
如今的制造业广泛依赖于各类机械技术,其中包括已经拥有超过一个世纪的成熟技术方案,以及各类前沿创新型工具。以加法与减法制造、计算机辅助设计与制造(computer-aided design and manufacturing,简称CAD/CAM)以及激光制造等流程为代表的技术方案,使得制造类企业得以更好地响应市场需求的快速变化。
增材制造(Additive Manufacturing,简称AM)是指导通过材料分层堆叠的方式构建产品; 其亦被广泛视为3D打印的同义词。不过二者之间仍然存在一定区别:前者往往部署于规模化制造环境当中,而3D打印则更多以消费者为中心且与创客活动有关。这方面的实例包括制造具有复杂几何开关的部件,这类部件往往很难通过传统生产工艺进行制造。
增材制造的另一种用途在于快速原型制造(rapid prototyping,简称RP),其中的各零件或组件的比例模型可在全面投产之前进行试验性制作。快速原型制造技术的发展,使得小批量生产高质量零件成为可能,且成本仍然处于合理范围之内。
与增材制造直接相关的技术为计算机辅助设计(computer-aided design,简称CAD),其负责为增材结构提供必要的几何数据。由CAD软件生成的三维渲染结果以及由扫描仪生成的二维平面,皆可作为此类数据的基础。
当然,CAD也被广泛应用于其它制造流程当中。计算机辅助制造(简称CAM)就使得CAD工艺更进一步,能够利用软件控制机床对金属等刚性原材料进行切割及成型——这一过程亦被称为“加工”。由于加工技术一般涉及对受控材料进行多余部分消除,因此被统称为减法制造。
图:机械技术间对应关系的实例。金属部件顶端视角的CAD模型,该部件由0.5毫米厚的不锈钢材料通过激光切割制造而成。
激光制造技术也已经在加法与减法制造领域占据有一席之地。一部分最早的3D打印技术即基于立体光刻技术(stereolithography,简称SLA),这是一种发明于上世纪八十年代中期的增量制造系统。其利用此外激光固化光聚合物,进而形成制造物体的各层。如今的制造行业正在利用选择性激光烧结(selective laser sintering,简称SLS)与选择性激光熔化(selective laser melting,简称SLM)等扩展性技术应用——二者皆通过融合粉末材料以形成坚固的结构。
激光器的减少制造应用的历史更为悠久,且目前仍得到广泛使用。激光加工的例子包括常见于板材、结构与管道材料的激光切割;用于外科手术管材等医疗器械的激光钻孔; 以及在汽车工业中得到大量应用的激光焊接锁孔制造技术。
Epilog的光纤激光器系列设备亦可改变金属等材料的外观。通过控制加热与冷却,激光将可形成光滑且闪亮的表面效果——行业亦将此称为激光抛光或镜面处理。此类应用包括建筑标牌与高端标签。此外,在利用激光将金属加热至接近熔点,而后进行缓慢冷却时,这一退火过程将可产生彩虹般的标记。该项技术常被用于制造人体内使用的医疗设备。
Epilog FiberMark等激光器亦可实现真正的加工技术,例如以受控蚀刻方式去除目标材料的特定部分。蚀刻属于一种浅雕刻工艺,在制造业中常用于生产带有序列号、徽标或条形码的工具及零件。
从这份简短的清单可以看到,现代制造业所涉及的机械技术种类繁多、用途各异。此外,这些技术亦常被联系在一起——某一技术的发展亦会推动其它技术的进步。虽然前景尚有待观察,但其发展潜力无疑是巨大的。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。