各位老师下午好，我是[名字]，这位是我的搭档[搭档名字]。我们都是来自港大，专注于制造业的AI落地。今天很荣幸能来这里，和各位分享我们在AI+硬件研发上的一些实践和思考。

在开始之前，我想先问各位一个问题：过去一年，有没有因为设计规范遗漏、图纸标注错误、或者选材失误，导致过模具返工？一次返工，直接成本2到5万，交期延误2到3周。而这只是看得见的成本。水面之下，是反复沟通、重复设计、知识流失这些更大的隐性损失。我们今天要探讨的，就是怎么用AI，从源头减少这些问题。

我们先从选材说起。这是结构工程师非常熟悉的场景：拿到一个模糊需求，比如‘外壳耐摔、医疗级、白色高光’。要把这些翻译成‘缺口冲击强度、ISO 10993认证、可配色PC’，这个过程全靠个人经验。然后，还需要在多个平台之间来回搜索、比对物性表、确认法规。选完料，还要发邮件等供应商回复，确认交期、最小起订量。整个过程，快则两三天，慢则一周。而且，如果新工程师经验不足，选错了料，到试模才发现，前期设计全部推倒重来。

我们的想法很简单：让AI来当这个‘材料参谋’。输入自然语言需求，AI自动翻译成技术参数，跨平台搜索，秒级匹配。而且它会自动标记风险点——比如‘这个牌号模垢风险高’、‘这个不耐伽马射线’。工程师不再需要翻一下午物性表、切换五六个网站。这是我们AI选材平台的界面，目前已经跑通了20多种工程塑料的数据。远期我们还可以扩展供应商寻源、灭菌衰减曲线预测等功能，但今天我们先把核心搜索能力做扎实。选好材料之后，就进入了结构设计环节。这也是我们今天要重点聊的。

结构设计完成后，出2D工程图是每个工程师绕不开的活。一个复杂零件，3D建模可能半天就完成了，但出图标注要花2到3天。手动投影视图、逐条标注尺寸和公差、编写技术要求，这些工作重复、机械、枯燥。而且越枯燥，越容易出错。一个配合尺寸漏标，模具加工出来才发现装配干涉，模仁烧焊降面，一次返工就是几万块。这是每个工程师都不想遇到、但又很难完全避免的情况。

所以，我们想做一套‘AI设计质量门禁系统’，包含两个核心功能。第一，AI自动标注。它学习迈瑞的标注规范，一键完成90%的尺寸和公差标注。工程师不需要从零开始，只需要花1小时校对微调。第二，AI设计规则审查。它把企业的设计规范变成算法规则，自动检查壁厚、拔模角、筋厚比、尖角、螺丝柱R角等等所有特征，在评审前就把低级错误消灭掉。

我给大家演示一下。

（现场Demo演示）

1. 打开准备好的3D模型

2. 点击“AI自动标注”按钮，10秒内完成标注

3. 点击“AI设计规则审查”按钮，5秒内标出所有违规项（红色高亮）

4. 鼠标悬停一个红色区域，弹出说明：“螺丝柱根部R角缺失，规范要求R≥0.5mm”

工程师原来花3天的标注工作，现在1小时校对即可完成。原来靠经验评审才能发现的设计问题，现在一键可查。

（备用方案：如果现场网络不稳定，我们准备了截图版本。）

这就是我们一期要落地的核心能力。接下来，我们继续走完一个零件的旅程，看看后续环节还有哪些痛点，以及我们中长期的扩展方向。

结构设计完成后，进入CAE仿真验证。一个医疗外壳的模流分析，前处理加求解可能需要半天到一天。求解完成后，CAE工程师需要长时间盯着一堆云图，逐一判读熔接线、困气、翘曲风险。经验不足的工程师，可能漏掉一些隐藏的风险点。比如这个困气区域，非常隐蔽，人工审阅容易忽略，结果试模时出现烧焦，模具需要增加排气镶件，又是一万多的返工费。这是我们预先录好的效果：AI自动审阅仿真结果，用红圈标出所有疑似缩痕、困气、过度翘曲的高风险区域，并生成初步问题清单。未来可以直接嵌入CAE工作流。

CAE通过后，进入模具设计。一个复杂的医疗外壳，可能有7个倒扣、3个深腔、12个外观面。分型面怎么设计？斜顶怎么排布？水路怎么走？这些高度依赖模具老师傅的空间想象力和经验。新人根本不敢碰。而且，模具评审现在基本靠截图和手绘圈注，意见散落在邮件、微信里，和3D模型对应不上，容易遗漏。一个倒扣该不该加滑块，来回吵三天是常事。

T0样品打出来后，进入全尺寸测量。CMM导出的报告，通常几百行数据。工程师需要对着2D图纸，一条一条比对，找出哪些尺寸超差了。这个过程极其枯燥，而且容易看花眼。更关键的是，超差尺寸和3D模型上的位置，全靠工程师的空间想象力来对应。

（播放动图演示）

这是AI尺寸报告解读官的效果。它自动抓取CMM数据，把测量结果直接映射到3D模型上。超差尺寸红色高亮，鼠标一点就看到实测值和标准值。工程师从‘看Excel脑补’变成‘看3D模型直观判断’，5分钟就能定位所有问题点。

最后一个环节，量产注塑。试模时的工艺参数，很多工厂还是手写记录，或者存在本地的Excel里。三个月后产品出问题，想回溯当初的验收状态，根本找不到完整数据。这就是典型的数据孤岛——数据有，但散落各处，无法追溯。

这是我们已有的注塑拍照软件。技术员用手机拍一张注塑机屏幕的照片，AI自动识别所有工艺参数，生成结构化的记录表格，并且可以绑定二维码，后续扫码就能查到这批产品的完整生产档案。这个工具已经在深圳的模厂测试过，效果非常好。

好，我们刚走完了一个零件从选材到量产的全旅程。六个环节，六重痛点。虽然表现不同，但根源一致：我们的研发质量，太依赖个人经验和手工操作了。老师傅的经验在脑子里，设计规范在手册里，历史案例在硬盘里。这些知识，没有被系统化地组织起来，变成人人都能随时调用的智能底座。

基于这个统一的根因，我们设计了‘智脉’这套架构。底层是统一的数据底座，把材料数据、设计规范、历史案例、工艺参数全部结构化。中间层是五大AI引擎，提供知识检索、视觉识别、自动生成、协同对齐、规则校验这些通用能力。上层是六大场景应用，按需组合调用这些引擎。

但我们不打算一步到位。我们建议分三期走。一期，聚焦设计环节，做AI设计质量门禁系统。这是最独立、最能快速见效的切入点。二期，扩展到CAE、模具、检验环节。三期，贯通全流程，形成完整的数据追溯链。

关于技术架构，我们采用经典的三层架构。数据层负责从各个系统抽取和处理数据；引擎层是我们的核心，包含了知识、视觉、生成等五大引擎；应用层则以CAD插件、Web和移动端的形式，无缝集成到用户的工作流中。

数据安全是我们的首要原则。我们承诺所有系统都将进行私有化部署，确保数据100%保留在客户内部。模型训练和推理是分离的，训练过程在隔离环境中完成，最终部署的是轻量级的推理模型，既保证了效率，也确保了安全。

（根据现场提问展开）我们的模型训练流程是一个持续迭代的闭环。首先，我们会将贵司的设计规范数字化。然后，从历史数据中提取特征来训练模型。模型初步训练后，会由资深工程师进行验证和反馈，我们根据反馈持续优化。这个过程会不断重复，直到模型达到预期的准确率标准，然后才会部署上线。