Il mondo della stampa 3D potrebbe essere sul punto di compiere un salto qualitativo significativo grazie all'intelligenza artificiale. Un team di ricercatori del Dipartimento di Ingegneria Meccanica della Carnegie Mellon University ha sviluppato un sistema che sfrutta modelli linguistici di grandi dimensioni (LLM) per monitorare e correggere in tempo reale gli errori durante il processo di stampa additiva. La soluzione, riportata da TechXplore, si distingue per un aspetto cruciale: non richiede l'addestramento di modelli personalizzati, ma utilizza semplicemente ChatGPT-4o in versione base, rendendola potenzialmente accessibile e scalabile per il settore manifatturiero.
Nonostante la produzione additiva abbia rivoluzionato l'industria manifatturiera, soprattutto per prototipi e prodotti personalizzati, i tassi di errore rimangono un problema significativo. Prusa3D ha documentato che circa il 7% delle stampe sul suo sistema MMU2S falliscono completamente, mentre un ulteriore 19% richiede intervento manuale senza necessariamente interrompersi. Questi numeri evidenziano un divario competitivo rispetto ad altri processi produttivi: se negli anni '80 un tasso di fallimento del 5% era considerato accettabile nel manifatturiero, oggi lo standard si attesta intorno allo 0,1%.
Per gli utenti domestici o hobbisti che gestiscono una o due stampanti, la supervisione costante può essere gestibile. Ma quando si passa a scenari di produzione su scala industriale, con batterie di stampanti in funzione simultanea, il problema diventa critico sia in termini di efficienza che di costi operativi. La necessità di controllare fisicamente ogni stampa rende la tecnologia additiva meno competitiva rispetto a processi consolidati come lo stampaggio a iniezione o la lavorazione CNC, dove l'automazione completa è già realtà.
L'approccio adottato dal team della Carnegie Mellon rappresenta un cambio di paradigma nell'applicazione dell'intelligenza artificiale alla manifattura additiva. Invece di sviluppare e addestrare LLM specifici su enormi dataset di immagini di stampe fallite e riuscite, i ricercatori hanno progettato prompt strutturati generalizzati che permettono a ChatGPT-4o di interpretare lo stato della stampante e intervenire quando necessario. Questo metodo elimina le barriere tecniche ed economiche tipiche dell'implementazione di sistemi di machine learning personalizzati.
La semplicità di implementazione costituisce il vero punto di forza del sistema. Le aziende potrebbero integrare questa soluzione senza investimenti massicci in infrastrutture di addestramento AI o nell'acquisizione di dataset proprietari. Inoltre, essendo basato su un modello commerciale ampiamente disponibile, il sistema può beneficiare automaticamente dei miglioramenti continui che OpenAI apporta a GPT-4o, senza necessità di aggiornamenti manuali o riaddestramento.
