认颜色、VisiPrint、真实物体照片、以及Cura的“银色/透明”专用预览。

图：感知研究（小船）。
上图：针对整体相似度、纹理相似度、切片相似度三个指标，非中性Likert评分的分布情况。下图：参与者的平均排名。VisiPrint与真实照片在统计学上无显著差异，且排名最高；Cura银色预览处于中游；Blender和Cura黄色预览排名最低。

结果表明，在整体外观相似度方面，VisiPrint和真实照片处于同一梯队，显著高于Cura和Blender的各类预览；在纹理相似度方面，VisiPrint与真实照片无统计学差异，Cura和Blender相对落后；在切片（层纹）相似度方面，VisiPrint与真实照片依然并列最高，Cura在某些情况下因专注于切片可视化而表现接近，但整体外观和纹理远不如VisiPrint。

值得注意的是，有少数参与者将VisiPrint的预览排名排在了真实照片之前。研究人员认为，这可能是由于照片拍摄时的光照条件与实物在手中的观感存在差异，反而说明VisiPrint能够呈现一种“理想化”的真实感。

 用户反馈与未来展望

在问卷调查中，15人中有12人表示更愿意使用VisiPrint而非仅用Cura或Blender进行打印预览。14人表示未来会再次使用VisiPrint。

同时，用户也提出了一些改进建议，例如他们希望支持3D模型的旋转和多角度预览，以及更紧密的集成（如直接上传3D模型而非截图）。部分用户还提到，了解算法的基本原理有助于建立对预览结果的信任。

针对这一点，研究团队在界面中加入了明确的“预览局限性”提示面板，告知用户VisiPrint仅用于外观评估（光泽、色调倾向、层纹方向等），不预测可打印性、机械强度或安全关键部件的成功率。所有输出图像均带有“模拟预览”水印，以校准用户预期。

 技术评估：超越现有方法

研究人员还将VisiPrint与多种基线方法进行了定量比较，包括ZeST（零样本材质转移）、IP-Adapter、MatSwap以及单图像SVBRDF估计。评价指标包括PSNR（峰值信噪比）、LPIPS（感知相似度）和CLIP相似度，计算对象均为真实打印物体的照片。

图：各方法预览效果定性对比
左图：来自Thingiverse的3D打印物体的真实照片，以及对应的切片几何模型和材料样本。右图：VisiPrint与各基线方法的预览效果对比。
VisiPrint在材料保真度、切片细节和几何形状三方面达到了最佳结合。

VisiPrint在所有指标上均取得了最佳成绩，尤其是在像素级保真度和语义对齐方面显著优于其他方法。

消融研究进一步证实了各组件的贡献：颜色校正（color harmonization）带来的提升最大，单独使用深度图会导致中空区域出现伪影，而加入Canny边缘控制后，层纹细节得以保留，整体CLIP相似度从0.894提升至0.912。

 局限性与未来工作

研究团队在论文中指出，尽管VisiPrint在预览真实感上取得了显著进步，仍存在一些局限，主要包括以下几点：

• 依赖单目深度估计和Canny边缘，在细节复杂或中空区域可能引入伪影；
• 预览质量受材料样本照片的光照影响较大，且不支持任意重光照（继承MatCap类方法的固有限制）；
• 目前主要针对FDM打印和标准PLA线材优化，对金属色、半透明、多色等复杂材质的效果尚未充分验证；
• 不模拟支撑结构痕迹或打印失败的可能性。

未来，研究团队希望解决极精细细节预览时的伪影问题，增加多角度预览功能，并探索将VisiPrint扩展到SLA（光固化）等其他3D打印技术。

 3D打印领域的所见即所得

“所见即所得（WYSIWYG）是桌面出版在20世纪80年代得以普及的关键，因为它让用户第一次尝试就能得到想要的结果。现在是时候让3D打印也实现‘所见即所得’了。VisiPrint朝着这个方向迈出了重要一步，”并未参与此项研究的哈索·普拉特纳研究所计算机科学教授Patrick Baudisch评价道。

论文作者表示，所有代码、数据集和预训练模型将在论文发表后开源。该研究部分由MIT晨兴设计学院奖学金和MIT MathWorks奖学金资助。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文

通过本次3D科学谷发布的《AI及软件赋能增材制造3D打印市场研究》白皮书，您将发现人工智能正以前所未有的深度融入增材制造的全价值链——从熔池级别的实时监测与缺陷智能纠正，到微观结构的精准设计与新合金的快速研发，再到基于数字孪生的质量预认证，AI正在打通从“感知”到“决策”的最后一公里。不仅如此，您还将见证全球领先企业、研究机构如何借助人工智能，推动制造范式向“自我优化”与“自主控制”演进。同时，白皮书梳理了主要国家与地区在“AI+增材制造”领域的政策布局与动向，并前瞻探讨数据资产化、数字护照（DPP）如何重塑商业模式与竞争格局。

通过拥抱人工智能及软件获得竞争力的提升将是每一家企业的必修课。希望这些洞察，能为您拓展在增材制造与AI融合浪潮中的战略视野。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文

过去一年，基于材料挤出工艺的桌面级FDM 3D打印设备继续保持高增长态势。随着设备普及，3D打印机正被越来越多的人所熟悉——它已不再是制造企业或专业工程师专属的设计工具，而是日益“民主化”，成为更多业余爱好者将创意变为现实的得力助手。

然而，材料挤出3D打印工艺的稳定性始终是悬而未决的挑战。研究表明，PLA材料的打印失败率可达20%，ABS材料的浪费率高达34%，整体故障率更是达到41.1%，其中仅人为错误就占26.3%。从翘曲变形到层间剥离，从挤出不足到拉丝现象——这些缺陷不仅造成材料、能源和时间的大量浪费，更成为该工艺在医疗器械、航空航天等安全敏感领域规模化应用的主要障碍之一。业界一直在寻找能够克服这些挑战的有效解决方案。

但现有方案普遍面临三重困境：基于规则和传统机器学习的方法难以在不同打印机和传感器间实现通用；深度学习方法依赖大规模标注数据集，扩展性和适应性受限；而物理传感器监测方案成本高、集成复杂，且难以捕捉拉丝、细微层分离等缺乏强物理特征的缺陷。

针对上述难题，卡内基梅隆大学机械工程系与机器学习系的研究团队提出了LLM-3D Print（大语言模型3D打印）框架，将大型语言模型作为自主控制器引入增材制造过程。相关研究成果已发表于《Additive Manufacturing》期刊。本期谷·专栏将对这项研究进行简要分享。

论文链接：
https://doi.org/10.1016/j.addma.2025.105027

这项研究的核心突破在于，无需领域特定的微调或训练，仅通过上下文学习、自我提示和迭代提示推理优化，大语言模型即可从序列图像中评估打印质量、检测并分类新兴故障模式、查询并修改打印机运行参数。

这一方法摒弃了传统的规则依赖和数据依赖，实现了无规则、自我改进的过程控制范式。研究团队将这一框架与不同水平的增材制造工程师对照组进行对比评估，结果显示，基于大语言模型的智能体不仅可靠地识别了挤出不一致、拉丝、翘曲和层间附着力差等常见3D打印错误，还能确定其原因并在无需人工干预的情况下进行纠正。值得注意的是，大语言模型甚至比人类专家更早识别出新兴的3D打印错误。

GITHUB开源信息：
https://github.com/BaratiLab/LLM-3D-Print-Large-Language-Models-To-Monitor-and-Control-3D-Printing

 多智能体协同架构

该框架采用层次化的机器对机器通信架构，由七个关键模块组成，各模块独立执行特定任务：

图1：提出的框架示意图。(a)将零件的G代码文件上传至3D打印机。(b) 打印机配备两个安装在框架上的摄像头。(c) 每层打印完成后，捕获两张当前打印状态的图像供LLM分析。(d, e) 如检测到故障，监督LLM调用信息规划器。(f) 执行器执行信息收集计划。(g) 随后，监督器激活解决方案规划器。(h) 另一执行器执行解决方案计划。(i, j) 循环结束，监督器调用交接模块恢复打印。

图像推理模块利用GPT-4o的图像分析能力检测进行中3D打印的异常。每层打印完成后，打印机暂停，两个安装在框架上的摄像头从顶部和正面捕获图像，连同部件的文本描述一同输入大语言模型进行分析。

监督智能体是整个系统的协调核心，维护动态状态字典，确保各模块在激活前都能访问最新相关信息，优化大语言模型令牌使用效率。

图2：各个智能体的提示流程。(a)错误检测智能体 – 暂停打印机的图像被格式化为预定义提示并传递给VLM进行分析，返回结构化响应。(b) 规划智能体 – 适配器模块根据错误检测结果优化推理提示，引导规划器制定行动计划。(c) 执行智能体 – LLM选择合适的API端点在打印机上执行计划，并根据打印机响应验证命令成功与否。

规划智能体包含适配器和规划器两个模块：适配器分析观测结果和检测到的故障，调整标准推理提示；规划器利用调整后的提示和推理框架生成具体可执行的行动计划。

执行智能体采用ReAct方法执行生成的计划，通过预定义的Python函数经API与打印机通信，不仅发出命令，还主动监控打印机响应并对每一步进行推理。

 实验验证与性能提升

研究团队在改装后的消费级3D打印机上部署了这一框架，使用1mm喷嘴（非标准硬件配置）和Klipper固件，通过API动态调整打印参数。实验采用了两种线材：具有热变色性的PLA和柔性TPU。

l 多层打印实验

研究团队打印了扳手模型和凸起文字模型，逐层进行优化。在扳手模型的第9层，研究人员手动引入Z轴扰动，测试大语言模型检测和响应突发变化的能力。

图3：LLM优化打印与基线打印的对比：(a) LLM优化的打印件边缘更清洁、清晰，而基线打印件（b）边缘粗糙、不均匀。(c) LLM优化的打印件表面光洁度一致光滑，基线打印件（d）表面粗糙，可见材料沉积跳越。(e) LLM优化的打印件挤出和材料沉积一致，基线打印件（f）层间附着力不均，挤出不足。(g) LLM优化的打印件层质量和填充模式持续改善，基线打印件（h）质量稳步下降。

结果显示，经大语言模型优化的打印件边缘更清晰、表面更光滑、挤出一致性显著提升。大语言模型准确识别出打印速度和挤出率偏离标准值，并持续优化这些参数；在第10层检测到Z轴位置偏差后，持续尝试校正。

l 单层打印实验

为了测试框架在更高采样率下的表现，研究团队打印了单层100mm×100mm方形，分为四个片段逐段分析。

图4：LLM对单层打印（a）PLA、（b）TPU以及多层打印（c）文本、（d）扳手的参数优化。

对于PLA材料，大语言模型建议将打印速度降低至75%以改善线材附着、将流量率略微提高至100%以上以解决挤出不足、微调压力推进以减少拉丝和凸点、优化回抽流量至25%左右以缓解挤出物滴落。对于TPU材料，大语言模型建议将喷嘴温度提高至220°C，改善线材熔融和流动。逐段分析显示，占用率（打印层覆盖目标面积的程度）持续提升，验证了优化策略的有效性。

l 机械性能测试

研究团队对四种几何结构（方形、六边形、半球形和拉胀结构）进行了压缩测试。为适应测试设备灵敏度，框架提示加入了特定机械指令：”为压缩测试加强x/y方向的打印强度，z为建造方向”。

图6：基线样品与LLM优化样品的压缩性能对比。基线打印件过早失效，峰值载荷较低，而LLM优化的对应件结构完整性增强，峰值载荷能力显著提高：(a)方形结构 (×5.06)，(b) 六边形结构 (×1.60)，(c) 半球形结构 (×1.34)，(d) 拉胀结构 (×2.46)。

结果显示，经大语言模型优化的样品不仅达到更高峰值载荷，且表现出更一致的力学行为和更可预测的失效模式：方形结构峰值载荷提升5.06倍（从约0.8kN增至4.0kN以上），六边形单元提升1.60倍，半球形结构提升1.34倍，拉胀结构提升2.46倍。

 跨平台通用的能力

为验证框架在不同硬件平台上的通用能力，研究团队将其部署在Creality Ender打印机上。该配置缺少Ender 5 Plus上的BLTouch自动调平传感器，研究团队仅通过从3D打印机文档中移除相关参数就完成了适配。

实验中，研究团队在切片阶段引入填充重叠率变化，模拟工业流程中G代码文件可能来自外部供应商或不同切片器配置的场景。

图5：基线打印件与LLM优化打印件对比。基线样品显示出可见缺陷，包括接缝间隙和填充-外围界面结合不完全，而LLM优化打印件在（a）方形、（b）六边形、（c）半球形和（d）拉胀几何结构中均显示出完全固结的特征。

结果显示，基线3D打印在接缝位置和填充-外围过渡区出现明显间隙，而经大语言模型优化的打印最初几层也显示相同缺陷，但在约5次迭代内，系统成功将这些表现识别为挤出不足问题，通过调整挤出速度、温度和挤出倍率参数进行补偿，实现了接缝质量、填充-外围结合度和整体表面一致性的可测量提升。

 缺陷检测能力评估

图7：第9层LLM生成的响应。专家标注图像突出显示了观察到的缺陷：（1）挤出不一致，（2）拉丝，（3）层分离，（4）材料凸点。相应的LLM生成响应（格式化）识别了这些问题，并根据打印机状态和视觉输入概述了纠正措施。

研究团队组织了14名具有不同增材制造经验水平的工程师参与用户研究，将大语言模型的缺陷检测结果与专家标注进行对比。结果显示，大语言模型成功识别了拉丝、挤出不足、喷嘴堵塞、打印速度不一致和调平问题等多种故障模式。

图8：检测到的故障。（a）单层打印优化过程中LLM识别出的故障和观察结果。（b）扳手模型多层打印中，人类标注者、领域专家和LLM跨层检测到的故障逐层比较。

在多层打印中，大语言模型和大多数参与者（包括专家）一致识别出拉丝和挤出问题是跨多个层的主要故障模式，同时大语言模型还能检测到床面附着失效、翘曲和层分离等较复杂缺陷，这些有时被经验较少的参与者忽略。

值得注意的是，大语言模型在第7层和第11层识别出层分离的早期迹象，早于专家标注人员，表明模型能够通过跨层的视觉进展推理，比人类更早预判结构失效。

图9：混淆矩阵。检测到的打印缺陷与专家标注的对比。（左）LLM预测的缺陷显示，对于挤出问题和拉丝/滴落等主要问题具有较高的真阳性率，但也存在少量假阳性和误分类，特别是对于视觉相似的异常如凸点/粉刺。（右）人类调查响应显示出更大的变异性，在细微缺陷类别如打印裂纹、重影和大象脚方面出现更多假阳性，表明经验不足的参与者可能存在过度识别或误分类。

混淆矩阵分析显示，大语言模型在识别挤出问题和拉丝/滴落等高影响缺陷方面表现出高精度和高召回率，而人类调查响应则显示出更大变异性，特别是在细微缺陷分类上。

 数据安全与模块化设计

该框架严格分离角色，系统只能在打印过程中修改运行时参数，从不改变或覆写切片器生成的G代码，防止对工具路径的意外或恶意修改。

其模块化部署方式允许根据敏感性和信任要求分配模块，基于视觉的缺陷检测和实时控制模块可使用微调或内部模型本地托管，仅处理不含专有设计几何的图像数据和机器状态；通用推理任务可运行在外部大语言模型服务上，仅消耗抽象的缺陷描述符和机器指标，不接触原始设计文件或工具路径。

在高度受限环境中，该框架支持完全本地部署，确保外部模型永不接触专有或敏感数据。

“ 3D Science Valley 白皮书 图文解析

”

 意义与展望

这项工作的关键贡献在于证明了大语言模型能够作为材料挤出增材制造过程中的自主上下文控制器。该方法不依赖重新训练或微调，而是通过智能体间基于聊天的交互进行结构化推理。框架生成的详细制造评注和缺陷检测报告显著增强了零件缺陷可追溯性和自动化文档编制，有助于识别缺陷根本原因，简化质量控制流程，为关键应用中的零件认证提供支持。

该研究的通讯作者Amir Barati Farimani表示：”未来是自适应的。将大语言模型集成到3D打印流程中代表了一项重大进步。随着这些模型的发展，它们对更丰富的多模态数据进行推理的能力将解锁更多功能。就目前而言，这项工作为构建真正智能、自主增材制造系统奠定了基础，使其能够达到前所未有的精度和可靠性水平。”

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

“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。

01 Freeform
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

03 “软件定义制造”的技术内涵
从Freeform看核心竞争力迁移

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.

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文