AI如何赋能复合材料行业?

但这确实是我在这个行业里看到的最实在的一件事。AI 在复材这块不缺算法，缺的是喂给算法的东西。这句话后面还会反复出现，先搁在这儿。

下面我尽量讲得具体一点。不谈概念，就讲它在车间里对应哪个岗位、干什么活、以及为什么有些活它干不了。

很多人一上来就问"AI 能做什么"。这个问题太大，答的人容易飘，听的人也记不住。

我们换个问法：如果把 AI 当成一个新招进来的员工，你能给它安排什么岗位？

答案大概有三个。

第一个岗位是质检员。它的活是"看"和"判"：看一张图、一段信号，然后告诉你这里有没有问题。技术上这叫判别，本质是从数据里认出一个已经知道的东西。

第二个岗位是工艺员。它的活是"调"和"试"：给定一个零件和一套设备，找出那组能让零件合格的参数。这叫决策，本质是在一个很大的空间里找一个好解。

第三个岗位是设计师。它的活是"造"：从一张白纸开始，给出一个之前不存在的铺层方案或者微观结构。这叫生成。

同样是招这三个岗位，放到别的行业可能三个月就上手，放到复材可能三年还在试。原因有三个，都是材料本身的脾气。

一根碳纤维单丝，直径大概七微米。一张层合板，厚度几个毫米。一个机身筒段，直径六米。

这三个尺度之间，差了将近六个数量级。

这意味着什么呢？你在显微镜下看到的现象，和你在这个构件上看到的失效，可能压根不是同一件事。模型如果只喂了微观的数据，它不认识宏观的褶皱；只喂了宏观的，它又不理解微观的界面脱粘。想让它两头都懂，就得把两个尺度的数据对起来，而这件事本身就够难了。

固化一个零件，你至少要同时管着温度、压力、真空度、升温速率、保温时间。这五样不是各自独立的，它们通过树脂流动和固化反应耦合在一起。

打个不太严谨的比方，像和面。水多了加面，面多了加水。你以为在调一个变量，其实每个动作都在改另外几个。

这对 AI 的影响是，你不能像推荐系统那样一次只动一个特征看效果。你得让模型理解变量之间怎么互相影响，而要做到这一点，需要的数据量和实验设计难度，比单变量问题高一个档次。

这一条最要命。

互联网公司训一个模型，可以爬一亿张图。复材厂想训一个模型，样本是一次固化试验。而一次固化试验的成本，模具、材料、设备占用、人工、检测全算上，从几万到几十万不等，周期几天到几周。

所以你不可能为了训模型去烧一万个零件。手上永远只有几十个、最多几百个样本。

三个岗位里，质检员是唯一已经在车间里大批量上班的。

先说它以前是怎么干的。

自动铺带机在铺层的时候，每一层铺完，都要有人盯着一排屏幕看。看有没有间隙、有没有搭接、有没有掉进去的异物、丝束有没有跑偏、有没有起皱。

这活不好干。一层层看下来人会疲劳；不同的人标准不一样，同一个缺陷，两个人可能一个判过一个判不过；而且越到后面的层，前面层的缺陷越难发现。

现在的做法，是在铺放头旁边装线扫相机，一边铺一边拍，图像实时送进模型。模型逐层识别，发现缺陷就在数字工单上打个标记，告诉下游这道工序要避让或者补片。

这件事为什么能成？我总结成四个条件，缺一个都很难推。

一是数据本来就存在。相机拍下来的图不需要额外去造，它就在那儿。

二是标签定义清晰。什么叫间隙、多少毫米算超标，工艺规范里写得明明白白，标注的人不用自己判断。

三是不碰主结构。质检的结果是判废还是返修，它不改材料本身的性能，认证上的压力小很多。

四是账算得过来。省掉的是人工和返修，采购部门能看懂这笔账。

这四条里，我觉得最容易被低估的是第三条。很多 AI 项目最后死在认证上，不是技术不行，是它动了不该动的东西。质检这一步，恰好绕开了这个雷区。

不过这里有个坑，值得单独讲。

这类系统真正的难点，从来不是网络结构有多深，是样本极度不平衡。一万张图里可能只有几十张有分层。你等于让一个只见过五十个不良品的新人，去判断所有产品。

所以真正能上产线的系统，拼的是另外几件事：数据怎么增强、少样本怎么学，以及一个很工程化的设计，叫置信度拒判。说白了就是，模型没把握的时候要主动把这活交回给人，而不是硬给一个答案。

这个岗位的价值，我觉得是目前被低估最厉害的。

先讲清楚它在干什么。

复合材料固化是要靠仿真算的。你给一组工艺曲线，升温多快、保温多久、什么时候加压，仿真软件会告诉你零件内部各处的温度、固化度、残余应力。

问题是这仿真很慢。一个厚壁件的完整固化分析，动辄几个小时。而工程上你往往要试几十组曲线，才挑得出一组能用的。

算不动。最后大家只能凭经验，从几十组里砍到三五组去试。

代理模型就是来解决这个的。

做法分三步。先用高保真仿真，把几千组工艺曲线都算一遍，攒出一个样本库。再用这些样本训一个神经网络。训好之后，你输入任意一条新曲线，它一秒钟就能告诉你结果。

你可以把它理解成一本答案手册。原来每问一次都要从头解方程，现在翻手册就行。

图 2　代理模型的三步工作流

这里得说清楚一件事，免得误会：代理模型并没有让答案变得更准，它的精度上限就是那套仿真。它改变的是另一样东西，你能问多少次。

从试三组，到试三千组，工程决策的性质就变了。以前是从能过的里面挑一个，现在是在三千个里找最好的那个。这个差别，做过工艺开发的人应该有体会。

同样的思路还能用在别处。

热压罐里的温度场和流场，用 CFD 算一次很贵，可以用代理模型快速估。RTM 和 HP-RTM 充模的流动前沿，也能这么干。再往前一步，把热电偶、介电传感器、光纤光栅的实时信号接进来，用模型反推当前的固化度和残余应力，这就是数字孪生的底子。

所以我把这一块看作主战场。它压缩的不是某道工序的时间，是整个工艺开发的周期。而复材最贵的东西，就是这个周期。

这一端最热闹，也最远。

三个方向值得看。

铺层优化。传统铺层是给每一层定一个角度，零度、四十五度、九十度这样组合。变角度铺放把这个限制打破了，纤维路径可以是连续变化的曲线。搜索空间一下子从离散组合变成连续轨迹，这正好是 AI 的地盘。

多尺度建模。树脂交联、界面行为这些东西，理论上要用分子动力学算，但算一个体系要很久。用机器学习势函数替代第一性原理计算，能把能算的规模推大一两个数量级。原来算不动的，现在能算了。

生成式结构。给它一个目标，比如又轻、又强、又能吸能，让它反过来生成一个点阵或者超材料构型。这是从挑材料往造材料走。

但这一端有个共同的障碍，而且不在算法上。

是验证。

一个新材料体系要能用，得先建立许用值。许用值怎么来？还是那套积木式试验，试样、元件、细节件、子部件一路做到全尺寸，一层层往上走。这个过程跟 AI 没关系，它慢是因为物理规律要求你这么慢。

所以在这一端，AI 能做的是帮你更快地找到候选，把十个筛成两个。筛完之后该做的试验，一样也少不了。

前面说的三个岗位，都要专门的数据、专门的模型、专门的投入。对很多中小企业来说，门槛都不低。

但有一件事门槛低得多，价值也不小。

复材企业里有很多知识，散在工艺规范、材料数据卡、失效分析报告里，还有一部分在老师傅的脑子里。一个新人要能独立判断，通常得跟着干两三年。

大模型在这里能做的，不是写文案这种表面的事，是把已有知识的查找成本降下来。

新人问，这个材料在 180 度体系下保温多久？以前要翻规范、问师傅。现在可以直接问。

出了一个问题，这种分层历史上在哪个工序出现过？以前靠老人的记忆。现在可以把几十份失效报告变成能检索的。

工艺文件和验证报告的初稿，也可以让它先起个框架。

这些事听着不酷。它不产生新知识，也不需要新知识，只是让旧知识变得随手可得。

上面讲的都是能干什么。现在讲讲为什么很多项目推不动。

第一道，数据要不起。前面说过了，这是物理决定的。缺陷样本少、失效试验贵、实验还不可重复。技术绕不过去，只能靠更好的实验设计和更聪明的建模方法去缓解。

第二道，数据对不齐。企业之间不愿意共享，行业里也没有统一的数据格式和标注规范。说得极端一点，同一台设备、不同班次采上来的数据，都可能对不齐。这件事跟算法一点关系都没有，但它卡住了很多人。

第三道，说不清楚。这是唯一一个真正的算法问题。一个黑箱模型告诉你建议用这条曲线，你没法把它写进工艺规范。适航审定要的是可追溯、可验证的证据链，不是一个百分之九十五的准确率。

第四道，换个东西就不灵。模型只认识它见过的东西。换个树脂体系、换台设备、换个模具，它可能立刻失效。这个问题的学名叫泛化，实际表现就是实验室里好好的，到了车间就不好使。

图 3　价值与成熟度的错位

把四条摆在一起看，你会发现第三道是算法问题，其余三条全是工程和组织问题。

所以复材行业 AI 的瓶颈不在算法上。算法早就够用了，缺的是数据、标准，和愿意把数据攒起来的人。

最后给一条路径。四个台阶，我建议别跳。

图 4　落地的四个台阶

第一级，先把数据攒起来。传感器布点、采集、时间戳对齐、标注规范、缺陷库。这一步听着毫无技术含量，也没有 AI，但它决定了后面有没有 AI 可做。很多企业跳过这一步直接买模型，最后都回到这里。

第二级，让模型给建议，人来拍板。质检初筛、工艺参数推荐、仿真加速，都属于这一级。这一级的考核指标，我建议定成"工程师省了多少时间"，而不是"模型准确率多少"。因为准确率再高，工程师不用，价值就是零。

第三级，模型直接调参，人监督。到这一步必须配套不确定度量化，说白了就是让模型知道自己什么时候没把握，没把握就退回人工。没有这个机制，别上闭环。

第四级，模型自己提假设、自己设计试验、自己迭代。目前只在少数科研场景成立，工业界短期内不用想。

绝大多数企业，我建议在第二级待很久。这不是保守，是因为第二级的投入产出比最高，而第三级的风险和合规成本会陡增。

还有一条，关于建模路线怎么选。

纯物理仿真，可解释、能外推，但是慢。纯数据驱动，快，但外推差、说不清楚，换个场景就崩。对复材来说比较现实的是第三条路，把物理规律和数据放在一起用。物理信息神经网络、混合建模、在损失函数里加物理约束，都是这个思路的具体做法。

图 5　三种建模范式的定性对比

回到开头那个问题：AI 该从哪儿开始？

我的回答还是那句，先看你们的数据长什么样。如果连一次固化过程里几个位置的温度都没记全，那谈 AI 还早。

但如果数据是有的，我建议从质检开始。它最容易见效，也最不容易踩认证的雷。

至于 AI 最后会带来什么，我的看法比较朴素。它不会改变复材的物理规律，也不会让试验变得不必要。它改变的是从想做走到做成之间，你要试多少次。

试的次数少了，人就能把时间腾出来，去做那些更花脑子的事，比如想清楚一个缺陷到底是怎么产生的。

这件事，目前还是得靠人。