编者：中喷网 墨宸
过去两年，大众对“AI+3D打印”的想象大多停留在文本生成模型、图像转三维网格——AI充当的是设计师助理的角色。但一个更深层、更接近制造业本质的变化正在发生：AI正在进入3D打印的材料和工艺本身。
近期，多项研究同时指向一个方向——AI不再被动地优化某个单一变量，而是同时设计“金属合金成分、激光打印参数和最终材料性能”这三个原本由不同领域专家分别攻克的难题。
从“找配方”到“找可打印的配方”
传统合金开发遵循一条清晰的路径：冶金学家设计成分，工艺工程师摸索打印参数，检测人员再验证性能。问题在于，这三者之间存在深刻的耦合关系——一个在理论上性能优异的合金配方，可能在激光熔化过程中产生大量气孔和裂纹。大多数现有合金是为铸造、锻造等传统工艺设计的，而激光粉末床熔融和激光定向能量沉积带来的极端热循环条件完全不同。
多伦多大学邹宇团队近期发表的两项工作，为这一难题提供了一次完整的实践。他们将主动学习、物理知识、高通量实验与激光定向能量沉积结合，建立了名为ALPHA-AM的闭环平台。平台从27种实验验证的合金出发，在Ni-Co-Cr三元体系中经过6轮迭代，快速发现了6种可打印的新合金。有趣的是，这些最优成分并不落在人们熟悉的等原子比附近，而是在更偏Ni、Co或Cr的区域——这说明“各元素比例相等”并非性能最优的必要条件。其中一种合金在高温下保持更高硬度，另一种在1000℃下表现出优异的抗氧化能力。
让AI“理解”冶金学，而不只是“记住”数据
更值得关注的是方法论的升级。传统机器学习需要大量高质量数据才能避免过拟合，但新合金恰恰缺少数据。东北大学研究团队在《自然·通讯》上发表的工作，提出了一种名为UQ-KGAT（不确定性量化知识 informed 图注意力网络）的框架。他们没有简单地把大量数据表格喂给神经网络，而是构建了一个知识图谱——描述成分、加工条件、凝固行为、热力学和材料性能之间已知的关联。换句话说，AI被赋予了冶金学的“地图”，而不是被要求从零开始发现所有关系。
这个框架仅从142个样品（来自5种合金）出发，就设计出了一款名为KG-AMS的新型镍基合金。在优化的激光定向能量沉积条件下（约1500W功率、10mm/s扫描速度），打印样品的缺陷面积率仅为0.037%至0.133%，最佳样品的X射线CT检测孔隙率仅为0.038%。室温拉伸强度达到1307 MPa，延伸率22.2%；即使在900℃高温下仍保持655 MPa的强度和7.5%的延伸率。随后，团队用同样的框架处理铝合金，仅凭163个文献来源的样品数据，就设计出了KG-AMAA合金，实验样品达到99.96%的相对密度和128.3 HV硬度，最佳工艺条件下缺陷仅0.03%。
同一个框架在两种完全不同的合金家族和两种不同的激光增材制造工艺上都产生了可打印的候选材料——这暗示它可能是一个可复用的通用解决方案。
当AI学会“怎么打印”
如果说设计合金成分解决的是“打印什么”的问题，那么AI同时在做的另一件事是回答“怎么打印”。
华盛顿州立大学的研究人员利用AI技术，找到了一种更快速、成本更低的高性能金属合金3D打印方法。他们研究的对象是GRCop-42——一种由铜、铬和铌制成的合金，最初由NASA开发用于液体火箭发动机燃烧室等对耐热性和传热效率要求极高的环境。这种合金性能优异，但制造困难，90%的商用打印机无法打印。难点在于，在超过1亿种可能的打印配置中，成功的设置极其罕见。
研究团队从先前实验中失败的37种打印配置数据出发，训练AI模型估算未经测试的组合成功的可能性。AI的策略兼顾两个方向：一部分实验聚焦于看起来特别有希望的配置，另一部分则探索不确定性较高的区域——后者虽然风险高，但能提供新信息并改进模型。在三个月的工作中，团队将实验次数限制在40次以内，在不同激光功率下找到了6种成功的配置，首次用500瓦的激光功率成功打印了GRCop-42合金。用更低的激光功率打印意味着更低的能耗、更少的设备磨损和更低的后续处理成本。
从“事后检测”到“实时调控”
AI介入的第三个层面是打印过程中的实时监控与调整。美国橡树岭国家实验室开发的AI驱动软件Peregrine，为粉末床打印过程提供了一个实时窗口——检测粉末分布不均、过热、飞溅、变形和孔隙率等缺陷，并在打印过程中即时向操作人员发出警报以便调整。另一项研究展示了AI如何通过视觉监控电弧增材制造过程中的熔池，比较“好”和“坏”打印件的外观，学会实时识别缺陷并在缺陷扩散前发出调整信号。还有研究将机器学习与数字孪生结合，实现了打印参数的实时自适应控制。
全链条智能制造的雏形
把这些碎片拼在一起，一幅更完整的图景正在浮现：AI设计合金成分→AI推荐打印参数→3D打印→AI实时检测→自动调整参数。这不是科幻，而是多个研究团队正在逐步打通的技术链条。
多伦多大学团队在同期发表的综述中，系统梳理了机器学习如何贯穿金属增材制造的“材料选择—参数优化—过程监测”全链条。创材深造（Deep Material）在2025年9月发布了软硬件一体化的材料智能体（DM Agent），推出了7款适用于金属3D打印的批量生产新材料。之江实验室联合浙大城市学院发布的多孔合金材料模型，也展示了AI如何缩短胞元参数迭代周期、降低设计试错成本。
当然，这项技术仍然处于从实验室走向工业应用的早期阶段。AI设计的合金是否能在大规模生产中保持一致性？实时调控系统能否在复杂的工业环境中稳定运行？这些问题还有待时间验证。但方向已经足够清晰——未来的3D打印可能不再是“人类设计、机器打印”，而是“AI设计材料、AI设计工艺、机器打印、AI检测、自动调整”的完整闭环。这比目前大家熟悉的“AI生成3D模型”更接近制造业的核心，也更有机会真正改变我们制造东西的方式。
关键字：喷墨 印刷 打印 喷绘 喷印 数字印刷 数码印花 喷绘打印 UV打印 UV印刷 UV喷墨 打印机 打印技术 打印设备 打印耗材 打印原理 色彩管理 陶瓷打印 建材打印 建筑打印 生物打印 3D打印 PCB打印 PCB喷墨 PCB印刷 钙钛矿打印 钙钛矿喷墨 电子打印 电路打印 增材打印
★ 免责声明 ★
1、本文部分内容可能AI生成，仅为学习交流参考，对其准确性、完整性、时效性不作任何保证。读者需自行筛选核实，对使用结果负责。
2、文中部分素材（包含但不限文字、数据、图片等）引自官方报道、行业报告及公开资料，版权归原作者或相关权利人所有。若涉及侵权，请联系我方处理。
想了解更多喷墨资讯，请点击访问中喷网官网：
沪公网安备 31011702001106号