Gcode生成過程控制3D印表機擠出材料的運動和逐層構建過程，是增材製造過程中的關鍵步驟，優化Gcode對於確保最終產品的質量和減少列印時間的浪費至關重要。

ChatGPT可以在現有的Gcode數據上進行訓練，為特定的塑料材料、3D印表機和物體生成優化的Gcode，並根據列印溫度、列印速度、床溫、風扇速度、擦拭等各種列印參數分析和優化Gcode距離、擠出倍增器、層厚和材料流。

該研究展示了ChatGPT在執行與增材製造流程優化相關的複雜任務方面的能力。特別是進行了性能測試以評估ChatGPT在技術問題上的專業知識，重點是評估使用熱塑性聚氨酯聚合物作為原料的熔絲製造(FFF)方法的列印參數和床層分離、翹曲和拉絲問題。這項工作提供了有關ChatGPT性能的有效反饋，並評估了其在增材製造領域的使用潛力。

使用ChatGPT進行增材製造流程優化有可能通過提供用戶友好的介面並利用機器學習算法來提高Gcode生成過程和最佳列印參數的效率和準確性，從而徹底改變行業。此外，ChatGPT的實時優化功能可以節省大量時間和材料，使增材製造成為製造商和行業更容易獲得且更具成本效益的解決方案。

/ 開啟指數級精益化能力時代

l 3D列印Gcode的優化挑戰

增材製造(AM)，也稱為3D列印，是一個快速發展的領域，有可能在工業4.0、生物醫學、材料科學、航空航天和汽車等多個應用領域徹底改變傳統製造工藝。增材製造最重要的優勢之一是它提供的設計自由度。基於增材製造的方法使工程師、設計師和醫生能夠創建複雜的幾何形狀、定製以前使用傳統製造無法製造的產品或醫療設備，並通過消除對專用工具的需求來降低生產成本。這導致各個行業的產品定製、功能改進和重量減輕達到了新的水平。此外，增材製造的設計靈活性和敏捷性也被證明是小批量生產中的寶貴工具，使公司能夠生產少量高度定製化的產品，而不會產生高昂的加工成本。它已成為航空航天工業中必不可少的工具，在航空航天工業中，生產輕質、高強度部件的能力對於飛行效率至關重要。

近來，3D列印在個性化醫療領域也有著廣泛的應用，包括牙科、假體部件、按需醫療器械、組織器官再生支架。製造患者專用設備、控制方向和孔隙率以及結合多種合成材料和生物材料的能力吸引了許多好奇心的關注，因為它可以改善患者的治療效果和生活質量。此外，3D列印模型用於模擬手術，改善手術結果並降低風險。結果，這種技術的激增導致了許多突破性的治療方法和設備的產生。

為了以多學科方式使用增材製造，迄今為止已經採用了多種增材製造技術，例如粉末床熔融(PBF)、立體光刻(SLA)、數字光處理(DLP)和熔絲製造(FFF)。

其中，FFF技術（也稱為熔融沉積成型(FDM)）在該研究中被選中，因為它是當今最流行的增材製造技術之一。FFF是一種材料擠壓工藝，涉及逐層沉積細絲以生產三維部件。FFF技術的主要優勢之一是成本低且相對易於使用。FFF技術的另一個優勢是其使用的材料範圍廣泛。事實上，FFF技術允許使用各種類型的聚合物（例如，聚乳酸、聚對苯二甲酸乙二醇酯、聚丙烯、熱塑性聚氨酯、聚己內酯、尼龍）、回收聚合物（例如，來自玉米的聚乳酸和聚對苯二甲酸乙二醇酯），以及復合材料（例如，聚醯胺碳充電），這使得生產具有不同化學物理和機械性能的零件成為可能。

儘管3D列印技術具有巨大的潛力，但在它被認可為一種常見的製造技術之前，仍有許多重大問題需要克服。儘管具有眾多優勢，增材製造，尤其是FFF技術，仍然面臨著一些需要解決的挑戰，例如材料選擇、過程控制、支撐結構、精加工、精度和效率。其中一個挑戰是Gcode的優化，它是3D印表機用來逐層創建對象的指令代碼。

研究團隊評估了使用由OpenAI開發的一種大型語言模型(LLM)ChatGenerativePre-trainedTransformer(ChatGPT)來解決這些挑戰的潛力。特別是床分離、翹曲和串線，從而提高Gcode生成過程的效率，針對特定材料優化列印參數。選擇正確的列印參數（例如：列印溫度、列印速度、床溫、風扇速度、擦拭距離、擠出倍數、層厚度和材料流量）和Gcode生成過程是增材製造過程中的關鍵步驟，用於控制印表機擠出機的運動和逐層構建過程。

優化Gcode對於確保最終產品的質量和減少列印時間至關重要。然而，生成最佳Gcode是一項複雜的任務，需要增材製造、計算機科學和材料科學方面的專業知識。這就是ChatGPT或生成式AI-人工智慧模型的優勢，它提供了一個用戶友好的介面，可用於應對列印材料的主要挑戰並生成優化的Gcode，從而減少長時間的試錯階段以優化新材料的3D列印，從而節省材料和時間。事實上，ChatGPT可以在現有的「失敗」或「未優化」Gcode數據上進行訓練，並可以使用此信息為特定材料、印表機和對象生成優化的Gcode。此外，ChatGPT可用於根據列印速度、層厚度和材料流（僅舉幾例）等各種參數分析和優化Gcode。通過使用機器學習算法，ChatGPT可以不斷提高其性能，從之前的經驗中學習以生成更高效的Gcode，從而將越來越多的內容集成到增材製造框架中，提高製造效率和設計與性能之間的關係，並最大限度地減少成本。此外，與傳統的疲勞測試方法一起，使用ChatGPT或其他生成AI模型的數據驅動方法可用於研究和預測3D列印結構的疲勞壽命和斷裂行為。

使用ChatGPT進行Gcode優化的另一個優勢是可以在列印過程中進行實時優化。ChatGPT可以監控列印過程並對Gcode進行實時調整，以提高最終產品的質量。這可以顯著節省時間和材料，並提高印刷過程的準確性和可重複性。

鑒於此，該研究的目標側重於在執行與增材製造流程優化相關的複雜任務時對ChatGPT進行詳細分析。這包括但不限於回答開放式格式問題和調查ChatGPT在與3D列印相關的技術問題上的表現，重點是FFF列印參數的評估。此外，研究團隊的分析包括對優化和生成從頭Gcode所需的ChatGPT技能的測試，以確保最終產品的質量並減少時間和列印浪費。為此，設計了一種全面的測試方法來評估ChatGPT的輸出，包括「失敗」或「未優化」的Gcode數據以強制使用ChatGPT的功能模型。

總體而言，此工作旨在提供有關ChatGPT性能的有效反饋，並評估其在增材製造領域的使用潛力。根據研究團隊的知識，ChatGPT可以通過提供用戶友好的介面和利用機器學習算法，顯著提高增材製造方法和Gcode生成過程的效率和準確性。此外，ChatGPT的實時優化功能可以節省大量時間和材料，使增材製造成為製造商和行業更容易獲得且更具成本效益的解決方案。

圖 1. 常見的增材製造挑戰，例如層粘附、翹曲、拉絲、懸垂、列印速度和材料兼容性，以及以分層方式呈現的可能的 ChatGPT 解決方案，從最有效和最簡單的解決方案開始，逐步介紹不太常用的方法。

l 結論

該研究展示了ChatGPT在執行與增材製造流程優化相關的複雜任務方面的能力。進行了性能測試以評估ChatGPT在技術問題上的專業知識，重點是FFF列印參數的評估。結果發現，ChatGPT在其響應中提供了卓越的準確性、正確性和組織性，其解決問題的方法在解決障礙方面提供了寶貴的見解。特別是，對於翹曲、床分離和拉線等具體技術問題，ChatGPT展示了其在考慮給定信息和約束的同時提供分層和邏輯組織響應的能力。此外，它還能夠微調不同類型TPU長絲的列印參數，顯示其將長絲材料的機械性能與列印參數相關聯的能力。

此外，ChatGPT在現有的「未優化」Gcode數據上進行了培訓，以提供優化的Gcode生成過程，以避免翹曲、床分離和拉線問題。最後，進行了一項評估AI可以處理的增材製造問題深度的實驗，要求ChatGPT從頭開始生成重新優化的Gcode。

總之，該研究的貢獻是多方面的：首先，提供了對增材製造使用的見解。已經表明，對於哪些類型的問題以及增材製造的哪些領域和技術問題，ChatGPT可能有用，以及如何將其集成到3D列印工作流程中。其次，ChatGPT能夠提供分層和邏輯組織的解決方案，同時-從最有效和最簡單的解決方案開始到不太常用的方法-考慮到3D列印原料的給定信息和限制。第三，該研究發現，儘管交互有限且邊界條件明確，但ChatGPT能夠生成與當前研究一致的準確和最新的3D列印配置文件，並為兩種不同類型的列印參數微調具有不同肖氏值的TPU長絲。第四，它提供了在一系列不同的列印參數和約束條件下測試Gcode生成過程的洞察力。這可能有助於未來開發在增材製造領域表現更好的大型語言模型。最後，ChatGPT的技術專長展示了它如何能夠解決與FFF列印時間節省相關的挑戰（它能夠在一小時內優化計算多個參數，這項任務在實驗上需要大約三周才能完成）和材料，對於研究機構和行業的研發階段都至關重要。

另一方面，重要的是要指出本案例研究的可能局限性，它僅關注FFF作為增材製造工藝，而沒有研究其他增材製造工藝（例如選擇性雷射熔化、選擇性雷射燒結、立體光刻外觀），這可能有不同的優化挑戰。因此，未來的進一步研究可能會側重於ChatGPT在其他增材製造工藝中的能力，以及更廣泛的材料（即陶瓷、金屬、復合材料），以評估其在不同場景中的性能。此外，將ChatGPT集成到增材製造軟體平台中，為用戶提供實時建議和優化，可以提高增材製造流程的效率和質量。否則，將ChatGPT的性能與其他AI模型進行比較，以確定其在增材製造流程優化方面的優勢或互補性。

l 以上來源：焊接科學《全網最快！ChatGPT 在增材製造中的應用！》

/ 國內3D列印發展何去何從？

根據3D科學谷，近年來，國際上新增的創業企業，以軟體及材料企業居多，國內以設備企業居多，尤其是當行業中出現上市企業後，同質化模仿跟風的趨勢十分猛烈，資本的驅動下，企業為獲取訂單表現出兩敗俱傷的價格廝殺，損傷的是長期發展所需要的核心能力建設和研發創新基礎，短期來說這是國內3D列印企業發展的巨大挑戰與威脅。中期來說，3D列印發展模式已經發生本質的改變，依賴經驗為主的模式發展遇到產業化瓶頸，中期將淘汰大量同質化缺乏核心競爭力的企業。

ChatGPT掀起了國內對人工智慧時代的高度重視，根據3D科學谷的市場觀察，如今，我們已經習慣於看到 AI 接管越來越多的任務——不僅在我們的日常生活中，而且在醫療應用或工業生產中。人工智慧的發展取得了很大進展。現在可以通過人工智慧預測生產中的組件故障或從圖像中提取信息以在幾分之一秒內執行干涉任務。複雜的人工智慧開發的深度數字孿生如何推動3D列印進入生產，

3D科學谷白皮書

讓一台機器來接管 AM 中的一些質量保證任務，這聽起來有些離譜，根據3D科學谷的市場觀察，事實證明，在 AM增材製造工作期間收集的監控數據的問題與離線測試（例如 CT 掃描或超聲波測試）收集的數據有很大不同。離線測試數據表征最終 AM增材製造零部件的特性，而監控數據僅表征構建的特定層的特性。

在增材製造中，仍然非常需要降低所生產零件的成本。這與可能由數十萬個層層加工組成的過程的有關。根據3D科學谷的市場了解，離線 CT 測試不僅會增加總體成本，而且還會限制幾何形狀，因為零件必須具有適當的形狀才能進行掃描和測試。如果通過智能過程中監控和測試來取代離線監測，這開闢了新的空間，並可能降低總體成本。

2023年3月20日，領先的3D 列印行業質量保證軟體供應商Sigma Additive宣布擴大與 3D 列印軟體和服務解決方案全球領導者 Materialise 的合作，通過集成 Sigma Additive的PrintRite3D 為增材製造 (AM) 用戶提供自動化質量控制，質量保證解決方案，新的軟體解決方案融入 Materialise Process Control。

Sigma 的 PrintRite3D 套件提供過程中數據，包括來自熔池的熱數據、屈服層數據，使用戶能夠更快地找到缺陷的根本原因。

根據3D科學谷，國內目前的3D列印，尤其是金屬方面依靠大量的試錯來探索最佳的製造方案，這在進入到規模量產的時候遇到了極大的成本和發展速度挑戰，而複雜的金屬3D列印勢必要「裝上人工智慧的大腦」才能獲得真正意義上的產業化發展。

根據3D科學谷，國內即使是頭部的3D列印企業，尤其是複雜的金屬3D列印領域，將面臨巨大的發展挑戰，3D列印設備將裝上「人工智慧的大腦」，而大腦從何而來？是用尚且不存在的「內腦」，還是用國際上已經持續十多年厚積薄發開發出的「外腦」？是否應該用更平和的心態去對待「外腦內用」？行業是否能繼續前行，在人工智慧驅動的指數化精益能力進化到來的前夕，3D列印進入到產業化發展將不僅取決於自主創新實力，更取決於如何彌補國內基礎研究短板，包括建立與國內生態圈的合作能力，包括建立與國際軟體企業的合作共贏能力。

國際上通過AI來進行增材製造加工質量控制的商業化公司目前包括以色列的printsyst，美國的addiguru，德國的nebumind，以及瑞士的Nnaisense 等。包括之前提到的Materilalise的Materialise Process Control，這些將作為第一梯隊3D列印設備的人工智慧大腦，驅動實現首件即合格的進入產業化的範式轉變。

3D科學谷白皮書

那麼下一步，是否國內目前的設備將大量的採用國際上的過程質量控制解決方案呢？一方面是人工智慧在以指數級的進化速度改變3D列印現狀，推進該技術成為智能製造的主流技術，一方面是國內欠缺的數據共享基礎建設，在共享數據的基礎上開發標準，在共享數據的基礎上驗證軟體開發。

此外，還考驗中華民族從傳統上對大國重器在硬體層面上的重視切換到包括對軟體的重視上，考驗中華民族傳統上商業文化中甲方乙方不平等的地位切換到生態圈平等同創的合作文化上。

軟體的發展需要極度寬容的長期主義者文化，Sigma這樣的軟體解決方案企業目前還處於嚴重虧損狀態。10年前，美國國家標準與技術研究院-NIST孵化和支持了Sigma這家企業，至今Sigma的市值約480萬美金，每股0.45美金，每股虧損0.9美金。

在這方面，3D列印領域，國內發展自主軟體產業，需要產業化基金的支持。

NIST支持的另外一家與數據和人工智慧相關的企業是Senvol ，Senvol 最初於 2019 年 11 月發布了 Senvol ML 機器學習作為一種分析工具，用於理解增材製造過程中產生的數據。它是一個模塊化的集成計算材料工程 (ICME) 系統，可將數據分為四個模塊：工藝參數、工藝特徵、材料特性和機械性能。Senvol的機器學習有著雄厚的數據基礎，3D科學谷嘗試使用了Senvol資料庫查找鈦合金金屬粉末3D列印材料供應商。系統給出的結果十分豐富，其中包括了每家主流廠商提供的材料牌號，加工工藝名稱，該工藝所加工的零件所能達到的拉伸強度，拉伸模量，斷裂伸長率等等。

滿足嚴苛的適航部件需求，這意味著用戶可以使用 Senvol ML 機器學習的結果來預測材料或過程的性能，從期望的結果（如抗拉強度）查看哪些過程或材料將使他們達到目標，甚至建議用戶應該收集哪些數據，以便更好地了解該過程。

總體來說，基礎研究的重要性正在顯現，業界將回歸基礎並找到重要的東西。譬如，也許可以找到更好的控制濕度或氧化的方法，這對銅來說更為重要，這重回歸基礎的需求將開始滲透到其他材料中，將把製造者帶回科學，試圖了解什麼是真正重要的。

根據ACAM亞琛增材製造中心，3D列印-增材製造的發展將推動數字材料技術進步，多材料列印的進步，確保大幅減少增材製造新材料設計、開發和取得資格所需的時間和成本。該領域包括開發新的和新穎的計算方法，如基於物理及模型輔助的材料性能預測工具；開發對計算機預測進行驗證所需的通用基準數據，以及針對材料性能表征的新思路，有助於為每一個新的增材製造材料-工藝組合開發設計循環。

根據3D科學谷，數據與算法的重要性正在掀起3D列印行業的自我革命，是增材製造走向智能製造的跨時代金礦與賦能工具。