本文為AM易道基于原論文的獨立解讀，含大量觀點性（可能有解讀錯誤的）原創(chuàng)表述，部分內(nèi)容已脫離原文語境。完整技術(shù)細節(jié)請以論文原文為準，請感興趣的讀者查閱原始文獻。以下閱讀導圖為AI生成。

AM易道學術(shù)分享

先說結(jié)論：如果您只打算今年讀一篇關(guān)于AI與3D打印結(jié)合的論文，就是這篇。

這是全球20個研究團隊聯(lián)手繪制的一張技術(shù)地圖。

參與者橫跨材料科學、計算機、機器人和制造工程四大領(lǐng)域。

他們給這個領(lǐng)域起了個名字：AI2AM。

我們理解的翻譯是人工智能增強的增材制造。

讀后感是：

AI要成為3D打印的中央神經(jīng)系統(tǒng)。

接下來我們把這篇長達數(shù)萬字的Roadmap拆開，沿著設(shè)計、監(jiān)控、產(chǎn)品開發(fā)三條主線，把核心內(nèi)容講清楚。

第一條主線：設(shè)計與策略

AI正在改變我們怎么想、怎么畫

多材料設(shè)計的難題：傳統(tǒng)優(yōu)化方法撞墻了

3D打印多材料零件這件事，聽起來很美好，在一個零件里同時用金屬、陶瓷、聚合物，讓不同區(qū)域有不同性能。航空發(fā)動機的熱障涂層、骨科植入物的剛度梯度、軟體機器人的剛?cè)峤Y(jié)合，都需要這種能力。

但問題來了。

傳統(tǒng)的拓撲優(yōu)化算法假設(shè)材料是連續(xù)分布的，像水一樣可以平滑過渡。

而多材料3D打印面對的是離散的現(xiàn)實，每個體素(可以理解為3D像素)要么是材料A，要么是材料B，沒有中間態(tài)。

再加上不同材料的熱膨脹系數(shù)不一樣、彈性模量不一樣，界面處還可能出現(xiàn)裂紋和殘余應(yīng)力，傳統(tǒng)方法根本hold不住。

Figure 1展示了研究者提出的AI增強多材料設(shè)計框架。

左邊是參數(shù)優(yōu)化，處理的是工藝層面的變量，比如激光功率、打印速度、層厚。

右邊是體素優(yōu)化，深入到微觀結(jié)構(gòu)層面，在每個小體素里決定放什么材料。這兩條路徑都需要AI來導航。

Figure 2給出了幾個已經(jīng)驗證的案例。

(a)是受生物啟發(fā)的分層復(fù)合材料，用機器學習結(jié)合仿真和實驗來設(shè)計

(b)是在剛度和韌性之間找到最優(yōu)平衡的微結(jié)構(gòu)

(c)是能產(chǎn)生特定應(yīng)力應(yīng)變分布的分層材料

(d)和(e)則是4D打印的主動變形結(jié)構(gòu)，AI不僅預(yù)測形狀，還能反向設(shè)計出達到目標形狀所需的材料分布。

核心突破在于：AI讓我們能在體素尺度上做多目標優(yōu)化。

你想要這個區(qū)域硬一點、那個區(qū)域韌一點、界面處不要開裂，這些相互矛盾的需求，AI可以在高維空間里找到平衡點。

傳統(tǒng)方法做不到這一點。

生成式AI進場：用對話來做設(shè)計

Section 3討論了一個大家熟悉的方向，用ChatGPT這類生成式AI來輔助設(shè)計。

研究者做了一個實驗：他們把一個球形點陣結(jié)構(gòu)的CAD模型圖片和文字描述輸入給AI，然后開始對話。

AI能做什么呢?

Figure 3展示了結(jié)果。

第一行是AI根據(jù)不同材料生成的點陣概念圖：陽極氧化鈦合金、高性能陶瓷、彈性體、熱解碳。

第二行是AI推薦的制造工藝：激光粉末床熔融、陶瓷光固化、選擇性激光燒結(jié)。

第三行是AI提出的醫(yī)療應(yīng)用方向：鈦合金膝關(guān)節(jié)假體、陶瓷胸骨-肋骨支架、軟體機器人夾持器、碳纖維脛骨支架。

Figure 4更進一步，展示了4D打印醫(yī)療器械的概念：

支架在血管里展開、吸水膨脹的半月板修復(fù)支架、脛骨缺損填充物、多尺度多材料的骨缺損修復(fù)系統(tǒng)。

這些圖像很漂亮，AM易道過去也分享過很多類似嘗試，但顯然目前生成式AI輸出的還只是概念圖，不是可以直接打印的STL文件。

從概念到可制造模型之間，還有很長的路要走。

研究者說，讓AI直接生成帶點陣結(jié)構(gòu)、功能梯度、拓撲優(yōu)化的可打印文件，是當前的技術(shù)圣杯。

未來的設(shè)計流程可能是這樣的，設(shè)計師用自然語言描述需求，AI生成初步方案，自動驗證可制造性，然后直接輸出打印文件。

設(shè)計師的角色從手工建模者變成創(chuàng)意指揮者。

多軸打印的切片難題：神經(jīng)網(wǎng)絡(luò)來解

傳統(tǒng)3D打印是三軸運動，打印頭只能上下左右前后移動，材料一層層往上堆。

這種方式有幾個先天缺陷，懸垂結(jié)構(gòu)需要大量支撐，層與層之間的臺階效應(yīng)影響表面質(zhì)量，而且材料沉積方向和零件受力方向往往不一致，力學性能打折扣。

多軸打印通過增加旋轉(zhuǎn)和傾斜自由度來解決這些問題。

打印頭可以從各個角度切入，實現(xiàn)近乎無支撐的制造，還能讓材料沿著主應(yīng)力方向沉積，提升強度。

但多軸打印的切片算法是個大難題。

傳統(tǒng)方法依賴高質(zhì)量的四面體網(wǎng)格，對復(fù)雜幾何體來說計算量巨大，而且對初始姿態(tài)非常敏感，起始位置選不好，優(yōu)化結(jié)果就會陷入局部最優(yōu)。

Figure 5展示了一個叫S3-Slicer的框架，它用非線性優(yōu)化來生成彎曲切片層，我們過去和將來還將繼續(xù)分享更多這類研究。

Figure 6是研究者提出的神經(jīng)網(wǎng)絡(luò)切片器。

核心思路是用神經(jīng)網(wǎng)絡(luò)直接定義連續(xù)的映射函數(shù)，把復(fù)雜的幾何變形表達為可微分的標量場。

這樣做的好處是不再依賴四面體網(wǎng)格的質(zhì)量，優(yōu)化目標可以直接定義在切片層上，而且神經(jīng)網(wǎng)絡(luò)天然適合用現(xiàn)代的隨機梯度下降方法來求解。

AM易道認為，這個方向未來可能會產(chǎn)生許多新的設(shè)備架構(gòu)，值得長期關(guān)注。

先進材料的AI策略：界面是關(guān)鍵戰(zhàn)場

多材料打印最頭疼的問題出在結(jié)合界面上。

Figure 7把這些挑戰(zhàn)擺出來，比如(c)是液化裂紋的形成機制，發(fā)生在316L不銹鋼和IN718鎳基合金的梯度過渡區(qū)

(d)是稀釋效應(yīng)導致成分偏離設(shè)計值

(e)是316不銹鋼到鈦合金梯度材料中的高孔隙率

(f)是316L和IN718雙金屬界面處的殘余應(yīng)力突變。

這些問題的根源在于：不同材料的熱導率、熱膨脹系數(shù)、熔點、彈性模量都不一樣，在快速加熱冷卻的打印過程中，界面處會產(chǎn)生復(fù)雜的熱-力-化學耦合現(xiàn)象。

傳統(tǒng)的均質(zhì)化模型算不準，而純數(shù)據(jù)驅(qū)動的方法又缺乏泛化能力。

Figure 8展示了研究者設(shè)想的解決方案：

把實時傳感設(shè)備與計算核心、AI核心耦合起來，形成數(shù)字孿生系統(tǒng)。

傳感器監(jiān)測每一層的溫度場、熔池動態(tài)、成分分布；

計算核心運行物理模型;

AI核心做模式識別和預(yù)測。

三者協(xié)同，實現(xiàn)對多材料打印過程的閉環(huán)控制。

這里有個關(guān)鍵詞叫數(shù)字冶金，用AI來加速合金設(shè)計，為梯度材料的每個成分區(qū)域找到最優(yōu)工藝參數(shù)。一些團隊已經(jīng)在做了。

本體論遇上生成式AI：讓創(chuàng)意落地

怎么讓生成式AI的創(chuàng)意輸出符合工程約束?

答案是本體論(Ontology)。

這個詞聽起來很哲學，但在工程領(lǐng)域它指的是一套形式化的知識表達框架：

把材料屬性、幾何約束、制造工藝、質(zhì)量要求等知識用結(jié)構(gòu)化的方式組織起來，讓AI能查詢、能推理。

Figure 9展示了一個工作流程：

用戶輸入醫(yī)療器械的初始圖像和編碼，AI通過與本體論知識庫對話，逐步細化設(shè)計，選擇材料、確定制造工藝、優(yōu)化幾何特征、考慮DfAM(面向增材制造的設(shè)計)原則。

最后輸出的不只是一張圖，還有制造指導和質(zhì)量標準。

研究還詳細列出了3D打印髖關(guān)節(jié)假體和4D打印冠狀動脈支架的設(shè)計對話過程。

AI能給出具體的建議：鈦合金假體的頸部用3-5mm圓角減少應(yīng)力集中，遠端保持實心以確保載荷傳遞;支架用200微米最小點陣厚度保證可打印性，用徑向負泊松比結(jié)構(gòu)實現(xiàn)可逆膨脹。

AM易道認為，這個方向的價值在于：它讓生成式AI的輸出從漂亮的概念圖變成有約束、可驗證、能落地的工程方案。

第二條主線：監(jiān)控與質(zhì)控—從事后檢查到過程中干預(yù)

數(shù)字孿生不只是虛擬鏡像

數(shù)字孿生這個概念被說得太多，以至于有些通貨膨脹了。

但在這篇論文里，研究者給出了清晰的定義：

數(shù)字孿生是物理打印系統(tǒng)的實時虛擬復(fù)制品，能夠做到雙向連接

物理端的傳感器數(shù)據(jù)實時更新虛擬模型，虛擬模型的預(yù)測和優(yōu)化結(jié)果實時反饋給物理端。

Figure 10展示了AI驅(qū)動數(shù)字孿生的研究框架。

左邊是物理設(shè)備層，包括打印機和各種傳感器；

中間是數(shù)字孿生層，包括虛擬模型、數(shù)據(jù)服務(wù)、交互接口；

右邊是應(yīng)用層，支持預(yù)測性維護、工藝優(yōu)化、缺陷檢測。

Figure 11梳理了當前面臨的挑戰(zhàn)和潛在解決方案。

挑戰(zhàn)包括傳感器集成（怎么把各種傳感器的數(shù)據(jù)匯集起來)、模型保真度（虛擬模型能不能準確反映物理過程)、數(shù)據(jù)安全（云端數(shù)據(jù)怎么防止被攻擊）、實時性（能不能做到毫秒級響應(yīng)）、互操作性（不同廠商的設(shè)備能不能對接）。

解決方案的方向包括用并行系統(tǒng)理論實現(xiàn)物理和虛擬的持續(xù)交互;

用大語言模型處理非結(jié)構(gòu)化的制造數(shù)據(jù);

用邊緣計算減少延遲;

用區(qū)塊鏈保證數(shù)據(jù)完整性;

用標準化數(shù)據(jù)格式(如STL、AMF)和通信協(xié)議(如OPC UA)打破生態(tài)孤島。

在線缺陷檢測：單一傳感器不夠用

3D打印的缺陷類型很多，孔隙、裂紋、表面不規(guī)則、層間分層、熔池不穩(wěn)定……

不同工藝、不同材料的缺陷表現(xiàn)還不一樣。用單一類型的傳感器很難覆蓋所有情況。

Figure 12展示了一個典型的AI驅(qū)動缺陷檢測系統(tǒng)架構(gòu)。

數(shù)據(jù)來源包括攝像頭(可見光、高速、近紅外)、熱成像儀、聲學傳感器、振動傳感器。

這些多模態(tài)數(shù)據(jù)匯入AI模型，輸出包括缺陷類型、位置、嚴重程度。

當前的痛點在于：高質(zhì)量標注數(shù)據(jù)太少，而且獲取成本很高，很多缺陷需要做微CT掃描才能確認，這又貴又慢。

研究者提出的解決方向包括用生成對抗網(wǎng)絡(luò)(GAN)和擴散模型合成訓練數(shù)據(jù);

用遷移學習把預(yù)訓練的視覺模型遷移到AM領(lǐng)域;

用物理信息神經(jīng)網(wǎng)絡(luò)(PINN)把材料行為和工藝物理嵌入到模型里，提升泛化能力;

用聯(lián)邦學習讓不同機構(gòu)在不共享原始數(shù)據(jù)的情況下協(xié)作訓練模型。

實時結(jié)構(gòu)驗證：能不能打完直接用?

Figure 13展示了一個愿景：

零件從打印床上取下來，直接進入下一道工序或投入使用，不需要再送去做破壞性檢測或昂貴的無損檢測。

這個愿景的實現(xiàn)需要在打印過程中就完成結(jié)構(gòu)驗證。傳統(tǒng)的做法是打印完了再做有限元分析和實驗測試，周期長、成本高。

AI2AM的思路是：用數(shù)據(jù)驅(qū)動的缺陷檢測結(jié)合物理模型，在打印的同時評估結(jié)構(gòu)完整性。

Figure 14給出了技術(shù)路徑：

底層是各種傳感器(攝像頭、熱成像、超聲)，中層是邊緣計算設(shè)備(在打印機旁邊完成數(shù)據(jù)處理)，頂層是輸出判定(通過/不通過)。

這種架構(gòu)避免了把大量數(shù)據(jù)傳到云端的延遲問題。

研究者還提到了一個混合框架，用U-Net做圖像分割識別缺陷位置和大小，然后把缺陷信息實時更新到有限元模型里，預(yù)測結(jié)構(gòu)強度。實驗表明，這種方法的預(yù)測精度在驗證拉伸強度的5%以內(nèi)。

計算機視覺：給數(shù)字孿生裝上眼睛

Figure 15回顧了計算機視覺在增材制造中的演進歷程。

起點是1960年代NASA阿波羅計劃用的物理復(fù)制品;

1990年代開始用RGB圖像和熱成像做離線質(zhì)檢;

2020年代進入工業(yè)4.0時代，實時視覺數(shù)據(jù)被整合進控制回路;

現(xiàn)在正在走向AI視覺分析和數(shù)字孿生的深度融合。

Figure 16是一個案例研究，展示了基于RGB圖像做幾何精度評估的流程

拍照→深度估計→點云重建→與CAD模型對比→輸出偏差報告。

這類流程正在從實驗室走向產(chǎn)線。

閉環(huán)打?。鹤寵C器自己改正錯誤

前面說的缺陷檢測、結(jié)構(gòu)驗證都是發(fā)現(xiàn)問題，閉環(huán)打印要解決的是怎么糾正問題。

Figure 17展示了閉環(huán)3D打印的核心邏輯。

傳統(tǒng)的開環(huán)打印按預(yù)設(shè)參數(shù)執(zhí)行，不管實際情況如何，閉環(huán)打印加入了傳感器監(jiān)測和AI決策，當檢測到異常，比如擠出不足、溫度偏高、層錯位時，自動調(diào)整工藝參數(shù)比如擠出速率、加熱功率、打印速度。

在4D打印中，閉環(huán)控制更加重要。

4D打印的材料會隨時間發(fā)生形狀變化，這種變化依賴于溫度、濕度、磁場等外部刺激的精確控制。

如果沒有閉環(huán)反饋，很難保證最終形狀符合設(shè)計預(yù)期。

Figure 18進一步展示了AI賦能閉環(huán)系統(tǒng)的技術(shù)棧。

(a)是整體框架：傳感器→數(shù)據(jù)處理→AI模型→控制指令→執(zhí)行器

(b)是具體的AI方法，數(shù)字孿生做虛擬仿真，強化學習做策略優(yōu)化，支持向量機做分類決策。

研究者也提到了一些新興方向，比如智能體系統(tǒng)(Agentic AI)，讓AI不只是被動響應(yīng)數(shù)據(jù)，而是主動規(guī)劃實驗、生成假設(shè)、調(diào)用物理求解器、根據(jù)結(jié)果調(diào)整策略。

這種方法有望減少對大量標注數(shù)據(jù)的依賴。

第三條主線：產(chǎn)品開發(fā)—AI驅(qū)動的應(yīng)用落地

軟體機器人：微小缺陷也是大問題

軟體機器人用柔軟的彈性體材料制造，能安全地與人體和脆弱物體交互，在醫(yī)療康復(fù)、食品處理、搜救任務(wù)中有廣泛應(yīng)用前景。

3D打印是制造軟體機器人的理想方式，可以一體成型復(fù)雜的氣道和腔體結(jié)構(gòu)。我們過去也大量分享過3D打印軟體機器人的文章。

但彈性體材料對打印缺陷特別敏感。

Figure 19展示了典型的缺陷類型，包括擠出不足、氣泡、層間粘接不良。

這些缺陷在零件靜止時可能看不出來，但當氣動驅(qū)動器充氣膨脹時，微小的孔洞會變成漏氣點，直接導致功能失效。

Figure 20是研究者設(shè)想的解決方案，一個集成多模態(tài)傳感、神經(jīng)網(wǎng)絡(luò)缺陷檢測、自適應(yīng)控制的閉環(huán)制造系統(tǒng)。傳感器實時監(jiān)測打印狀態(tài)；

然后AI模型識別缺陷類型和位置;

然后控制系統(tǒng)根據(jù)檢測結(jié)果調(diào)整工藝參數(shù)或進行局部修補。

這里有個關(guān)鍵洞察：

軟體機器人的制造不能只關(guān)注幾何精度，更要關(guān)注功能完整性，比如氣密性、響應(yīng)速度、循環(huán)壽命。

AI系統(tǒng)需要把缺陷檢測和功能驗證關(guān)聯(lián)起來。

超材料支架-用AI加速組織工程設(shè)計

具有精心設(shè)計內(nèi)部結(jié)構(gòu)的組織工程支架，用于修復(fù)骨骼、軟骨等組織缺損。

它的設(shè)計目標很復(fù)雜，既要有合適的孔隙率讓細胞長進去，又要有足夠的強度承受載荷，還要保證營養(yǎng)物質(zhì)能擴散到內(nèi)部。

Figure 21展示了AI在復(fù)雜支架設(shè)計中的應(yīng)用框架。

從輸入數(shù)據(jù)（材料屬性、幾何參數(shù)、性能目標）到機器學習模型訓練，再到性能預(yù)測和結(jié)構(gòu)優(yōu)化，最后輸出可制造的設(shè)計方案。

傳統(tǒng)的方法是用有限元分析逐個評估候選設(shè)計，但這太慢了

一個復(fù)雜支架的仿真可能需要幾小時甚至幾天。

AI的價值在于，用訓練好的模型在毫秒級時間內(nèi)預(yù)測性能，從而能在更大的設(shè)計空間里搜索最優(yōu)解。

Figure 22指出了幾個需要解決的問題：

數(shù)據(jù)量不夠，需要用有限元仿真生成更多訓練數(shù)據(jù)；

可打印材料選擇有限，需要開發(fā)新的生物相容性材料；

制造精度不足，需要發(fā)展高分辨率打印技術(shù)。

研究者還提到了注意力擴散模型和變分自編碼器-長短期記憶網(wǎng)絡(luò)(VAE-LSTM)等新方法，可以減少對大規(guī)模數(shù)據(jù)的依賴。

生物打?。篈I覆蓋全流程質(zhì)控

生物打印是用3D打印技術(shù)制造含有活細胞的組織結(jié)構(gòu)，是再生醫(yī)學的前沿方向。

但這個領(lǐng)域的質(zhì)量控制一直是難題，怎么保證打印出來的結(jié)構(gòu)形狀準確、細胞存活率高、批次間一致性好?

Figure 23把AI在生物打印中的應(yīng)用分成三個階段：

(a)是打印前優(yōu)化。用機器學習建立墨水配方、打印參數(shù)與最終質(zhì)量之間的關(guān)系模型。這樣不用每次都做大量試錯實驗，AI可以預(yù)測什么配方和參數(shù)組合最可能成功。

(b)是打印中監(jiān)控。用卷積神經(jīng)網(wǎng)絡(luò)分析實時視頻，判斷擠出是否正常、有沒有層錯位、材料流動是否穩(wěn)定。一旦檢測到異常，系統(tǒng)可以自動調(diào)整或暫停打印。

(c)是打印后評估。用深度學習分析顯微鏡圖像，自動評估細胞活力、形態(tài)、增殖模式。這比人工判讀快得多，也更客觀。

文章說，AI在生物打印中的應(yīng)用還處于早期研究階段，離臨床應(yīng)用還有距離。

但方向是用AI把專家從繁瑣的優(yōu)化和評估工作中解放出來，讓他們能專注于真正的科學問題。

自適應(yīng)超材料：4D打印遇上AI

4D打印是在3D打印基礎(chǔ)上加入時間維度，打印出來的結(jié)構(gòu)在外部刺激如溫度、磁場、濕度、光照下會發(fā)生形狀變化。

結(jié)合機械超材料的概念，可以設(shè)計出負泊松比結(jié)構(gòu)、可調(diào)剛度結(jié)構(gòu)、形狀記憶結(jié)構(gòu)，用于航空變形翼、軟體機器人、沖擊防護等領(lǐng)域。

Figure 24是一張信息密度很高的分類圖，從四個維度梳理了AI驅(qū)動的4D打印超材料：

功能性能-能量吸收、形狀恢復(fù)、剛度調(diào)節(jié)等；

結(jié)構(gòu)拓撲-手性結(jié)構(gòu)、負泊松比結(jié)構(gòu)、折紙結(jié)構(gòu)等；

激勵類型-熱、磁、光、濕度等；

應(yīng)用領(lǐng)域-航空航天、生物醫(yī)學、軟體機器人等

這個領(lǐng)域的核心挑戰(zhàn)在于形狀記憶聚合物等智能材料的行為是非線性的、時間依賴的、路徑依賴的。

傳統(tǒng)的彈性假設(shè)根本不適用。

而且4D打印涉及結(jié)構(gòu)設(shè)計、材料選擇、編程協(xié)議、工藝參數(shù)四個層面的協(xié)同優(yōu)化，現(xiàn)有的研究大多只關(guān)注其中一個層面。

研究者呼吁發(fā)展兩類新方法。

一類叫物理信息神經(jīng)網(wǎng)絡(luò)，簡單說就是把材料的物理規(guī)律(比如應(yīng)力應(yīng)變關(guān)系、熱傳導方程)直接寫進AI的訓練過程里，這樣AI算出來的結(jié)果不會違背基本物理定律。

另一類叫神經(jīng)符號AI，就是讓AI既能從數(shù)據(jù)里學習規(guī)律，又能像工程師一樣按照已知的設(shè)計規(guī)則做推理，而且能解釋清楚自己為什么這么判斷。

這兩種方法的共同目標是讓AI不只是死記硬背數(shù)據(jù)里的規(guī)律，而是真正理解材料為什么會這樣變形、結(jié)構(gòu)為什么會這樣響應(yīng)。

AM易道的幾點觀察

讀完這篇技術(shù)路線圖，有幾個判斷想分享：

第一，AI在3D打印中的定位正在發(fā)生根本性變化。

過去我們討論的是AI能不能幫忙做點缺陷檢測、參數(shù)優(yōu)化這類輔助工作。

現(xiàn)在的問題變成了沒有AI介入的3D打印還能不能做復(fù)雜多材料設(shè)計?

能不能實現(xiàn)閉環(huán)質(zhì)量控制?

能不能支撐安全關(guān)鍵件的批量生產(chǎn)?

AI正在從配角變成必要條件。

第二，跨學科整合能力決定了誰能跑出來。這篇論文的作者來自材料科學、計算機科學、機器人學、制造工程四個領(lǐng)域。

AI2AM不是某個學科能單獨搞定的事情。

對企業(yè)來說這意味著需要建立跨專業(yè)的團隊。

第三，從論文到產(chǎn)品還有很長的路。

這篇Roadmap描述的是技術(shù)愿景，很多方法還在實驗室階段。

許多技術(shù)不是靠一兩個團隊能解決的，需要行業(yè)乃至全球?qū)用娴膮f(xié)作，比如開放數(shù)據(jù)集、統(tǒng)一技術(shù)規(guī)范、建立性能基準等等。

這篇論文的價值在于它提供了一張地圖，讓你看到AI增強增材制造的全貌，以及不同研究方向之間是怎么連接的。

我們理解很多讀者每天忙于具體的技術(shù)問題和業(yè)務(wù)挑戰(zhàn)，不一定有時間去讀完一篇幾萬字的學術(shù)論文。

希望這篇解讀能幫您快速把握要點。

最后說句題外話。

我們在整理這篇論文的時候，注意到這是一個全球化合作的研究領(lǐng)域，最前沿的進展真的是得來自不同國家和區(qū)域團隊的協(xié)作。

對于增材從業(yè)者來說，技術(shù)的尤其是AI的進步不會等人。

但好消息是，它也不會落下真正用心去學習和實踐的人。

關(guān)注全球化協(xié)作和AI進展，是AM易道一直在做的事情，如果您覺得這篇文章有價值，歡迎關(guān)注AM易道。