8月上旬，加拿大多伦多大学工程学院宣布了一项引人注目的材料研发成果：由邹宇教授与Jason Hattrick-Simpers教授领衔的团队，利用AI主动学习技术搭建ALPHA-AM自驱实验室，将计算机建模、机器学习与机器人辅助制造深度融合，仅用6轮迭代、数周时间，就从镍钴铬三元体系中锁定6种可3D打印的新型高温合金。其中一款合金在1000℃下的抗氧化性能比行业标准材料Inconel 625高出85%，为航空航天、电力能源等极端环境应用的材料研发开辟了一条全新路径。
高温合金研发之难：为什么新材料发现如此缓慢
高温合金是喷气发动机、核电站蒸汽发生器等领域不可或缺的关键材料，需要承受剧烈的温度与压力波动，传统钢材根本无法胜任。目前工业界使用的高性能合金大多以单一元素为基体，例如镍基或钴基，再混入最多十余种其他元素进行性能微调。以行业标杆Inconel 625为例，它包含十多种元素，通过复杂配方实现高强度与耐腐蚀的平衡。但问题在于，成分复杂的合金体系存在海量未被探索的配方组合，仅考虑镍、钴、铬三种元素，改变任意一种元素的比例，都可能改变凝固路径、相组成、裂纹敏感性、高温硬度和氧化行为，逐一实验几乎不可能穷尽。
对增材制造而言，「性能好」还不够，还必须「能打印」。激光功率、扫描速度、送粉量、层间热积累等因素都会影响熔池稳定性、孔隙与热裂纹，一个成分优异的合金配方如果无法稳定打印，同样没有实用价值。传统试错法开发一种新合金往往需要数年乃至数十年，耗费大量人力物力，这正是材料研发长期被视为「经验科学」的根本原因。多伦多大学团队要解决的，正是这一横跨材料学与制造工艺的双重难题。
ALPHA-AM闭环平台：AI主动学习驱动的自驱实验室
ALPHA-AM平台的核心思想，是用AI替代人类完成「提出配方、制备样品、测试性能、修正方向」的整个研发循环。平台整合三条技术链路：AI主动学习算法负责从设计空间中策略性挑选最有价值的候选成分；机器人激光定向能量沉积系统负责自动打印样品；自动化表征设备负责测试并反馈性能数据。每一轮实验数据都被回灌到模型中，指导下一轮搜索方向，形成一个完整的闭环。
这一设计巧妙解决了机器学习应用于材料研发的一大痛点。团队博士生、论文第一作者Ajay Talbot指出，大多数机器学习模型需要大量已知材料性能数据进行训练，但探索全新设计空间时，这些数据根本不存在，相当于「摸黑前进」。为此团队采用数据精简模型，让算法边探索边学习，用最少的实验次数找到最优区域。在镍钴铬三元体系的验证中，仅6轮迭代便锁定了6种性能突出的新合金，将传统试错法需要数十年的工作压缩到数周完成，充分展示了主动学习策略在低数据条件下的效率优势。
6轮迭代的成果：两款明星合金性能解析
团队针对喷气发动机的不同工况设计了差异化性能目标。发动机前端温度约600℃，要求材料在高温下保持优异的抗穿刺硬度，行业标准是Inconel 625；发动机后端温度高达1000℃，考验的是抗氧化能力，即材料抵抗氧化烧蚀的能力。在实验室测试中，一种由12%镍、62%钴、26%铬组成的新合金，在超高温下保持硬度的能力比Inconel 625高出4.5%，而Inconel 625含有十多种元素，新合金却仅由三种元素构成。
另一款面向发动机后端的合金由36%镍、14%钴、50%铬组成，在1000℃下的抗氧化性能比Inconel 625高出85%，表现极为突出。研究团队表示，这些新合金只是开始，镍钴铬体系只有三种元素，在成分复杂的合金中仍属相对简单的系统，他们计划未来将目标拓展到包含10至12种元素的多元体系，并挑战1200℃的更高工作温度。相关研究成果发表于《npj Advanced Manufacturing》，同时团队还在《Journal of Manufacturing Systems》发表综述，系统梳理了机器学习贯穿金属增材制造材料选择、参数优化与过程监测各环节的研究进展与未来方向。
| 性能指标 | 新合金成分 | 对比对象 | 提升幅度 |
|---|---|---|---|
| 600℃抗穿刺硬度 | 12Ni-62Co-26Cr | Inconel 625 | 高出4.5% |
| 1000℃抗氧化性 | 36Ni-14Co-50Cr | Inconel 625 | 高出85% |
| 元素数量 | 3种主元素 | Inconel 625 | 十余种元素 |
从实验室到工业：规模化路上的挑战与路线图
ALPHA-AM的成果令人振奋，但从实验室走向工业应用仍有现实差距。目前平台单次制备仅能产出数十克样品，与工业吨级需求存在数量级差异，合金开发与规模化生产之间还需要跨越工艺放大、批次一致性、成本控制等多道门槛。值得注意的是，类似的AI驱动材料研发范式正在全球多点开花。美国卡内基梅隆大学近期启用了材料创新云实验室，配备超声波雾化系统，可在200至3500℃范围内用几十克原料定制合金粉末，将试制周期从数周压缩到数小时，与ALPHA-AM形成技术互补。
对增材制造产业而言，这一趋势的深层含义在于：合金迭代周期从年压缩到月，将倒逼粉末企业提升定制化试制能力。传统上，航空航天企业开发专用合金需要数年认证周期，而AI自驱实验室正在把「配方发现」这一环节的周期大幅缩短，后续的工艺开发与认证也将随之加速。当材料发现的瓶颈被突破，增材制造在喷气发动机、燃气轮机、核能装备等极端工况领域的应用空间将进一步打开，定制化、梯度化合金部件的按需制造也将从设想走向现实。
AI+增材制造：材料研发范式的变革方向
多伦多大学团队的工作，本质上是把材料研发从「经验驱动」推向「数据驱动」。传统模式下，工程师依赖直觉与经验设计配方，再通过漫长的实验循环验证，效率低且容易错过非传统的优秀组合；ALPHA-AM则让AI在海量组合空间中主动导航，用最少实验锁定最优区域，实现「少数几次实验就能找到别人需要几十年才能发现的好材料」。这种「AI提名、机器人制备、自动化测试」的三位一体闭环，代表了材料科学领域正在发生的范式转移。
更广泛地看，机器学习正在全面渗透金属增材制造全链条：在材料选择环节预测合金性能，在参数优化环节寻找最佳工艺窗口，在过程监测环节识别缺陷信号。当AI同时掌握材料设计与工艺控制，增材制造将从「能做出来」走向「一次做对」，大幅降低试错成本与资源浪费。邹宇教授表示，团队的目标是开发既能承受极端温压、又能逐层打印的材料，实现部件内外性能的差异化设计。随着自驱实验室在更多合金体系与更高温度范围持续推进，AI与增材制造的结合正为下一代高性能材料开辟前所未有的探索空间。
总结
多伦多大学ALPHA-AM自驱实验室以AI主动学习驱动材料研发闭环，仅6轮迭代即发现6种可3D打印高温合金，1000℃抗氧化性能超越Inconel 625达85%。当合金发现周期从数十年压缩到数周，AI与增材制造的融合正在重塑极端材料研发的底层范式。
来源：多伦多大学工程学院、3D科学谷、凤凰网科技、PowderSight