问题——通用模型“懂聊天”却难以“懂制造” 近年来，大模型检索问答、写作辅助等通用任务上表现亮眼，但在增材制造等专业门槛较高的领域，仍常陷入“说得像、用不上”的困境：一是专业术语密集、知识迭代快，回答容易停留在概念层；二是工艺判断高度依赖图像与现场信息，例如熔池形貌、层间缺陷、扫描轨迹、显微组织等，仅靠文本难以给出可靠结论；三是参数耦合复杂，材料、设备、工艺窗口与缺陷机制相互牵制，缺少行业语境时，建议往往偏离工程实际。面对航空航天、医疗器械等对质量一致性要求极高的场景，面向行业的专用工具需求正在上升。 原因——从“原型工具”到“关键工艺”，行业知识体系迅速膨胀 增材制造已从早期的样件制作走向功能件制造，应用链条不断延伸。，材料科学、热-力耦合机理、粉末特性、工艺监测与质量评估等知识快速累积，形成跨学科、跨工艺路线的庞大体系。企业与科研机构沉淀了大量论文、工艺记录和检测图像，但这些知识分散在不同载体与表述方式中，难以被快速调用和复用。研究团队认为，要让模型真正服务工程，需要打通“文献中的知识”与“图像中的证据”，使其既能解释原理，也能对现场图像给出可依托的判断依据。 影响——行业专用模型或将加速工艺优化与人才培养方式变革 据介绍，研究团队将该系统命名为AdditiveLLM2，目标是让模型具备面向增材制造的专业问答与图文分析能力。在数据构建上，团队收集了来自4种增材制造期刊的1704篇开放获取论文，整理形成约5000万个信息单元，并提取超过24000张技术图像及其说明文本，使模型能够学习“文字—图像—工艺结论”的对应关系。 训练路径上，团队采用分阶段递进策略：先用专业文献训练夯实基础知识，再强化图像理解能力，最后将两者融合，提升对复杂问题的综合推理水平。模型底座上，研究基于参数规模约120亿的开源基础模型进行定向改进，重点是保证效果的同时降低部署门槛，使其能够在相对普通的硬件环境中运行，提高工程可用性。 业内人士指出，这类探索一旦走向成熟，可能在三上带来外溢效应：其一，缩短工艺开发周期，提高参数寻优、缺陷定位与原因分析效率；其二，推动知识标准化，将分散经验转化为可检索、可复现的工程知识；其三，改变培训方式，帮助新入行工程师更快理解工艺逻辑与质量控制要点，缓解复合型人才紧缺。 对策——以“可验证、可追溯、可落地”为主线推进应用 研究团队同时强调评测与验证的必要性。为检验专业能力，团队构建了增材制造基准测试体系，覆盖理论问答、图像识别、技术参数预测等任务，希望以“行业考试”的方式判断模型是否具备可用的专业判断。面向产业应用，业内普遍认为仍需以下上持续完善： 一是强化可靠性与可追溯性。增材制造触及安全与质量底线，模型输出应尽量提供依据来源、适用边界与不确定性提示，避免“看似合理”的建议误入关键生产环节。 二是推进数据治理与合规共享。工艺数据、缺陷图像与检测报告往往涉及企业敏感信息，未来可通过脱敏、联邦学习或行业数据空间等机制，保护知识产权与商业秘密的前提下形成高质量数据供给。 三是与生产系统深度集成。单纯问答难以支撑闭环控制，模型需要与设备监测、质量检测、制造执行系统等建立接口，才能在参数推荐、异常预警、过程复盘等环节发挥更大价值。 四是建立行业评价标准。除学术基准外，还需在不同材料体系、不同设备平台、不同工艺路线下开展对照测试，形成可横向比较的指标体系，为采购与应用提供参考。 前景——从“工具”走向“伙伴”，智能制造进入专业化竞速阶段 从趋势看，大模型在制造业的下一步竞争不在“更大”，而在“更懂”。增材制造作为数据类型多样、机理复杂、质量要求严苛的典型领域，正在成为专业化模型能力验证的试验场。随着多模态理解、行业知识库与在线监测数据的融合加深，未来系统有望在缺陷识别、工艺窗口确定、材料与结构设计协同诸上提供更强的辅助决策能力，并推动从研发到生产的流程重塑。 同时也应看到，工程智能化不会一蹴而就：模型仍需经受跨场景泛化、极端工况与罕见缺陷等考验；产业落地也取决于标准、合规、责任界定与人机协同机制完善。如何在效率提升与风险可控之间取得平衡，将决定其应用边界与推广速度。
这项研究标志着专业领域技术辅助系统从概念验证走向实际应用的重要一步。当人工智能逐步具备细分行业的深度认知能力，其价值将不再停留在信息检索，而是以更接近“数字工程师”的方式参与工艺分析与决策支持。在智能制造的全球竞赛中，谁能更早实现专业技术与智能系统的有效融合，谁就更可能在未来产业竞争中占据主动。