摘要:

综述 ● 开放获取阅读更多

1.文章导读

随着现代制造业对极端精度要求的不断提升，精密制造装备设计的复杂性已超越传统设计方法的能力范围。传统经验驱动的设计方法在面对高维参数空间、复杂多学科耦合效应和动态性能预测需求时表现出根本性局限，使得试错迭代优化过程效率低下且无法实现最优解。智能设计通过人工智能与传统工程工作流程的融合为克服这些局限提供了新途径，但从理论概念向制造实践转化仍面临三大关键技术瓶颈。近期，浙江大学谭建荣院士团队在《极端制造（英文）》上发表了题为《AI-Driven Design: Powered by Large Language Model and Intelligent Computation》的重要观点文章，深入分析了设计数据稀疏性与异构性、生成式设计幻觉现象以及数值仿真精度-效率权衡等核心挑战，并提出了“知识-生成-仿真”一体化智能设计生态系统发展路径，为精密与极端制造装备的技术突破提供有力支撑。

2. 图文解析（创新研究/研究亮点/研究进展）

图1展现了从制造需求到AI驱动设计解决方案的完整转化过程。其中左侧为推动制造装备设计变革的三大需求：制造精度（对设计精度的需求）、设备升级（对设计速度的需求）和极限制造环境（对设计可靠性的需求）。这些不断演进的制造要求驱动着向AI驱动智能设计解决方案的转型。

三阶段迭代工作流程的创新突破

“知识-生成-仿真”一体化的智能设计发展路径包括三阶段循环迭代的智能设计工作流程，每个阶段都体现了深度技术融合的创新特色。

阶段一：方案生成 - 通过大模型与设计知识的深度融合，整合设计规则、经验和约束条件，实现快速创新的设计解决方案生成。图中显示了用户需求如何通过大模型与设计知识的深度融合，经过迭代、推理、演化过程，最终生成包含设计图纸和结构设计文档的解决方案。

阶段二：模型生成 - 实现AI与CAD/CAE系统的深度集成，充分考虑几何约束、装配关系和制造工艺要求，将解决方案智能转化为精确的CAD/CAE模型，进而确保生成的3D模型具备制造可行性。

阶段三：性能仿真 - 采用物理-数据融合技术实现高保真计算和实时优化。系统整合传感器数据、仿真数据和物理机制，通过物理深度融合数据的核心引擎，提供高保真计算和实时计算能力，最终输出详细的仿真结果和分析报告。

这一循环过程通过持续的指导、验证和优化反馈回路，实现从制造需求到优化设计解决方案的智能化转换，该观点体现制造设计从人工主导的迭代过程向自主协同创新系统的根本性进化。

图1 制造驱动的智能设计系统架构

3. 总结与展望

这一智能设计体系为推动制造装备设计从传统经验驱动向AI驱动的范式转变提供解决思路，重新定义产品开发范式，有助于人类创造力与机器智能在制造场景中的深度协作。未来，该技术体系将继续推动制造业变革，为精密制造和极端制造环境提供全面解决方案，加速智能设计应用前沿的发展。