2022年底，人工智能技术驱动的自然语言处理工具ChatGPT 发布后迅速成为全球科技热点,也掀起了国内对各界对人工智能的高度重视。突飞猛进的人工智能技术将会在金融、医疗以及生活的方方面面给人们带来巨大的不确定性。这些不确定性既是挑战，也是机遇。
比尔.盖茨在近日发布的人工智能公开信中提到，目前，人工智能可以改变并可以专注改变的三个领域包括：生产力、医疗与教育。增材制造-3D打印作为一种新兴的数字化生产技术，与生俱来的具有与人工智能深度结合的基因。《3D打印与工业制造》一书谈到，3D打印由于其天然的数字化特征，且涉及到的海量数据难以通过人类的大脑来理解，人工智能将“主宰”3D打印的发展。根据《人工智能在3D打印领域的应用综述 l 人工智能赋能3D打印》一文，鉴于流程的复杂性，为了更好的理解在增材制造-3D打印中中应用 AI-人工智能技术，3D科学谷将人工智能的应用领域分解为3D打印前处理、过程中处理和后处理阶段。
近日，期刊Advanced Industrial and Engineering Polymer Research刊登了由意大利学者发表的人工智能技术增材制造应用的最新研究文章“Assessing the Capabilities of ChatGPT to Improve Additive Manufacturing Troubleshooting（评估ChatGPT改进增材制造故障排除的能力）”。该研究探讨了使用聊天生成预训练转换器(ChatGPT)的潜力，以应对主要挑战并提高增材制造(AM)中Gcode生成过程的效率。
本期谷.专栏将分享这项研究中的核心内容，借此进一步了解有关ChatGPT性能的有效反馈，以及人工智能技术在增材制造领域的应用潜力。
Gcode生成过程控制3D打印机挤出材料的运动和逐层构建过程，是增材制造过程中的关键步骤，优化Gcode对于确保最终产品的质量和减少打印时间的浪费至关重要。
ChatGPT可以在现有的Gcode数据上进行训练，为特定的塑料材料、3D打印机和物体生成优化的Gcode，并根据打印温度、打印速度、床温、风扇速度、擦拭等各种打印参数分析和优化Gcode距离、挤出倍增器、层厚和材料流。
该研究展示了ChatGPT在执行与增材制造流程优化相关的复杂任务方面的能力。特别是进行了性能测试以评估ChatGPT在技术问题上的专业知识，重点是评估使用热塑性聚氨酯聚合物作为原料的熔丝制造(FFF)方法的打印参数和床层分离、翘曲和拉丝问题。这项工作提供了有关ChatGPT性能的有效反馈，并评估了其在增材制造领域的使用潜力。
使用ChatGPT进行增材制造流程优化有可能通过提供用户友好的界面并利用机器学习算法来提高Gcode生成过程和最佳打印参数的效率和准确性，从而彻底改变行业。此外，ChatGPT的实时优化功能可以节省大量时间和材料，使增材制造成为制造商和行业更容易获得且更具成本效益的解决方案。
/ 开启指数级精益化能力时代
l3D打印Gcode的优化挑战
增材制造(AM)，也称为3D打印，是一个快速发展的领域，有可能在工业4.0、生物医学、材料科学、航空航天和汽车等多个应用领域彻底改变传统制造工艺。增材制造最重要的优势之一是它提供的设计自由度。基于增材制造的方法使工程师、设计师和医生能够创建复杂的几何形状、定制以前使用传统制造无法制造的产品或医疗设备，并通过消除对专用工具的需求来降低生产成本。这导致各个行业的产品定制、功能改进和重量减轻达到了新的水平。此外，增材制造的设计灵活性和敏捷性也被证明是小批量生产中的宝贵工具，使公司能够生产少量高度定制化的产品，而不会产生高昂的加工成本。它已成为航空航天工业中必不可少的工具，在航空航天工业中，生产轻质、高强度部件的能力对于飞行效率至关重要。
近来，3D打印在个性化医疗领域也有着广泛的应用，包括牙科、假体部件、按需医疗器械、组织器官再生支架。制造患者专用设备、控制方向和孔隙率以及结合多种合成材料和生物材料的能力吸引了许多好奇心的关注，因为它可以改善患者的治疗效果和生活质量。此外，3D打印模型用于模拟手术，改善手术结果并降低风险。结果，这种技术的激增导致了许多突破性的治疗方法和设备的产生。
为了以多学科方式使用增材制造，迄今为止已经采用了多种增材制造技术，例如粉末床熔融(PBF)、立体光刻(SLA)、数字光处理(DLP)和熔丝制造(FFF)。
其中，FFF技术（也称为熔融沉积成型(FDM)）在该研究中被选中，因为它是当今最流行的增材制造技术之一。FFF是一种材料挤压工艺，涉及逐层沉积细丝以生产三维部件。FFF技术的主要优势之一是成本低且相对易于使用。FFF技术的另一个优势是其使用的材料范围广泛。事实上，FFF技术允许使用各种类型的聚合物（例如，聚乳酸、聚对苯二甲酸乙二醇酯、聚丙烯、热塑性聚氨酯、聚己内酯、尼龙）、回收聚合物（例如，来自玉米的聚乳酸和聚对苯二甲酸乙二醇酯），以及复合材料（例如，聚酰胺碳充电），这使得生产具有不同化学物理和机械性能的零件成为可能。
尽管3D打印技术具有巨大的潜力，但在它被认可为一种常见的制造技术之前，仍有许多重大问题需要克服。尽管具有众多优势，增材制造，尤其是FFF技术，仍然面临着一些需要解决的挑战，例如材料选择、过程控制、支撑结构、精加工、精度和效率。其中一个挑战是Gcode的优化，它是3D打印机用来逐层创建对象的指令代码。
研究团队评估了使用由OpenAI开发的一种大型语言模型(LLM)ChatGenerativePre-trainedTransformer(ChatGPT)来解决这些挑战的潜力。特别是床分离、翘曲和串线，从而提高Gcode生成过程的效率，针对特定材料优化打印参数。选择正确的打印参数（例如：打印温度、打印速度、床温、风扇速度、擦拭距离、挤出倍数、层厚度和材料流量）和Gcode生成过程是增材制造过程中的关键步骤，用于控制打印机挤出机的运动和逐层构建过程。
优化Gcode对于确保最终产品的质量和减少打印时间至关重要。然而，生成最佳Gcode是一项复杂的任务，需要增材制造、计算机科学和材料科学方面的专业知识。这就是ChatGPT或生成式AI-人工智能模型的优势，它提供了一个用户友好的界面，可用于应对打印材料的主要挑战并生成优化的Gcode，从而减少长时间的试错阶段以优化新材料的3D打印，从而节省材料和时间。事实上，ChatGPT可以在现有的“失败”或“未优化”Gcode数据上进行训练，并可以使用此信息为特定材料、打印机和对象生成优化的Gcode。此外，ChatGPT可用于根据打印速度、层厚度和材料流（仅举几例）等各种参数分析和优化Gcode。通过使用机器学习算法，ChatGPT可以不断提高其性能，从之前的经验中学习以生成更高效的Gcode，从而将越来越多的内容集成到增材制造框架中，提高制造效率和设计与性能之间的关系，并最大限度地减少成本。此外，与传统的疲劳测试方法一起，使用ChatGPT或其他生成AI模型的数据驱动方法可用于研究和预测3D打印结构的疲劳寿命和断裂行为。
使用ChatGPT进行Gcode优化的另一个优势是可以在打印过程中进行实时优化。ChatGPT可以监控打印过程并对Gcode进行实时调整，以提高最终产品的质量。这可以显着节省时间和材料，并提高印刷过程的准确性和可重复性。
鉴于此，该研究的目标侧重于在执行与增材制造流程优化相关的复杂任务时对ChatGPT进行详细分析。这包括但不限于回答开放式格式问题和调查ChatGPT在与3D打印相关的技术问题上的表现，重点是FFF打印参数的评估。此外，研究团队的分析包括对优化和生成从头Gcode所需的ChatGPT技能的测试，以确保最终产品的质量并减少时间和打印浪费。为此，设计了一种全面的测试方法来评估ChatGPT的输出，包括“失败”或“未优化”的Gcode数据以强制使用ChatGPT的功能模型。
总体而言，此工作旨在提供有关ChatGPT性能的有效反馈，并评估其在增材制造领域的使用潜力。根据研究团队的知识，ChatGPT可以通过提供用户友好的界面和利用机器学习算法，显著提高增材制造方法和Gcode生成过程的效率和准确性。此外，ChatGPT的实时优化功能可以节省大量时间和材料，使增材制造成为制造商和行业更容易获得且更具成本效益的解决方案。
图 1. 常见的增材制造挑战，例如层粘附、翘曲、拉丝、悬垂、打印速度和材料兼容性，以及以分层方式呈现的可能的 ChatGPT 解决方案，从最有效和最简单的解决方案开始，逐步介绍不太常用的方法。
l结论
该研究展示了ChatGPT在执行与增材制造流程优化相关的复杂任务方面的能力。进行了性能测试以评估ChatGPT在技术问题上的专业知识，重点是FFF打印参数的评估。结果发现，ChatGPT在其响应中提供了卓越的准确性、正确性和组织性，其解决问题的方法在解决障碍方面提供了宝贵的见解。特别是，对于翘曲、床分离和拉线等具体技术问题，ChatGPT展示了其在考虑给定信息和约束的同时提供分层和逻辑组织响应的能力。此外，它还能够微调不同类型TPU长丝的打印参数，显示其将长丝材料的机械性能与打印参数相关联的能力。
此外，ChatGPT在现有的“未优化”Gcode数据上进行了培训，以提供优化的Gcode生成过程，以避免翘曲、床分离和拉线问题。最后，进行了一项评估AI可以处理的增材制造问题深度的实验，要求ChatGPT从头开始生成重新优化的Gcode。
总之，该研究的贡献是多方面的：首先，提供了对增材制造使用的见解。已经表明，对于哪些类型的问题以及增材制造的哪些领域和技术问题，ChatGPT可能有用，以及如何将其集成到3D打印工作流程中。其次，ChatGPT能够提供分层和逻辑组织的解决方案，同时-从最有效和最简单的解决方案开始到不太常用的方法-考虑到3D打印原料的给定信息和限制。第三，该研究发现，尽管交互有限且边界条件明确，但ChatGPT能够生成与当前研究一致的准确和最新的3D打印配置文件，并为两种不同类型的打印参数微调具有不同肖氏值的TPU长丝。第四，它提供了在一系列不同的打印参数和约束条件下测试Gcode生成过程的洞察力。这可能有助于未来开发在增材制造领域表现更好的大型语言模型。最后，ChatGPT的技术专长展示了它如何能够解决与FFF打印时间节省相关的挑战（它能够在一小时内优化计算多个参数，这项任务在实验上需要大约三周才能完成）和材料，对于研究机构和行业的研发阶段都至关重要。
另一方面，重要的是要指出本案例研究的可能局限性，它仅关注FFF作为增材制造工艺，而没有研究其他增材制造工艺（例如选择性激光熔化、选择性激光烧结、立体光刻外观），这可能有不同的优化挑战。因此，未来的进一步研究可能会侧重于ChatGPT在其他增材制造工艺中的能力，以及更广泛的材料（即陶瓷、金属、复合材料），以评估其在不同场景中的性能。此外，将ChatGPT集成到增材制造软件平台中，为用户提供实时建议和优化，可以提高增材制造流程的效率和质量。否则，将ChatGPT的性能与其他AI模型进行比较，以确定其在增材制造流程优化方面的优势或互补性。
l以上来源：焊接科学《全网最快！ChatGPT 在增材制造中的应用！》
/ 国内3D打印发展何去何从？
根据3D科学谷，近年来，国际上新增的创业企业，以软件及材料企业居多，国内以设备企业居多，尤其是当行业中出现上市企业后，同质化模仿跟风的趋势十分猛烈，资本的驱动下，企业为获取订单表现出两败俱伤的价格厮杀，损伤的是长期发展所需要的核心能力建设和研发创新基础，短期来说这是国内3D打印企业发展的巨大挑战与威胁。中期来说，3D打印发展模式已经发生本质的改变，依赖经验为主的模式发展遇到产业化瓶颈，中期将淘汰大量同质化缺乏核心竞争力的企业。
ChatGPT掀起了国内对人工智能时代的高度重视，根据3D科学谷的市场观察，如今，我们已经习惯于看到 AI 接管越来越多的任务——不仅在我们的日常生活中，而且在医疗应用或工业生产中。人工智能的发展取得了很大进展。现在可以通过人工智能预测生产中的组件故障或从图像中提取信息以在几分之一秒内执行干涉任务。复杂的人工智能开发的深度数字孪生如何推动3D打印进入生产，
让一台机器来接管 AM 中的一些质量保证任务，这听起来有些离谱，根据3D科学谷的市场观察，事实证明，在 AM增材制造工作期间收集的监控数据的问题与离线测试（例如 CT 扫描或超声波测试）收集的数据有很大不同。离线测试数据表征最终 AM增材制造零部件的特性，而监控数据仅表征构建的特定层的特性。
在增材制造中，仍然非常需要降低所生产零件的成本。这与可能由数十万个层层加工组成的过程的有关。根据3D科学谷的市场了解，离线 CT 测试不仅会增加总体成本，而且还会限制几何形状，因为零件必须具有适当的形状才能进行扫描和测试。如果通过智能过程中监控和测试来取代离线监测，这开辟了新的空间，并可能降低总体成本。
2023年3月20日，领先的3D 打印行业质量保证软件供应商Sigma Additive宣布扩大与 3D 打印软件和服务解决方案全球领导者 Materialise 的合作，通过集成 Sigma Additive的PrintRite3D® 为增材制造 (AM) 用户提供自动化质量控制，质量保证解决方案，新的软件解决方案融入 Materialise Process Control。
Sigma 的 PrintRite3D® 套件提供过程中数据，包括来自熔池的热数据、屈服层数据，使用户能够更快地找到缺陷的根本原因。
根据3D科学谷，国内目前的3D打印，尤其是金属方面依靠大量的试错来探索最佳的制造方案，这在进入到规模量产的时候遇到了极大的成本和发展速度挑战，而复杂的金属3D打印势必要“装上人工智能的大脑”才能获得真正意义上的产业化发展。
根据3D科学谷，国内即使是头部的3D打印企业，尤其是复杂的金属3D打印领域，将面临巨大的发展挑战，3D打印设备将装上“人工智能的大脑”，而大脑从何而来？是用尚且不存在的“内脑”，还是用国际上已经持续十多年厚积薄发开发出的“外脑”？是否应该用更平和的心态去对待“外脑内用”？行业是否能继续前行，在人工智能驱动的指数化精益能力进化到来的前夕，3D打印进入到产业化发展将不仅取决于自主创新实力，更取决于如何弥补国内基础研究短板，包括建立与国内生态圈的合作能力，包括建立与国际软件企业的合作共赢能力。
国际上通过AI来进行增材制造加工质量控制的商业化公司目前包括以色列的printsyst，美国的addiguru，德国的nebumind，以及瑞士的Nnaisense 等。包括之前提到的Materilalise的Materialise Process Control，这些将作为第一梯队3D打印设备的人工智能大脑，驱动实现首件即合格的进入产业化的范式转变。
那么下一步，是否国内目前的设备将大量的采用国际上的过程质量控制解决方案呢？一方面是人工智能在以指数级的进化速度改变3D打印现状，推进该技术成为智能制造的主流技术，一方面是国内欠缺的数据共享基础建设，在共享数据的基础上开发标准，在共享数据的基础上验证软件开发。
此外，还考验中华民族从传统上对大国重器在硬件层面上的重视切换到包括对软件的重视上，考验中华民族传统上商业文化中甲方乙方不平等的地位切换到生态圈平等同创的合作文化上。
软件的发展需要极度宽容的长期主义者文化，Sigma这样的软件解决方案企业目前还处于严重亏损状态。10年前，美国国家标准与技术研究院-NIST孵化和支持了Sigma这家企业，至今Sigma的市值约480万美金，每股0.45美金，每股亏损0.9美金。
在这方面，3D打印领域，国内发展自主软件产业，需要产业化基金的支持。
NIST支持的另外一家与数据和人工智能相关的企业是Senvol ，Senvol 最初于 2019 年 11 月发布了 Senvol ML 机器学习作为一种分析工具，用于理解增材制造过程中产生的数据。它是一个模块化的集成计算材料工程 (ICME) 系统，可将数据分为四个模块：工艺参数、工艺特征、材料特性和机械性能。Senvol的机器学习有着雄厚的数据基础，3D科学谷尝试使用了Senvol数据库查找钛合金金属粉末3D打印材料供应商。系统给出的结果十分丰富，其中包括了每家主流厂商提供的材料牌号，加工工艺名称，该工艺所加工的零件所能达到的拉伸强度，拉伸模量，断裂伸长率等等。
满足严苛的适航部件需求，这意味着用户可以使用 Senvol ML 机器学习的结果来预测材料或过程的性能，从期望的结果（如抗拉强度）查看哪些过程或材料将使他们达到目标，甚至建议用户应该收集哪些数据，以便更好地了解该过程。
总体来说，基础研究的重要性正在显现，业界将回归基础并找到重要的东西。譬如，也许可以找到更好的控制湿度或氧化的方法，这对铜来说更为重要，这重回归基础的需求将开始渗透到其他材料中，将把制造者带回科学，试图了解什么是真正重要的。
根据ACAM亚琛增材制造中心，3D打印-增材制造的发展将推动数字材料技术进步，多材料打印的进步，确保大幅减少增材制造新材料设计、开发和取得资格所需的时间和成本。该领域包括开发新的和新颖的计算方法，如基于物理及模型辅助的材料性能预测工具；开发对计算机预测进行验证所需的通用基准数据，以及针对材料性能表征的新思路，有助于为每一个新的增材制造材料-工艺组合开发设计循环。
根据3D科学谷，数据与算法的重要性正在掀起3D打印行业的自我革命，是增材制造走向智能制造的跨时代金矿与赋能工具。
