如果人工智能已经是去年的热门词汇，那么制造业之外的年终预测则暗示了生成式人工智能的下一个前沿：AI智能体。时间快进到2025年，这一预测正在成为现实——AI智能体正在崛起。

虽然多个行业已经接受了这一颠覆性力量，但对于增材制造领域，一个合理的问题是：它将如何适应这一转变？下文通过软件开发公司Authentise和Synera的重要贡献来回答这个问题。

这一切始于定义在增材制造背景下AI智能体是什么。

人们对AI智能体的普遍理解是，它们是能够自主执行任务并做出决策以实现特定目标的智能软件系统。

在增材制造背景下，“每个人对此都有不同的答案。从Synera的角度来看，它是由语言模型驱动、由人类创建工作流，但仍需要人类反馈的东西。”Synera的产品管理与合作伙伴关系负责人Andrew Sartorelli解释道。

“我们在这个主题上已经实验了一段时间，自从我们的3DGPT发布以来。目前的结论是，通用AI有三个主要的用例类别……对我们而言，最后这一类最有前景且发展最快，因为它最擅长利用大语言模型，也是自主/半自主行动（即AI智能体的定义）最有可能被接受的领域。”Authentise的首席执行官兼创始人Andre Wegner解释道。

IT公司富士通的一项分析显示，在制造业领域，AI智能体具有显著提高生产力、降低成本和缓解劳动力短缺的潜力。

根据富士通的说法，AI智能体通常遵循一个4步流程：感知、规划、决策和执行。特别是在制造业中，“AI智能体超越了简单的自动化。它们有望在优化工作流程和推动竞争优势方面发挥日益关键的作用。”

在研究层面，有几个项目可以帮助评估AI智能体可能具有的潜力：研究人员探索了使用多个大语言模型来监控和控制3D打印。每个LLM都充当其自己的智能体，以管理3D打印过程的不同方面。

这些将是专业化的LLM智能体。每个智能体专注于特定任务，例如检测打印缺陷、优化设置或预测哪些设置不理想。

根据该论文，这些智能体将带来3个关键优势。

在实际操作中，我们认为软件和SaaS提供商将是受AI智能体崛起影响最大的群体之一——并且需要快速适应以维持其在制造链中的价值。关键一步将是重新思考其软件架构，以启用和支持类似智能体的工作流程。

“我们确保我们的架构足够灵活，能够使用多种不同的模型（取决于公司或用例）。我们还在更加密切地关注编织数字线程，以便为这些模型使用创建足够的数据。”Wegner告诉3D ADEPT Media。

他补充提到了一个他们一直在推进的项目：“在运营ThreadsDoc的第一年，我们为波音节省了810万美元。ThreadsDoc是一款人工智能驱动的工具，它捕获增材工程数据并自动生成模板化报告。对波音而言，这些是飞行批准所需的技术数据包，其工程工作已经完成但需要撰写成文。ThreadsDoc让高技能工程师通过获得一份可供审查的草案而节省了数百个小时。”

“我们一直致力于连接‘上下文数据’的使命，因为增材制造作为一种高混合/低批量的制造工艺，仅靠传统的工业4.0数据（单一传感器数据）不足以供我们学习。因此，重点必须不仅是集成增材制造设备，还要集成后端的后处理器，以及前端的仿真引擎和其他设计工具。”Wegner在评论他们与增材制造价值链中其他软件或硬件的集成策略时指出。

谈到Synera的情况时，Sartorelli说：“我们的架构从一开始——通过自动化流程的可视化构建——就已经适合构建能够使用智能体的工作流。所以对我们来说，我们唯一真正需要做的增加部分就是集成大语言模型，本质上就是创建与智能体所需基础设施的连接。”

他补充道：“我认为，在我们看到AI智能体在工程背景下部署的地方——你可以想象这在增材制造中也是如此——流程中有很多不同的步骤、很多不同的任务，以及许多相关人员。我们现在看到的是，智能体正在执行成本核算操作或利用嵌套算法来寻找最优的嵌套、摆放方向及类似参数。智能体的好处在于，它们可以某种程度自主地处理那些工程师通常被迫通过手动点击软件来完成的平凡任务。”

智能体消除了这种负担，转而根据工程师或设计师的意图进行操作。因此，如果你没有与你用于3D打印的工程工具建立连接，那么智能体实际上无法帮助你。这就是为什么，从一开始，我们就专注于与EOS、Materialise、Cognitive Design Systems和Hexagon等合作伙伴的集成——将这些工具整合在一起。

现在，我们看到一个机会，即利用智能体来采用其他集成策略，例如新的MPP标准，使这些连接比以往任何时候都更容易。

该公司目前正在与Materialise合作，使其用户能够访问Magics SDK并部署能够自主处理从设计到打印任务的增材制造智能体。

借助可视化编辑器，工程师可以在多个复杂度级别实现自动化——从简单任务到复杂的增材制造端到端工作流，这得益于与Materialise的Magics SDK等工具无缝集成的成熟多智能体系统。

这将使用户能够为增材制造创建端到端的自动化工作流，显著减少构建失败，并确保模型在打印前得到妥善准备。

我们的评估显示，AI智能体在增材制造链中的局限性可能与数字孪生技术面临的类似：因为数字环境和物理环境之间需要真实的凝聚力和动态交互。这意味着：AI智能体应由必须流畅理解和响应信息空间与物理环境的模型驱动。

问题在于，物理环境是多变的，并依赖于许多因素，包括振动或温度的变化、材料质量或人类知识。

这或许正是Authentise首席执行官总结为“准确性”的问题：“除了你提到的那个，准确性是另一个关键点。这意味着某些用例（如全文到CAD转换）在短期内不太可能特别成功。在外部，要求有人介入环的标准也将减缓AI的部署，直到其能够被证明可交付一个可重复的过程。这需要时间。”

Synera的专家总结道：“现在真正的问题是要弄清楚AI智能体的正确用例和应用场景是什么。我认为我们不会很快看到AI智能体完全消除对人的需求。但在未来几个月或几年里，我确实期望一些常规任务会因AI智能体而消失。”

如果我们跳过设计阶段——在我看来，这仍然需要设计工程师的眼睛——那么是的，智能体将开始覆盖端到端工作流的其余部分。然而，在某些阶段，总还是需要有人介入。作为工程师、设计师和科学家，我们也必须验证他人的工作——无论‘他人’是人还是AI智能体。

关于AI智能体融入增材制造价值链，现在得出明确结论还为时过早。虽然我们将继续监测这一发展趋势，但有一点是清楚的：那些希望保持在行业前沿的人需要培养一种拥抱并与AI协同共创的组织文化。

本文档首发于《3D ADEPT Mag》2025年7月/8月刊。