天津大学材料学院 李昌兴
1. 大模型的应用
ChatGPT自2022年发布以来，人工智能大模型呈现井喷式发展，GPT4 、通义千问、Llama和Deepseek等相继问世。大模型技术迅猛发展，正深刻重构工业智能化的技术路径与应用范式。
相较于传统机器学习与早期深度学习，大模型展现出三大颠覆性价值：其一，通过“预训练+微调”范式与开源生态，将开发周期从数月压缩至数天；其二，突破单模态与短时序局限，以多模态融合与长上下文建模能力，实现设备全生命周期状态的动态感知与跨环节协同决策；其三，以端到端架构和独特的迁移能力，从原始数据到控制指令的直连映射，结合千亿级参数的涌现能力，使模型系统具备高阶认知功能。未来随着MoE架构、强化学习与迁移学习的深度结合，大模型将进一步融入PLC、MES等工业核心系统，驱动制造业从“经验驱动”向“自主决策”跃迁，为智能制造提供无限可能。
（2）Deepseek的应用
Deepseek，作为一款由中国自主研发的开源大模型，
凭借技术创新与生态协同的双轮驱动模式，为工业智能化
领域带来了极具性价比的解决方案。在数学推理、代码生成等领域表现超越同类模型（与GPT4相当）。
在算法架构创新技术架构层面，Deepseek创新性地采用了混合专家模型（MoE）与多头潜在注意力机制（MLA），实现了性能与效率的突破性平衡。这一技术突破使得 Deepseek 在保持与GPT4相当性能的同时，成本降低幅度超过 90%。开源生态构建是Deepseek 实现技术普惠的核心路径，有效破除了中小企业算力门槛，吸引了全球多达 7.8 万开发者参与协作，形成了“基础模型—垂直优化—产业落地” 的创新闭环，有力地打破了西方的技术垄断。结合知识蒸馏框架，通过知识蒸馏得到精简模型供下游应用，可以打造轻量级功能强大的模型版本，降低计算资源门槛，例如8B参数移动端模型，模型能够支持边缘设备实时处理4K图像流，支持端侧部署（如手机、教育硬件）。
Deepseek以“技术+生态”双轮驱动，通过融合专业语料库训练与物理规则嵌入，强化工业场景适用性。通过 MoE、MLA架构创新以及分布式训练优化技术，降低推理成本；采用分布式数据流水线、缓存和预取策略，优化训练算法，进行强化学习微调，弥补单卡性能不足，高效完成大规模GPU集群训练，可在垂直领域知识深度耦合从而形成技术壁垒。Deepseek的故障诊断准率较通用模型提升大幅，跨场景迁移训练周期也可以得到大幅缩短，在严苛环境下的鲁棒性实现工业级可靠性。
Deepseek积极与云服务商（华为云、腾讯云、阿里云）、行业企业（金融、医疗、汽车）合作，英伟达、AMD、微软等国际巨头主动适配，推动多领域快速应用落地。开源特性同时满足监管对可解释性的要求，主动披露训练数据与模型细节，易于通过国际标准审核。推动了全球 AI 产业格局的协同重构，标志着中国在 AI 领域正从技术应用者向规则制定者的战略转型。
目前国内多座城市如深圳、广州、呼和浩特、赣州、无锡市等在政务部门已宣布部署应用Deepseek，基于Deepseek的人工智能政务应用一体化赋能升级，华为、阿里、百度、腾讯、京东等在内的多家云平台已宣布接入Deepseek大模型，吉利、岚图、智己、长城、广汽、长安、奇瑞等约20家车企宣布Deepseek“上车”。Deepseek的快速出圈打破了大模型领域“越强越贵”的成本诅咒，实现了大模型的低成本工业化，推动了从基础研究到商业应用的人工智能全产业链变革。
随着Deepseek浪潮涌现，高校抢滩布局和本地化部署。清华大学、浙江大学、天津大学、上海交通大学、华东师范大学、东南大学、中国人民大学、武汉大学、河北工业大学等多所高校发布消息，部署和开展Deepseek的实践应用。
大模型尽管有多个专家知识库，但本身的知识存储量对于使用者来说依旧是是黑匣子，本小节主要利用对Deepseek（R1深度思考）大模型提问焊接领域的知识，观察大模型的回答情况，进而对大模型在焊接领域的推理能力有一个初步的认识。
问题1：有关海洋工程焊接结构，海洋环境下厚板中高强钢焊接在电弧焊方面存在什么问题？
Deepseek描述了海洋环境存在低温和腐蚀的影响，强调了焊接存在腐蚀与电化学失效、材料耐蚀性匹配、海洋环境下焊接缺陷放大、氢致裂纹敏感性增加、接头疲劳下降及热影响区软化、脆化和变形等问题，提出了采用Ni-Cr-Mo系的低氢高韧性焊材和窄间隙焊接工艺、双脉冲MAG焊和层间温度监控的工艺技术、超声冲击和振动的残余应力调控、Al-Zn合金化涂层和阴极保护的腐蚀防护、建立氢、氧含量光谱分析与红外热成像的在线监测系统和基于热-力-组织的多场耦合模拟的数字孪生模型的解决方案，举例了海洋平台节点焊接采用超低氢焊条（如CHE557RH）并配备150℃预热的技术及深水管道修复采用双丝GMAW的工艺。Deepseek在结尾指出了海洋环境下高强钢焊接的研究热点正从单一性能优化转向全寿命周期设计，注重焊接-腐蚀-疲劳多因素耦合机制，并积极探索机器学习在工艺参数优化中的应用，并提出了要关注国际焊接学会委员会关于海洋焊接的最新指南，以及《Marine Structures》期刊近期相关研究的建议。
Deepseek从材料、焊接工艺、环境因素等方面进行了分析，指出了海洋环境下中高强钢厚板焊接存在的主要问题，在焊接工艺、焊后处理、在线监测和模拟等多方面提出了建议和解决方案，举了海洋平台节点焊接和深水管道修复两个例子，提出了海洋环境下高强钢焊接研究热点的转变和要关注相关研究指南和期刊的建议。Deepseek的回答中还涉及到了一些相关参数和具体数据指标像焊接残余应力的调控可降低20-40%和双丝GMAW的焊接效率可达到40%的提高，这些具体数据是无从考察和验证的，大模型黑匣子的可解释性还有待进一步利用和开发。
氢致裂纹隐蔽性强、破坏力大、控制难度高，与海洋环境特性深度耦合。解决该问题需融合材料科学、力学、电化学等多学科手段，是提升海洋装备可靠性、推动深海资源开发的关键技术壁垒。基于氢致裂纹敏感性问题，再次对Deepseek追问。
问题2：鉴于海洋环境焊接，氢致裂纹敏感性是重要突出问题，对此你有好的解决方法吗
Deepseek回顾了之前对话中关于氢致裂纹的描述，强调了回答的一致性，展开论述了超低氢焊接材料选择、环境湿度管理、保护气优化、预热与层间温度控制、氢陷阱技术、热输入精细调控、微观组织改性、应力场优化、降低组织敏感性等方法，探讨了激光-MIG复合焊接、超声波辅助焊接和低温焊接的技术的可行性，推荐采用扩散氢定量检测、在线氢监测系统和微区氢分布表征的检测与监控手段，举例海洋平台齿条焊接采用ER120S-G焊丝+Ar/CO₂混合气并250℃后热和激光-MIG复合焊+超声波振动的海底管道修复两个案例，提出了从工艺验证流程和经济性平衡考量的实施建议，总结了当前氢陷阱纳米粒子设计和量子点传感器实时氢监测的前沿研究方向，建议关注《Welding Journal》相关研究及IIW Doc. IX-2523-15标准。Deepseek的回答针对海洋环境下焊接中高强钢的氢致裂纹问题，从氢来源控制、氢扩散抑制、组织敏感性降低三个维度综合施策，提出了具体且合理化的建议，尽管具体数据指标没有文献依据，但对试验展开仍有一定参考价值。在后续的问答中（本文不再展示），Deepseek对自己所给数据和文献的不准确性作出了解释，是文献和工业应用的泛化造成的，但所给出的关键词和期刊在一定程度上可以帮研究者节省部分时间。Deepseek在如今主流大模型中之所以取得一席之位，不仅仅是其开源的特性，更是凭借自身强大的模型算法和推理能力，尤其是垂直领域的简化应用，受到了当今智能制造的关注。
大模型与焊接场景的适配性是一个新兴且具有挑战性的研究方向，截至目前，焊接领域已经开始积极拥抱大模型，并取得了一定成果。
华工科技中央研究院联合武汉人工智能研究院，基于“紫东太初”多模态大模型开发了智能焊缝引导与识别检测系统。该系统融合了视觉与电弧信号等多源数据，实现了多种焊缝类型的统一识别，焊缝识别效率较传统计算机视觉算法提升50%，响应时间缩短至毫秒级。在实验室验证阶段，该系统已成功应用于激光焊接场景，显著提升了焊接路径精度与稳定性，并于2024年8月底进入产线测试。
（2）东风汽车“祝融”大模型的焊点质量检测与优化
东风汽车自主研发的“祝融”大模型通过实时采集焊接机器人传感器数据，结合清洗、去噪与标准化处理，构建了焊点质量检测与工艺优化系统，其核心技术在于利用大模型分析焊接位置、材料与工序参数间的复杂关系，动态优化焊接路径并减少漏焊、虚焊问题。该模型将焊点检测效率提升60%，单车综合成本降低近百元，累计产生经济效益约2800万元。目前，该技术已扩展至高铁、船舶等高端制造领域，并计划与一汽、长安等企业协同创新。
（3）太重集团“AI+TZCO”多模态焊接监控模型
太重集团技术中心研发的“AI+TZCO”模型集成视觉监测与电弧信号分析技术，实时捕捉熔池波动、电弧频率等关键参数，构建了焊接缺陷即时反馈机制。该模型通过海量数据训练形成精准判断准则，可快速识别焊缝内部微小缺陷，返修率降低40%，生产成本下降15%。其创新性在于将传统人工经验驱动的焊接质量控制转变为数据驱动的智能化决策，已在冶金领域厚板焊接场景中验证了高效性与可靠性，为焊接工艺的稳定性与自动化水平提供了新范式。
大模型与焊接技术的深度融合正推动制造业迈向智能化新高度。华工科技基于“紫东太初”大模型、东风汽车借助“祝融”大模型和太重集团依靠“AI+TZCO”模型等都取得了不错的成效，同时又吸引着一汽、长安等相关企业纷纷加入创新。这些案例不仅验证了工业大模型在焊接精度、效率和经济性上的突破，更标志着我国智能制造从“经验驱动”向“数据知识双驱动”范式转型。
4、焊接与大模型未来发展
国家《“十四五”智能制造发展规划》、《“机器人+”应用行动实施方案》、《中国制造2025》、《2030年前碳达峰行动方案》等都明确要求推动人工智能技术在制造场景的深度应用。未来可能聚焦三大方向：多模态融合与数字孪生的自主决策、绿色化节能增效以及跨领域协同创新。
（1）多模态感知
大模型具有毫秒级响应速度，支持长文本阅读和理解，支持融合图片、文本等多模态传感数据；利用强大的推理能力，可以解析熔池动态视频，捕捉信号瞬态特征等。对于复杂的焊接工况，大模型可自行处理，寻找规律。大模型可实现知识蒸馏，压缩模型参数规模，加快模型响应速度；还可通过强化学习机制实时优化参数，利用传感器实时数据实现焊接工艺的动态调整，使得构建更全面的焊接数字孪生模型提供可能，全面监控焊接质量。
（2）焊接的模拟仿真
在焊接缺陷样本稀缺场景下，机器人基于迁移学习框架，在仿真数据预训练后，仅需少量真实检测数据即可达到很高的准确率。同时还可以利用多模态数字孪生模型模拟复杂焊接环境，预演工艺方案，减少现场返工率。利用大模型的AR辅助系统，帮助焊工在虚拟环境中练习，通过模拟不同焊接场景，帮助焊工熟悉各种工艺和参数；还可以对焊接过程实时分析，对焊工进行实时指导。
（3）焊接大知识库自主决策
大模型内部具有上万储备知识库和多个基于强化学习的专家系统，具有该领域基本的知识储备和推理能力；能够自动解析相关领域标准文档和设计图纸的技术要求，在相关领域可实现物理定律约束，分析历史数据，建立潜在关系，构建工艺知识图谱，预测不同材料组合的焊接性能，推荐最适合的焊接材料、焊接方法、参数和机器人路径，提升焊接效率。
（4）集群智能与闭环控制
在大型结构焊接中，大模型可通过虚拟调试预测多机协作的瓶颈，提前优化焊接顺序和路径，协调多机器人任务分配工作，避免冲突；可实现监管所有机器人焊接过程，分析数据，焊接故障报错。遇到焊接信号异常，可追溯至工艺和设备故障图谱、环境类型或设备状态，做到提前时序预测，避免突发停机；同时还可结合匹配故障模式，定位问题源头，提供维护建议和代码指令，而非单纯报警，实现自适应闭环软硬件修复控制，动态调整节拍适应混线生产。此外，不同焊接机器人通过知识共享与迁移学习经验（如特殊材料焊接参数），可将数据汇聚至大模型，形成共享知识库，加速新场景适应。大模型的多机协作和工业环境数据的协同开放，可实现焊接供应链多层的管理；通过分析历史数据，预测焊接材料需求，优化库存管理，还可评估供应商表现，帮助选择最佳合作伙伴。
（5）绿色可持续制造
大模型可整合焊接能耗、材料周期等数据，联合仿真焊接工艺与结构设计，生成低碳工艺方案，提前降低材料和能源消耗，满足国家绿色发展要求。利用大模型实时监控焊接环境，还可以预防安全事故。
大模型与焊接领域的深度融合是驱动智能制造升级的关键路径，融合的必要性在于系统地解决焊接精度、效率与成本的痛点问题，为新型工业化注入创新性动能。
目前大模型的应用仍存在一些问题，实时性与算力约束仍是瓶颈。焊接场景需毫秒级响应，而十亿级参数大模型推理延迟约120ms，需通过知识蒸馏等轻量化技术优化；尽管现有AI焊接机器人精度可达±0.01mm，但在极端工况下仍需提升泛化能力；领域知识融合不足表现为通用模型缺乏相关邻域的物理约束；数据质量即焊接数据可能存在电磁噪声及标注滞后问题。随着大模型的多模态处理、小样本学习、知识泛化以及联邦学习等能力的逐渐增强，基于大模型的智能焊接技术将成为新的发展引擎。
上一篇文章：iWave智能平台超低热输入CMT AC 研究
下一篇文章：没有了