如今的制造業(yè)廣泛依賴于各類機械技術,其中包括已經擁有超過一個世紀的成熟技術方案,以及各類前沿創(chuàng)新型工具。以加法與減法制造、計算機輔助設計與制造(computer-aided design and manufacturing,簡稱CAD/CAM)以及激光制造等流程為代表的技術方案,使得制造類企業(yè)得以更好地響應市場需求的快速變化。
增材制造(Additive Manufacturing,簡稱AM)是指導通過材料分層堆疊的方式構建產品; 其亦被廣泛視為3D打印的同義詞。不過二者之間仍然存在一定區(qū)別:前者往往部署于規(guī)模化制造環(huán)境當中,而3D打印則更多以消費者為中心且與創(chuàng)客活動有關。這方面的實例包括制造具有復雜幾何開關的部件,這類部件往往很難通過傳統(tǒng)生產工藝進行制造。
增材制造的另一種用途在于快速原型制造(rapid prototyping,簡稱RP),其中的各零件或組件的比例模型可在全面投產之前進行試驗性制作??焖僭椭圃旒夹g的發(fā)展,使得小批量生產高質量零件成為可能,且成本仍然處于合理范圍之內。
與增材制造直接相關的技術為計算機輔助設計(computer-aided design,簡稱CAD),其負責為增材結構提供必要的幾何數(shù)據(jù)。由CAD軟件生成的三維渲染結果以及由掃描儀生成的二維平面,皆可作為此類數(shù)據(jù)的基礎。
當然,CAD也被廣泛應用于其它制造流程當中。計算機輔助制造(簡稱CAM)就使得CAD工藝更進一步,能夠利用軟件控制機床對金屬等剛性原材料進行切割及成型——這一過程亦被稱為“加工”。由于加工技術一般涉及對受控材料進行多余部分消除,因此被統(tǒng)稱為減法制造。
圖:機械技術間對應關系的實例。金屬部件頂端視角的CAD模型,該部件由0.5毫米厚的不銹鋼材料通過激光切割制造而成。
激光制造技術也已經在加法與減法制造領域占據(jù)有一席之地。一部分最早的3D打印技術即基于立體光刻技術(stereolithography,簡稱SLA),這是一種發(fā)明于上世紀八十年代中期的增量制造系統(tǒng)。其利用此外激光固化光聚合物,進而形成制造物體的各層。如今的制造行業(yè)正在利用選擇性激光燒結(selective laser sintering,簡稱SLS)與選擇性激光熔化(selective laser melting,簡稱SLM)等擴展性技術應用——二者皆通過融合粉末材料以形成堅固的結構。
激光器的減少制造應用的歷史更為悠久,且目前仍得到廣泛使用。激光加工的例子包括常見于板材、結構與管道材料的激光切割;用于外科手術管材等醫(yī)療器械的激光鉆孔; 以及在汽車工業(yè)中得到大量應用的激光焊接鎖孔制造技術。
Epilog的光纖激光器系列設備亦可改變金屬等材料的外觀。通過控制加熱與冷卻,激光將可形成光滑且閃亮的表面效果——行業(yè)亦將此稱為激光拋光或鏡面處理。此類應用包括建筑標牌與高端標簽。此外,在利用激光將金屬加熱至接近熔點,而后進行緩慢冷卻時,這一退火過程將可產生彩虹般的標記。該項技術常被用于制造人體內使用的醫(yī)療設備。
Epilog FiberMark等激光器亦可實現(xiàn)真正的加工技術,例如以受控蝕刻方式去除目標材料的特定部分。蝕刻屬于一種淺雕刻工藝,在制造業(yè)中常用于生產帶有序列號、徽標或條形碼的工具及零件。
從這份簡短的清單可以看到,現(xiàn)代制造業(yè)所涉及的機械技術種類繁多、用途各異。此外,這些技術亦常被聯(lián)系在一起——某一技術的發(fā)展亦會推動其它技術的進步。雖然前景尚有待觀察,但其發(fā)展?jié)摿o疑是巨大的。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。