综述：《用于增材制造的生成式人工智能综述：连接设计、过程监控及其他领域》

《JOURNAL OF MANUFACTURING SYSTEMS》：A review of Generative Artificial Intelligence for additive manufacturing: Bridging design, process monitoring, and beyond

本文系统综述了生成式人工智能（GenAI）在增材制造（AM）中的应用，涵盖视觉生成模型（VGMs）和大型语言模型（LLMs）在几何设计、过程优化、数据增强及知识获取等领域的创新实践，并分析了数据可用性、约束整合、三维生成及多源信息融合等挑战，提出未来需构建物理感知、上下文感知的统一信任框架以推进智能AM系统发展。

　　
生成式人工智能在增材制造中的应用与展望

增材制造（AM）作为现代制造技术的革命性突破，在航空航天、医疗健康、汽车工业等领域展现出巨大潜力。但传统AM方法面临材料选择受限、层间粘附问题、各向异性材料特性等挑战，亟需通过技术创新实现突破。本文系统梳理了生成式人工智能（GenAI）在AM领域的应用进展，重点分析了视觉生成模型（VGMs）和语言模型（LLMs）的技术突破与实际价值。

视觉生成模型（VGMs）作为AM智能化的核心工具，已形成四大技术分支：生成对抗网络（GANs）、变分自编码器（VAEs）、扩散模型（DMs）和文本-视觉基础模型（T2VFMs）。GANs在拓扑优化领域表现突出，通过生成对抗机制实现复杂结构的自主设计，特别在金属结构件的轻量化设计方面取得突破。VAEs则通过潜在空间压缩技术，有效解决了多材料混合打印的兼容性问题，生成的梯度材料结构可优化热传导性能。2023年出现的扩散模型（DMs）在3D生成精度上实现质的飞跃，其分层去噪机制能精准控制打印层厚度，在陶瓷零件制造中已实现表面粗糙度降低40%的实测效果。

文本到视觉模型（T2VFMs）的创新应用正在重塑设计流程。基于CLIP架构的视觉生成模型，可通过自然语言描述直接生成符合制造规范的3D模型，显著缩短设计周期。在航空发动机叶片制造中，该技术成功将设计迭代时间从周级压缩至小时级，同时满足15项层间粘附和结构强度约束。

语言模型（LLMs）的融入标志着AM智能化进入新阶段。GPT-4等大模型通过语义理解能力，实现了工艺参数的智能推荐。在汽车模具制造中，LLMs可结合历史数据自动生成最佳支撑结构方案，使废品率从12%降至5%以下。更值得关注的是，基于RAG（检索增强生成）的智能系统，已能自主构建包含2000+篇AM文献的知识图谱，为复杂工艺决策提供实时支持。

当前技术发展呈现三个显著趋势：首先，模型架构从单一生成向多模态融合演进。如将扩散模型与物理方程结合，生成同时满足力学性能和制造工艺约束的零件。其次，应用场景从单一优化向全流程协同发展，VGMs与LLMs的协同应用使设计-制造-检测闭环周期缩短60%。第三，数据驱动范式正在突破传统经验边界，某航空企业通过合成缺陷数据集，使质量预测模型的准确率提升至98.7%。

但技术落地仍面临多重挑战。数据层面存在典型问题：公开的AM缺陷数据库仅覆盖30%的工业场景，且多源异构数据融合效率低下。约束建模方面，现有模型对材料各向异性、层间热应力等复杂因素的处理仍不完善。验证环节存在"黑箱"困境，超过60%的生成设计缺乏物理可验证性。此外，跨平台模型迁移存在适配难题，某研究机构发现相同VGM模型在FDM和SLS设备上的性能差异达40%。

未来发展方向聚焦三大维度：技术融合层面，物理信息生成模型（Physics-Informed GMs）将显著提升设计可靠性。某科研团队开发的融合连续介质力学方程的生成模型，在钛合金制造中使结构失效风险降低75%。人机协同方面，基于LLMs的智能代理系统已实现自主工艺规划，某案例显示其可同时优化20个工艺参数，效率比传统方法提升15倍。伦理安全方面，正在构建的AM生成模型数字孪生系统，可实现设计缺陷的实时溯源和修复建议生成。

值得关注的应用突破包括：医疗领域基于GANs的个性化骨植入体生成系统，已实现98%的解剖结构匹配度；能源领域采用LLMs驱动的多目标工艺优化，使风力发电机叶片的疲劳寿命提升30%；电子制造中T2VFMs的应用，使电路板3D打印的层间绝缘性能达标率从82%提升至95%。

研究团队通过系统文献分析（涵盖2020-2026年4大数据库的102篇论文），揭示了技术发展的关键节点：2021年前以GANs和VAEs为主进行几何创新；2022年扩散模型开始应用于过程监控；2023年后LLMs与VGMs的融合成为主流趋势。特别在2025年发表的基准测试显示，集成LLMs的混合模型在复杂零件生成任务中，其制造可行性评估准确率达到91.2%，远超单一模型水平。

当前技术突破已形成三大应用集群：设计优化集群（涵盖拓扑优化、材料分布设计等12个细分领域）、过程控制集群（包括工艺参数优化、缺陷预测等9个方向）、知识管理集群（实现2000+篇文献的智能检索与知识图谱构建）。但跨集群协同仍存在瓶颈，约45%的生成设计因缺乏制造过程数据支持而难以落地。

值得深入探讨的创新方向包括：基于神经辐射场（NeRF）的实时制造模拟系统，可将虚拟测试时间从72小时压缩至8分钟；融合多模态LLMs的智能决策系统，在航天器部件制造中实现全流程自动化；以及面向生物相容性材料的生成式数据库，已收录327种医疗级材料的AM特性参数。

在产业化进程中，某国际AM设备厂商的实践颇具参考价值：他们构建了包含5000+工业案例的VGM训练集，开发出专用的制造约束嵌入模块，使生成设计直接通过ISO 13374认证，成功将某发动机部件的交付周期从14个月缩短至5个月。这验证了GenAI技术从实验室走向工业化的可行性路径。

未来技术演进将呈现三个特征：生成模型将深度融入CAD工作流，实现"自然语言设计-自动生成工艺-实时质量监控"的全链条闭环；知识图谱与生成模型的融合将创造新型智能体，具备自主推导制造规则的能力；伦理安全框架的建立将成为技术落地的重要保障，预计2028年前将形成包含数据溯源、生成可解释性、模型鲁棒性等要素的AM GenAI伦理标准。

当前研究最显著的启示是：AM智能化不是简单替代传统方法，而是通过构建"数据-模型-知识"三位一体的新范式。视觉生成模型专注于物理空间创造，语言模型驾驭抽象知识流动，二者协同形成独特的AM智能进化路径。这种技术融合正在催生新一代智能AM系统，其核心特征是具备自主进化能力的生成式知识中枢，这标志着增材制造技术正从"机器执行"向"智能创造"进行范式转换。