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

2026年马年除夕夜，宇树科技的人形机器人在《武BOT》节目中完成了弹射空翻、两步蹬墙后空翻、Airflare大回旋七周半。

在人形机器人完成这些动作的背后，有些值得关注的问题：

表演过程中，机器人需要反复承受高扭矩输出和动态冲击（如蹬墙借力时），电机在短时间内输出峰值功率，发热量急剧攀升。在其中登台表演的H2重甲机器人重量超过85kg，重心高度约2米，其关节需要支撑巨大负载。在如此紧凑的空间内同时布置电机、减速器、编码器和散热系统。这些都是是硬件设计面临的核心挑战。

这就引出一些思考：在高功率密度和紧凑空间的双重约束下，机器人散热面临哪些挑战？在其他制造领域沉淀的3D打印热管理解决方案能否提供突破？接下来，我们一起来聊聊这些话题。

 人形机器人的散热挑战

在工业机器人和消费电子领域，散热问题早有成熟的解决方案。但人形机器人面临的条件有所不同：

首先是“浮动基座”困境。工业机器人通常固定在地面或机架上，热量可以通过基座传导出去。但人形机器人是悬空运动的——双脚离地空翻时，关节完全悬停在空中，无法通过任何接触面导热，只能依赖空气自然对流。而自然对流换热系数通常只有2-25 W/(m²·K)，在密闭空间内可能更低。

其次是空间与重量的约束。传统散热方案中，增加散热能力通常需要扩大散热面积。但在人形机器人关节里，空间极为有限。一个典型的关节模组需要容纳电机、减速器、编码器、驱动器，留给散热系统的空间通常被压缩到50cm³以内，重量控制在100g以下。

最后是极端工况的叠加。一类是瞬时高扭矩冲击，如蹬墙空翻瞬间，电机需要在极短时间内输出峰值功率，发热量快速上升；另一类是堵转工况，当机器人需要保持特定姿态时（如半蹲姿势承受负载），电机处于锁定状态，电流持续输入，电能转化为热量。这两种工况对散热系统的响应速度和持续能力都提出了要求。

简单来说，人形机器人关节的散热需求是：在悬空状态下、有限空间内、应对瞬时冲击和持续发热的双重挑战。在此条件下，传统风冷、常规尺寸的散热片在应对这些约束时面临困难。

 新一代散热技术的探索方向

从热量的“搬运路径”来看，当前行业正在探索的散热技术，可以按照换热结构形态进行分类。不过在实际应用中，这些结构需要与不同的冷却介质（空气、液体、相变材料）组合，形成完整的热管理方案。

“ 3D Science Valley 白皮书 图文解析

”

这些探索路径的实现往往需要复杂的内部结构，这正是3D打印可以发挥作用的地方。

 微通道液冷：从数据中心到电机的探索

微通道指的是一种细密的通道结构，可以增加换热面积；液冷指的是以液体作为冷却介质。微通道液冷是将两者结合——让冷却液在微米级的通道中流动。

EOS 3D打印冷板

这一技术已在芯片散热领域有应用案例。新加坡CoolestDC与EOS合作，使用EOS Copper CuCP材料和1kW激光系统打印了一体式冷板，无垫片、无接头，可承受6 bar以上水压。安装在服务器上后，GPU温度从90℃降至40℃，性能提升40%。

希禾增材制造微通道冷板

希禾增材采用自研绿光激光器，实现了纯铜材料的3D打印难题，增材制造最小壁厚达0.05mm，致密度超过99.8%，为微通道液冷板等先进散热应用奠定制造基础。

马里兰大学研究团队设计的增材制造热交换器

马里兰大学研究团队利用选区激光熔化3D打印技术，制造了一种多通道微通道换热器（MPMHX）。该换热器采用超临界二氧化碳作为工质，可承受超过800°C的高温和80 bar的高压，功率密度高达45.4 MW/m³，是迄今为止报道的最紧凑的换热器设计之一。这项研究证实了3D打印在制造航空级高功率密度微通道散热结构方面的可行性，为将其应用于人形机器人关节等紧凑空间提供了技术验证与参考。

这些案例展示了微通道液冷在高功率密度场景下的应用潜力，为机器人关节散热提供了可参考的技术路径。

 其他换热结构的探索

除了微通道液冷，还有一些其他结构形态的探索。

蜂窝与晶格结构。Figure 02在膝盖、肘关节等部位采用了3D打印的蜂窝状复合材料，在保证结构强度的同时实现了轻量化，并将散热功能与机械结构集成于一体。这种仿生结构在航空航天轻量化设计中早有应用，现在被移植到机器人关节，展示了“结构即散热”的设计潜力。

小鹏IRON 3D打印“皮肤”，来源：36Kr

镂空皮肤。小鹏IRON采用3D打印弹性晶格皮肤外壳，背部镂空设计，有利于内部空气流通。

多孔结构蒸发冷却。日本Kengoro机器人采用3D打印多孔铝制骨架，通过可控孔隙率实现水蒸发冷却。据报道，Kengoro仅需一杯去离子水就能运行半天，是仿生散热的杰出代表。

 结构集成：一种值得关注的设计思路

从以上案例可以看到一个趋势：散热不再完全依赖独立的附加部件，而是尝试与结构本身集成。

光基多维力传感器Photon Finger Max产品效果图,来源：铂力特

极小空间内功能集成。铂力特与华力创科学合作开发的微型六维力传感器。这一六维力传感器Photon Finger直径仅8.5mm，通过一体化成形将加工周期缩短至20分钟/批次，满版可同时打印15-30个，量程及过载能力提升50%-250%。这一应用展示了3D打印在机器人精密部件上的集成能力，也为未来在有限空间内整合散热功能提供了启发。

印度Team Octane Racing在轮毂电机外壳内集成了螺旋冷却通道，内径90mm、外径120mm、长度105mm——尺寸与人形机器人关节相近。

波士顿动力新一代电动Atlas的腿部结构采用3D打印钛合金骨骼，通过拓扑优化设计，在保证结构强度的前提下实现轻量化，其复杂的晶格结构本身就构成了巨大的散热表面，实现了结构与散热功能的一体化。据报道，这种设计在实现约50%减重的同时，也提供了更大的散热面积。这种“结构即散热”的思路，与人形机器人追求紧凑设计的方向有契合之处。

 回到春晚现场：留给业界的思考

宇树官方将《武BOT》的难点分为三类：物品交互（棍法、双节棍）、环境交互（跑酷翻桌、蹬墙）、地面极限动作（空中连续转体）。

每一类动作背后，都有散热层面的问题值得思考：灵巧手的持续高负荷如何散热？蹬墙瞬间的峰值功率发热如何应对？半蹲姿态下的堵转发热如何疏导？……

这些问题或许没有标准答案。但3D打印散热技术的底层原理——微通道换热、仿生结构、多孔介质、相变储热——在航空航天、数据中心、电力电子等领域已有多年积累。它们能在多大程度上为人形机器人所用，还需要更多实践来验证。

对于人形机器人产业而言，3D打印散热或许可以成为一场跨领域的技术对话。微通道液冷散热技术，仿生结构，发汗冷却等等技术能否在机器人制造中找到规模化应用的场景，值得继续关注。

本文部分参考资料：

新浪财经，《宇树科技《武BOT》节目揭秘，8个问题带你了解春晚表演为何如此惊艳》，

知乎，《人形机器人关节电机散热问题如何解决？》CSDN，《人形机器人热管理方案》

《方案 | 人形机器人热管理深度解析：从“发热根源”到“终极冷却方案”》

《人形机器人产业链专题：人形机器人热管理方案》

《响应AI芯片散热革命，3D打印液冷板前景广阔【国金机械】》

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

本次2026年TCT亚洲展的价值正在于此。它集中呈现了打通这些断层的系统性解法：从兼顾工业级拓扑与影视级精度的双模式生成，到推动模型从“生成结果”变为“可编辑内容”的参数化控制，再到一键优化结构、自动匹配打印参数的制造直通链路。这不仅是工具的升级，更标志着生成式AI正在完成从“辅助设计”到驱动生产闭环的关键一跃。

在2026年TCT亚洲展，AI生成3D模型、工程级几何优化、可打印与可编辑内容等不同技术路线的代表厂商，将首次同台亮相、集中呈现。

当生成式AI开始真正走向制造，谁能跑通从模型到生产的全流程？
—— 答案，将在2026年TCT亚洲展现场揭晓。

01 一站式高精度AI 3D创作

展位号：8B25

Tripo Studio是一站式AI 3D创作平台，支持文字 / 图片 / 草图快速生成高精度3D模型，同时提供编辑、拓扑优化、绑骨等全流程工具，可直接输出适配游戏、AR/VR、3D 打印等场景的生产级资产。在2026年TCT亚洲展，为现场观众带来几何与贴图算法的双重革新——Tripo High-Poly 3.0正式发布。

Tripo High-Poly 3.0基于升级版TripoSF 模型，实现双模式输出——就像雕刻师在粗刀与细刻之间自由切换，效率与极致保真不再对立。

• Standard（标准模式）
  面向工业级应用的拓扑优化方案，适用于游戏开发、产品设计等高效率场景。
• Ultra（高清模式）
  将几何清晰度与细节还原推向极限，满足影视级、展示级、极致保真需求。

02 生成式AI模型的可打印落地

展位号：8K28

MeshyAI最新推出的Creative Lab，能够将生成式3D模型直接转化为高品质、彩色、可打印文件。系统不仅自动修复和优化几何结构，确保满足制造约束，还能根据模型形状和用途，智能推荐材料、表面处理方案及打印参数，包括上色与分割策略。

为了让设计落地更顺畅，MeshyAI通过其制造合作伙伴网络提供实时报价和生产执行选项，真正打造了一条从AI设计到实体产品的直达通道。用户无需掌握CAD技能，只需输入指令，就能完成从创意到实物的全流程。

03 3D/4D AIGC技术引领者

展位号：8N118

DreamTech以自研的Neural4D系列3D/4D AIGC大模型为技术底座，并基于该能力构建面向真实世界的应用平台，覆盖数字内容生成、工业级设计与实体制造等核心场景。

2024年首发全球首款原生3D DiT3D架构Neural4D 1.0，实现文/图高效生成高质量3D模型；2025年升级Neural4D 2.0，首创稀疏3D技术将训练成本降低20倍，登顶HuggingFace榜单，比肩DeepSeek；年末推出Neural4D 2.5版本，是首个3D原生贴图以及首个3D生成、感知一体化模型，几何精细度达发丝级。7类最重要核心场景评测第一，平均分超第二名30%，以1/20的训练成本超越所有商用模型。

04 Hitem3D 高分辨率PBR纹理

展位号：8C35

Hitem3D 2.0版本正式发布，全新一体化1536^3Pro分辨率PBR纹理生成技术，帮助模型从生硬地“贴上去”，变成真实地“长出来”。让系统第一次具备了在结构层面理解纹理生成合理性的能力：纹理不再只是附着在表面，而是与几何、尺度、材质属性共同构成一个完整的生成过程。

无论是机器人的复杂关节，木箱表面的划痕，还是五彩斑斓的黑，AI都能在结构约束下进行高精度还原，避免传统图像投影中常见的拉伸、错位与畸变问题。这种生成方案不仅带来了更真实的视觉质感，也为后续的 3D 打印与制造提供了更稳定、可控的模型基础。

过去几年，3D生成的进展很快：模型出来了，精度提升、速度加快，但很多人心里都有一个没说出口的问题——生成之后呢？

毕竟，生成一个模型只是开始，如果想让3D内容像文本和图片一样被反复修改、局部调整并持续演进，技术难点远不止于打印精度和拓扑优化。

05 AI生成3D内容进入“可编辑时代”

这正是影眸科技出发的核心问题。他们的核心产品Hyper3D.AI，更像是在回答一个更长线的问题——当3D内容可以像文本和图片一样，被反复修改、局部调整，并且始终保持可控，会发生什么？

在本次TCT INTRODUCING新品发布中，影眸科技将围绕演讲主题「Hyper3D：AI生成开启万物编辑时代」，首次在展会现场完整呈现这套方案，分享Hyper3D.AI 如何将3D从“生成结果”推进到“可编辑内容”的实践路径。

如果你关心的不只是“能不能生成一个模型”，而是3D内容是否真的进入了可创作、可控制、可持续演进的阶段，这个演讲，值得现场听一听。

从MeshyAI对“可打印AI模型”的制造级打通，到Tripo High-Poly 3.0在几何精度与工程拓扑上的系统级突破，再到 Hyper3D,AI对3D内容“可编辑、可演进”的重新定义——AI正在从“造型工具”，走向真正的生产力工具。

2026年TCT亚洲展，将成为这一轮技术跃迁的集中展示现场。

在这里，你不仅能看到生成式AI如何改变设计方式，更能亲眼验证它们如何走进真实制造、真实应用、真实商业场景。

想知道AI生成的3D模型，

究竟能不能直接走向生产？

那么，TCT Asia 2026，

值得你到现场亲自看一看。

近期白皮书发布，敬请关注

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

近年来，生成式人工智能深刻改变了数字内容创作的面貌。如今，即使不懂3D建模，普通人也能借助AI将脑中的想象转化为三维模型。这种“建模民主化”趋势，正推动3D打印机从创客专属工具，逐步走向普通用户的桌面。

然而，一个值得思考的现象是：为什么我们至今仍未在家居、办公室、商店等场景中，看到大量由生成式AI设计并实际制造出来的日常用品？

麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究指出了一个关键瓶颈：模型的机械完整性。尽管AI能生成可供打印的3D模型，但这些系统大多缺乏对物体物理属性的理解——从虚拟模型到现实物品之间，仍横亘着“最后一公里”的挑战。

根据3D科学谷的市场观察，麻省理工CSAIL研究团队的一项基础研究显示，经AI风格化修改后的3D模型中，仅约26%在结构上依然可靠。这意味着，多数AI在创意发挥时，并未同步考虑“这个东西3D打印出来会不会断、能不能用”。

那么，如何打通这“最后一公里”，让AI创造的模型不仅好看，而且真正可用？

对此，CSAIL工程师、麻省理工学院的研究团队开发出一套名MechStyle的生成式AI系统，能在保持物体功能的前提下实现美学风格化，并通过实时物理仿真引导AI生成过程，让个性化设计与结构可靠性得以兼顾。

 让想象照进现实

用户借助MechStyleAI驱动系统，只需上传一个3D模型或选择预设的资产（如花瓶和挂钩），然后使用图像或文本提示工具创建个性化版本。生成式AI模型随后修改3D几何形状，而MechStyle则模拟这些更改将如何影响特定部件，确保脆弱区域在结构上保持完好。

当用户对这个经过AI增强的蓝图感到满意时，就可以进行3D打印，将想象变为现实。

例如，选择一个壁钩模型与打印材料。然后，提示系统创建个性化版本，给出如“生成一个仙人掌样式的挂钩”这样的指示。AI模型将与模拟模块协同工作，生成一个既类似仙人掌外形又具备挂钩结构特性的3D模型。这个绿色、带有棱纹的配件随后可用于悬挂马克杯、外套和背包。

这类创作的实现，部分归功于一种风格化过程：系统基于其对文本提示的理解来更改模型的几何形状，并与模拟模块接收到的反馈协同工作。

来源：MIT NEWS

 自适应调度有限元分析，确保结构稳固

为确保MechStyle的创作能够经受日常使用，研究人员采用了一种称为有限元分析的物理模拟技术来增强其生成式AI技术。

我们可以想象，当一副眼镜的3D模型上面有一种类似热图的标识，显示哪些区域在现实承重下结构可行，哪些区域不行。随着AI优化这个模型，物理模拟会高亮显示模型中哪些部分正在变弱，并阻止进一步更改。

麻省理工的研究负责人表示，MechStyle系统知道何时何地需要进行结构分析，避免在每次进行更改时都运行这些模拟，从而极大拖慢AI进程。也就是说，MechStyle具有自适应调度策略，能够追踪模型特定点发生的变化。当生成式AI系统进行的调整危及模型的某些区域时，有限元分析会被自动调度，MechStyle将进行后续修改，以确保模型在制造后不会破损。

将FEA过程与自适应调度相结合，使得MechStyle能够生成结构可行性高达100%的物体。

研究团队测试了30种不同风格（如砖块、石头和仙人掌）的3D模型后发现，创建结构可行物体的最有效方法是动态识别薄弱区域，并调整生成式AI过程以减轻其影响。在这些场景中，研究人员发现，他们可以在达到特定应力阈值时完全停止风格化，或者逐步进行更精细的调整，以防止高风险区域接近该阈值。

该系统还提供两种不同的模式：一种是允许AI快速在您的3D模型上可视化不同风格的自由风格功能，另一种是MechStyle模式，它会仔细分析用户的调整对结构的影响。用户可以探索不同的想法，然后再使用MechStyle模式，看看这些艺术点缀将如何影响模型特定区域的耐用性。

 未来展望

根据CSAIL研究人员希望利用AI来创造真正可制造并在现实世界中使用的模型。MechStyle实际上模拟了基于生成式AI的更改将如何影响结构，既支持用户将个人风格融入其中，又能够确保物品能够承受日常使用。

这种计算上的彻底性最终可能帮助非专业用户设计个性化的作品。CSAIL研究人员表示，他们的目标是让专业和新手设计师都能花更多时间构思和测试不同的3D设计。

 发展与局限

CSAIL研究人员补充说，虽然他们的模型可以确保模型在3D打印前保持结构完好，但目前尚无法改进那些最初就不可行的3D模型。如果用户将此类文件上传到MechStyle，会收到错误消息，这是研究团队未来打算优化的方向。

此外，团队希望利用生成式AI为用户创建3D模型，而不是仅仅对预设和用户上传的设计进行风格化。这将使系统更加用户友好，让那些不太熟悉3D模型，或者在网上找不到他们设计的人，可以轻松地从零开始生成。

以上工作得到了麻省理工学院-谷歌计算创新计划的支持，并于去年11月在计算机协会计算制造研讨会上进行了展示。

 自由创造与物理约束无缝结合

目前，AI生成式3D建模仍以“创意优先”为核心，主要服务于数字内容创作，普遍缺乏对结构可行性的考量；而真正基于物理仿真的结构分析，还主要局限于专业工程软件与前沿学术研究中，门槛高、未普及。这正凸显了从“数字生成”跨越到“实体创造”之间的关键瓶颈。

即使是专业工程软件，起点往往是工程约束，目标是性能优化，而非创意风格化。它们所实现的是从功能到形态，而MechStyle旨在实现从形态到功能验证。

3D科学谷认为MechStyle系统更像是一个搭载了智能仿真守护的生成式AI创意系统。它的核心突破在于，将创造的自由（生成式AI）与物理世界的约束（有限元仿真）无缝地、自动化地结合在了一起，从而解决生成式AI在3D打印领域落地的最核心障碍——确保“好看”的东西也“好用”。这或许是打通“最后一公里”，真正实现设计与制造民主化的硬核方式。

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

一个由柔软材料制成、仅手掌大小的六足机器人，正灵巧地在桌面上前进、转弯。它不仅能通过手势遥控，还能在遇到障碍时自主绕开，甚至能感觉到被触摸的位置。更令人惊奇的是，这个集成了传感器、电路和驱动器的复杂机器人主体，是在一台机器上一次性、无需组装打印完成的。

长期以来，制造一个功能完整的软体机器人是一项繁琐的工程：柔软的驱动结构、精密的传感器和刚性的电子电路，通常需要在不同的地方分别制作，再像拼装模型一样小心翼翼地组合起来。这个过程不仅耗时，还容易在软硬材料结合的脆弱界面处产生故障。

本期谷·专栏所分享的是上海交通大学的研究团队在《Science Advances》上发表的一项突破性研究，他们开发了一种集成化多材料3D打印技术，能够像“一体化成型”那样，自动制造出集驱动、传感、电路和通信功能于一身的自主软体机器人。

这项技术让复杂软体机器人的制造，从精密的手工组装活，变成了高效、可靠的自动化生产过程。

论文链接：
https://www.science.org/doi/10.1126/sciadv.adz2928

▍制造困境：为何完整的软体机器人如此难造？

软体机器人因其出色的柔顺性和对复杂环境的适应性，在搜救、检测和人机交互等领域前景广阔。然而，一个能真正自主工作的软体机器人，需要将柔软的驱动结构、各类传感器、供电单元、控制电路和通信模块全部集成在一个有限的空间内。

传统的制造方法，如模具浇铸和手工组装，面临巨大挑战。

首先是工序繁琐。每个部件单独制作，再像“搭积木”一样组装，耗时且精度难以保证。

其次是界面脆弱。刚性电路板与柔软躯体结合处，在机器人反复弯曲变形时，极易因应力集中而开裂或脱落，导致电路失灵。

再就是结构受限。传统方法很难在三维空间中灵活布置电路，限制了机器人内部结构的优化和整体小型化。

如何让“软”的身体和“硬”的电子和谐共处、可靠工作，仍然是核心难题。

▍技术突破：两种3D打印合二为一，30分钟自动成型

研究团队的解决方案颇具巧思，他们不是发明一种全新的3D打印技术，而是将两种成熟的3D打印技术数字光处理（DLP）和直接墨水书写（DIW）融为一体，创建了一个集成的制造平台。

DLP技术擅长用光固化树脂，快速成型出结构复杂的柔软主体。DIW技术则像一支精密的“糖霜笔”，可以挤出导电或具有特殊电阻的硅胶“墨水”，从而在机器人内部直接绘制出功能性电路。

关键在于，团队通过巧妙的流程设计和机械改造，让这两种工艺在同一个制造流程中无缝切换。仅通过四个连贯步骤，即可让一个功能完整的软体机器人从无到有，一次成型：

第一步：打印躯体。先用DLP打印出机器人柔软的躯体骨架，其中已预留好电路通道和放置微型电路板的空间。

第二步：嵌入“心脏”。将平台翻转180°，把微型的控制板、蓝牙模块等电子元件精准放入预留位。

第三步：绘制“神经”。使用DIW技术，将导电硅胶“写入”预留的通道，连接各个电子元件，形成三维分布的柔性电路网络。

第四步：封装完成。再次使用DLP打印一层柔软材料，将所有内部元件封装保护起来，形成最终完整的机器人。

整个过程高度自动化，仅需约30分钟，一个重约120克、功能齐全的软体机器人便一次成型，无需任何后期焊接或组装。

自主软体机器人的功能和集成3D打印

▍设计巧思：让“软”与“硬”和谐共处的工程智慧

先进的制造工具解决了“造得出”的问题，但要确保机器人在反复弯曲、挤压下仍能可靠工作，则是一场硬仗。为此，团队针对软硬材料结合的痛点，提出了三项被实验验证的创新设计策略：

一是波浪形柔性电路。将传统的直线电路设计成如同弹簧般的双层、波浪形。当机器人躯体弯曲拉伸时，电路可以通过自身的形变来吸收应力，避免被拉断。实际测试表明，采用该设计的电路在机器人躯体经历高达40%的拉伸应变时，依然能保持电气连接畅通无阻。

二是离散化迷你印刷电路板。将一整块刚性电路板分割成多个微型模块，并通过柔性电路连接。这好比将一块易碎的大玻璃，转化为一把嵌入橡胶中的小鹅卵石，从根本上分散了机械应力，让整体结构在剧烈形变下仍保持稳定。

三是能量吸收晶格结构。在关键电子元件周围，用DLP打印出充满孔隙的晶格结构。这种结构像高级运动鞋的泡沫中底一样，能在机器人受到撞击或挤压时，有效吸收和分散冲击力，保护内部脆弱的电子元件。在严苛的45%轴向压缩循环测试中，内嵌于晶格中的LED电路始终保持功能正常。

这些设计共同作用，解决了自主软体机器人长期以来的可靠性瓶颈，让它们能够耐受现实世界中的碰撞和大幅变形。

软硬材料相互作用的设计

▍功能展示：从手势遥控到自主避障的全能选手

基于这套设计和制造方法诞生的软体机器人，展现出了令人印象深刻的多功能特性。

灵敏的“感知-反馈”系统

机器人集成了一个四分之三圆形的触觉传感器。当它的左侧、前方或右侧被触摸时，内部的柔性电阻电路会发生变化，信号被实时处理并通过蓝牙发送。研究人员甚至开发了一个戴在手指上的柔性遥控器，上面的LED灯会分别亮起红、绿、蓝光，直观地告诉操作者机器人身体的哪个部位被触碰到了，实现了触觉到视觉的反馈。

直观的手势遥控

通过手指上的柔性遥控器，操作者可以自然地用手势控制机器人：手指上抬是前进，下压是后退，左右旋转则对应机器人的左右转弯。这为人机交互提供了一种更直观、更自然的方式。

遥控和触觉到视觉反馈

真正的自主导航能力

更重要的是，这个软体机器人具备了自主决策能力。研究团队为其集成了微型飞行时间传感器和惯性测量单元。在演示中，机器人能够在无人干预的情况下，在设有障碍物和死胡同的迷宫中自主探索、决策并规划路径，成功抵达目标点。这标志着它从一个简单的遥控机器，进化为了一个能适应未知环境的自主智能体。

自动导航

▍未来展望：为下一代软体机器人打开想象空间

这项研究的价值，不仅在于制造出了一个功能出色的机器人原型，更在于它提供了一套通用的设计和制造范式，为开发更复杂、功能更强大的电子集成自主软体机器人铺平了道路。

从精密的“手工活”到高效的“一体化打印”，这项技术正在改变软体机器人的制造逻辑。它让创造那些能深入狭窄缝隙进行搜救、能在人体内安全执行医疗任务、或能在复杂工业设备中自主巡检的柔性智能机器，离现实又近了一大步。

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

根据3D科学谷的市场观察，该机身由萨博与Divergent联合设计制造，整个过程是“AI驱动的设计-增材制造-无夹具装配”全数字化闭环生产系统在航空飞行器制造领域的一次应用实践。

 26个金属3D打印结构件精准对接

这一应用中使用的全数字化生产系统为Divergent自适应生产系统（DAPS™）。这是一套端到端结构工程设计与制造系统，融合人工智能驱动设计、工业级增材制造及通用机器人装配技术，能够实现比传统设计与制造方式开发更快、性能更高、成本更低的结构产品。

来源：Divergent

根据Divergent官方透露的信息，组装后的完整结构件长度达约4.5米（15英尺），由26个独立的L-PBF 3D打印部件组成，所有部件均在公司的无夹具机器人装配单元中完成连接与粘接。这一应用标志着Divergent无夹具装配技术在尺寸层面获得了技术突破，也展示了这一技术从汽车制造领域向航空自主飞行器这样有着更高要求的应用场景中进行拓展的能力。

通过 DAPS™ 系统的深度应用，双方成功在长度达4.5米的飞行器机身上验证了“3D 打印+无夹具机器人组装”的应用。这一突破打破了传统制造中昂贵且不可更改的物理工装带来的限制，利用AI驱动的设计与工业机器人，实现了26个复杂 LPBF 增材制造零件的精准对接。

 数字化、敏捷化制造

这次合作是Divergent自适应生产系统（DAPS™）首次在航空领域飞行器主结构制造中的应用。通过这一系统，双方以自主飞行器机身结构件为平台，开展了 对“AI生成设计-增材制造-无夹具装配”全数字化制造闭环流程的验证，有助于实现机身设计的快速迭代和实现柔性快速生产，为下一代自主飞行器的快速研发提供了加速引擎。

然而，此次交付是关键的“概念验证”，距离商业化量产仍有关键台阶需跨越。航空业的安全文化与适航认证体系要求极致的工艺一致性与大量损伤容限数据积累。因此，以上技术在短期内更可能优先应用于无人机等对迭代速度和柔性生产需求更高的领域。

该技术通过应用金属3D打印技术、消除昂贵的专用工装，使得在靠近需求地点的小型柔性工厂里，经济地生产小批量、高性能复杂结构成为可能，极大增强了供应链的韧性与灵活性。尽管前路仍需通过严格的适航认证考验，但它提供了一条通往数字化、敏捷化制造的参考路径。

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