洞察｜超越ChatGPT，机器学习如何提高增材制造的生产力

ChatGPT 充分发挥了人工智能 (AI) 的优势。在短短两个月内，它就达到了 1 亿用户。在网上和媒体上，公众正在分享使用聊天机器人自动化工作、检查代码和创建内容大纲的示例。它还引发了大量提供人工智能功能的新产品。

所有这些是否构成重大的技术飞跃？ AI 是否已成为一种真正有用的工具，或者这只是炒作周期的另一个高峰，就像我们过去看到的那样？

ChatGPT 只是 AI 发展领域在过去十年真正达到临界点的众多创新之一。

在 Oqton，我们一直在应用机器学习模型来实现制造自动化。我们从第一天起就是一家 AI 公司，我们有一个专门的 AI 团队，致力于在 AI 可以真正发挥作用的领域巧妙地使用 AI。

五年前，当我创办这家公司时，我相信我们正处于人工智能成为提高生产力的工具的边缘——而不仅仅是一个噱头。这正是我们今天所看到的。
除了 ChatGPT，我们现在能够可靠构建的 AI 能力水平将改变我们经济的方方面面。使用添加剂技术的制造商已经从 Oqton 的 AI 中获得了巨大的回报。

Oqton 一直在与牙科、医疗和工业领域使用一系列技术的组织合作，从机器人技术到 3D 打印和 CNC 铣削。我们的 AI 背后的一般原则和这个街区的新孩子，如 ChatGPT 和 Bard，是相似的。让我们来看看它们是什么。

什么是人工智能、机器学习和神经网络？

用最简单的话来说，机器学习是人工智能的一个子集，它使用在数据上训练的算法来生成可以执行复杂任务的模型。抛开所有的炒作，它归结为类固醇的统计数据。考虑一个具有 2000 亿个参数而不是两个的非线性函数。

当今最流行的机器学习应用程序（如 ChatGPT、OpenAI 的图像生成器 DALL-E 和自动驾驶汽车）的主力是神经网络。这种类型的机器学习模型由神经元组成——一种在 1960 年代左右发明的统计算法。 “神经元”这个名字来自当时人们对大脑工作方式的有限了解。

神经网络特别擅长处理数据中定义不明确的模式，例如语音识别、图像识别和对书面语言上下文的理解。凡是模糊、嘈杂或未精确定义的地方，神经网络就会大放异彩。

在机器学习领域，您会听到深度神经网络或深度学习这个术语。大约在 2010 年，英国研究员 Geoffrey Hinton 提出了拥有多层神经网络的想法，从十几层到 50 层神经元。

科学家们找到了有效训练这种神经网络的方法，并了解到它们具有非常强大的表示能力。从本质上讲，他们发现将神经网络做深比做宽要有效得多。

机器学习进步的另一个重要因素是计算能力。模型需要处理大量信息。

计算机科学家仅在最近几十年才能够实现这一目标。他们利用最初为图形渲染而构建的 GPU，并发现它们也可以是非常强大的架构，可以有效地优化非常大的数学函数。

但诀窍是利用这个可以做任何事情的功能，并为制造业等高价值领域构建数据集。

忘记算法，重要的是数据集

机器学习的基本原理是在数据集上训练算法。它们包括数以千计或数百万为单位的示例，我们会为其添加标签。例如，对口语录音进行注释就是标注。

您将数据集提供给算法，它使用函数的旋钮以最佳方式近似数据。

所显示的是，当数据集足够大时，这些技术可以推广。该算法在一个数据集上进行训练，并学习该数据的结构。然后，您可以将其应用于看不见的数据点并获得良好的预测。

在 AI 中，数据集决定一切。这些算法本身都是开源的，Facebook、谷歌和微软等顶级公司的主要研究实验室都发布了他们的代码工作。因此，每个人都有相同的算法。真正重要的是您拥有多少数据以及数据的质量。

当然，您是否可以处理它。培训 ChatGPT 的电费约为 1000 万美元。数以千计的 GPU 必须连续计算数周，才能让模型按照它的方式执行。

CAD的问题

虽然神经网络在数据中定义不明确的模式时表现出色，但它们在精确度方面却很吃力。以 DALL-E 生成的图像为例。从远处看，他们看起来很明智。如果你放大，你会发现它们充满了荒谬的东西——有六个手指的人，奇怪的面孔……它并没有得到完全正确的数字。

虽然这种精度的缺乏在语言中并不总是很明显，但它是经常使用 CAD 的增材制造中的一个主要障碍。机器学习模型很难处理 CAD 几何图形，因为它的定义非常精确。

在 Oqton，我们使用了很多关于几何的深度学习模型，我们发现让它们在网格、体素或点云上工作比在 CAD 上工作要容易得多。在 CAD 模型中，您有一个设计树。如果您在根音符处有最小的错误，您将在设计树的其余部分为此付出代价。然而，在网格中，一个顶点的错误不会破坏整个模型。

这正是我们投入巨资让深度学习模型在 CAD 上运行的原因。很难达到这种精确度，但这正是很多价值所在。

自动化制造中的重复性任务

我们将人工智能（特别是机器学习）应用于制造的主要原因是获取用户的知识，并利用它来自动执行重复性任务。

要了解制造自动化是什么样子，我们只需要看看钣金行业。它的自动化程度令人难以置信，而且在过去的 20 年里一直如此。如果您订购钣金件，您会在五分钟内得到报价。订单进入钣金车间，ERP 将自动生成嵌套并将它们推送到可用的机器上。

然而，其他行业——如增材、焊接和机械加工——还没有达到自动化的那个阶段。

这就是 Oqton 创意的来源。人工智能可用于使制造空间的其余部分达到与钣金相同的自动化水平，这将大大提高生产率并促进创新。

就目前情况而言，组织正在努力满足市场需求。批量越来越小，对定制和个性化产品的兴趣越来越大，新产品推出时间越来越短。每个新批次都意味着工程师或技术人员需要准备数据以重新打印或调整工作流程。

很难找到知道如何为五轴铣削和金属 3D 打印的先进机器编程的熟练工人。与此同时，现有员工经常被困在重复性的手工工作中。通过将重复性工作自动化，员工可以专注于解决问题。

推进制造的垂直化方法

Oqton 的制造自动化方法是创建一个单一的 MES、物联网平台——制造操作系统——捕获所有正在生产的零件的完整数字线程。此信息成为 AI 用于自动化的数据引擎。

我们首先专注于金属和聚合物 3D 打印，我们决定逐个垂直解决这个问题。我们没有为所有行业开发单一软件，而是为特定细分市场创建了最佳自动化功能。

每个垂直领域都有相似类型的几何形状，我们可以为这些几何形状训练人工智能，并将其应用于该领域的所有组织。我们从

基于人工智能的自动化已经到来

一些大型制造企业组织已经在使用

重塑制造业

回顾过去十年人工智能解决方案的进展以及我们在牙科行业取得的成果，我坚信人工智能正在成为我们这个时代的决定性技术。

这已经酝酿了很长时间，并且有一些错误的开始，但我们现在就在那里。我们现在可以可靠地构建的 AI 能力水平将彻底改变我们经济的每个部分。

制造业正处于下一波自动化浪潮的风口浪尖，人工智能在其中发挥着至关重要的作用。就像 PC 改变了办公环境和工厂的管理方式一样，人工智能正在改变生产工作流程并加速创新。

想要深入了解我们如何使用 AI？阅读我们