卡内基梅隆大学（Carnegie Mellon University）机械工程系的研究人员近日开发出一套系统，利用多个大型语言模型实时监控并修正3D打印机的运行状态。尽管增材制造技术已彻底改变了制造业格局，尤其在定制化产品和原型模型领域，但大多数3D打印机仍容易出错。
例如，Prusa3D公司表示其MMU2S设备约有7%的打印任务完全失败，另有19%需要用户干预（虽未彻底失败）。这意味着用户必须持续关注打印过程以确保一切按计划进行。对于仅运行一两台设备的家庭用户和业余爱好者而言，这可能不是大问题，但若将其用于规模化生产，这就成了显著障碍。
虽然全球尚无统一标准，但早在20世纪80年代，许多制造商就将故障率目标设定在5%左右。而如今的标准已接近0.1%，这意味着7%的故障率会造成惊人浪费，使得3D打印在质量竞争力上逊色于其他制造工艺。
为解决这一难题，卡内基梅隆研究团队部署了四个专用大型语言模型智能体，并由一个监督智能体统筹协调以实现优化。首个智能体是视觉语言模型，它在每层打印完成后拍摄照片，并分析打印质量与缺陷。随后另一个智能体检查当前打印机设置，确定需要调整或改进的环节以解决已发现的问题。这些信息被传递至解决方案规划智能体，由其制定可执行方案。最终由执行智能体通过API与3D打印机交互，实现预期结果。所有四个智能体均由监督智能体管理，确保所有信息的相关性与时效性。
该系统的关键突破在于无需依赖基于专业数据集训练的自定义大型语言模型，仅使用基础版ChatGPT-4o配合团队开发的领域特定通用结构化提示即可高效运作。这使得提升3D打印性能与效率的实施路径更为简洁。机械工程系副教授阿米尔·巴拉蒂·法里马尼（Amir Barati Farimani）指出：“未来属于自适应系统。将大型语言模型集成到3D打印流程中代表着重大进步。随着模型演进，它们处理更丰富多模态数据的推理能力将释放更大潜力。当前这项工作为真正智能自主的制造系统奠定了基础，有望实现前所未有的精度与可靠性水平。”
若此项技术获得广泛采用，未来3D打印机上的摄像头或许将不再用于人工监控，而是接入大型语言模型控制闭环。但在那个未来到来之前，打印失败和塑料“面条”乱象仍需依靠人工监测与干预来避免。
