面向增材制造设计（DfAM）的人工智能（AI）支持的知识提取概念

《Proceedings of the Design Society》：A concept for AI supported knowledge extraction in design for additive manufacturing

　　

该研究提出了一种面向增材制造设计（DfAM）的、由人工智能（AI）支持的概念框架，旨在支持早期设计阶段的知识提取。该概念基于一组既定目标而构建，除了用户之外，还集成了敏捷DfAM过程模型、基于大型语言模型（LLM）的AI副驾驶（copilot）以及结构化知识库。研究人员使用一种经过配置的GPT作为原型，以验证若干所需功能的可行性。对于完整规模的框架，该研究还讨论了原型制作过程所得的发现以及尚存的开放性问题。

研究背景与问题

当前，增材制造（AM，通过逐层堆积材料成形零件的制造技术）虽被广泛认为是提升产品创新潜力的重要技术，但设计人员相关知识储备的不足仍是制约其广泛应用的主要瓶颈。面向增材制造的设计（DfAM，涵盖增材制成形相关方法、工具与准则的设计知识领域）汇集了丰富的设计方法、方法论、工具与指南，但这些知识常因术语使用不一致、阶段性指导缺失、资料封闭或获取成本高昂而难以有效传递给一线从业者。尤其在产品开发早期阶段，由于不确定性高、决策自由度大，已有DfAM方法框架虽能提供结构化支持，却也可能因其复杂性而成为新手难以逾越的门槛。研究表明，DfAM新手更倾向于以专家为学习媒介，希望能够通过问答式的情境化指导来理解并应用方法知识。与此同时，尽管大型语言模型（LLM，基于海量文本训练并具备自然语言理解与生成能力的人工智能模型）等AI技术已在几何约束、打印参数优化等技术性议题上有所应用，但对早期设计阶段的方法论知识支持仍显不足。因此，亟需一种能够将专家经验与知识系统化呈现、并以可交互方式辅助新手的方法框架。

研究概述与意义

针对上述不足，本研究提出了一个AI支持的DfAM知识提取概念框架，并发表于《Proceedings of the Design Society》。该框架以一套从文献中归纳出的目标体系为导向，将用户、敏捷DfAM过程模型、基于LLM的AI副驾驶（copilot，辅助用户完成设计任务的智能代理）以及结构化知识库集成为一体，并通过对GPT（生成式预训练Transformer模型，一种大型语言模型）进行配置的原型来验证关键功能的可行性。其核心意义在于，将原本依赖专家个人的DfAM知识获取过程转化为数字化的、可持续扩展的人机协同流程，从而降低新手门槛、提高早期设计阶段方法论应用的质量，并促进增材制造潜力的系统性释放。

主要技术方法

研究人员通过文献驱动的目标归纳、业务流程建模与符号法（BPMN，用于描述协作流程的标准化图形符号）过程建模以及定制GPT原型验证开展研究。他们在SpringerLink、ResearchGate和Google Scholar中针对“设计方法要求”“专家系统设计原则”与“新手—专家交互设计”等主题进行定向文献检索，并经滚雪球法提取、聚类需求；随后以BPMN建立涵盖用户、AI副驾驶、知识库与敏捷DfAM过程的四泳道模型；最后以配置型GPT为原型，采用FLOW.json决策树与KNOWLEDGE.pdf文档测试数据库引导与copilot交互。

研究结果

在“DfAM中的知识”分析中，研究人员指出，该领域知识分散且不断增长，术语与方法体系的标准化及可访问性仍面临挑战，而专家系统正由传统本体论方法向基于LLM的自然语言交互演进，但幻觉（hallucination，模型输出看似合理但包含错误事实的现象）现象与知识质量控制仍是关键问题。

在“AI支持DfAM框架的目标”研究中，研究人员从三组视角——方法/方法论要求、专家系统目标以及新手—专家交互目标——推导出一套多维目标体系，涵盖方法文档化、专家系统可验证性、对话结构化、结果可复现性及知识可更新性等方面。

在“AI支持DfAM框架概念”研究中，研究人员提出由四个核心要素组成的框架：敏捷DfAM过程模型、DfAM新手用户、基于LLM的AI副驾驶以及结构化知识数据库。该研究以BPMN建立了四泳道流程图。Lane A（敏捷框架）复现了从项目准则、AM能力识别、设计支持选择到迭代化DfAM冲刺与最终评审的完整过程；Lane B（新手）刻画了用户与AI副驾驶对话、了解DfAM方法、执行冲刺并评估结果的完整路径；Lane C（副驾驶）负责流程控制、用户状态评估、方法推荐、情境解释，并在冲刺与评估阶段提供规划、决策与反馈支持；Lane D（数据库）则为交互方式、用户定位、DfAM知识库及冲刺/评估支持提供外部知识保障，并通过透明化知识边界来增强用户信任。

在“数据库与copilot原型验证”研究中，研究人员采用定制GPT作为技术原型，将外部知识注入方式区分为两种：一是以FLOW.json为核心的对话决策树，其中每个节点包含系统提示、预期回复类型、可选项、状态转移与回退机制；二是以KNOWLEDGE.pdf为主体的学科知识文档，初始测试纳入最多三篇文献以保证回答可解释性，但架构上限约二十篇。GPT指令通过限制每次仅提一个问题、强制仅使用注入知识等规则控制交互；STATE信息用于追踪用户在决策树中的位置。原型内部测试表明，GPT能够从文档中提取方法信息，并依据用户经验水平调整回答深度，初步验证了概念的可行性。

讨论与结论

讨论部分指出，内部测试显示所配置GPT在多处功能上表现令人鼓舞，但若干问题仍待解决。首先，方法论应用结果的验证目前仅停留在概念层面，专家系统的验证与确认亦需在完整框架实现后才能进行。其次，由于GPT对外部知识文档容量有限且随文档数量增加处理时间显著增长，未来可能需要多GPT协同，并引入真正的检索增强生成（RAG，通过外部检索增强生成内容准确性的技术）以及分块Top-K优先级机制，以保证知识检索效率与回答质量。此外，DfAM冲刺阶段建议的情境充分性、模块间技术互操作性、用户界面设计、数据隐私与留存策略，以及知识库的动态更新机制等，都是后续研究的重点。尽管如此，可行性研究中未发现重大障碍，整体概念在技术方法层面具有可行性。

研究结论指出，下一阶段应将原型推进至可开展实证用户评估的成熟度，重点评估功能实现、可用性以及人机交互质量，从而持续优化该AI支持DfAM框架；该框架有望促进DfAM新手更便捷地获取早期设计阶段所需的方法论知识，进而更系统、有效地释放增材制造带来的创新潜力。