西班牙IMDEA材料研究所与美国劳伦斯伯克利国家实验室（LBNL）联合开发出一套人工智能算法，可在理论上完全相同的制造设备之间识别行为差异，并据此为每台设备匹配对应的优化策略。相关成果已发表于期刊《Advanced Engineering Informatics》，于2026年7月22日公开。研究直指自动化制造领域长期存在的难题：同品牌、同型号的设备实际表现并不一致，这种偏差在3D打印农场等并行生产场景中会层层累积，最终放大为批量缺陷。

该系统的运行逻辑分为两步：先对每台设备执行诊断评估，建立独立的性能画像；再通过统计分析量化设备之间的变异程度。若判定设备足够相似，则施加联合优化策略；一旦检测到显著差异，就转为逐台单独优化，以精度优先于共享效率。团队用三台理论上同型号的3D打印机完成验证，算法识别出可测量的差异，并判定三台设备均需独立优化。分布分析与散度指标支持这一结论：打印样件的密度估计在设备间呈现明显分离，成对散度值偏大，说明每台打印机各自处于不同的输出状态。采用单机优化后，收敛速度显著加快，打印件重量误差相比"一视同仁"的处理方式大幅下降。

对金属增材制造产业链而言，这项工作的价值在于把"设备个体差异"从经验判断变成可量化、可调用的数据。研究人员将其形容为批量生产的机器也有自己的运行"个性"，系统学习这些差异并加以利用，判断该把它们当作团队还是个体对待。这既提升精度，也通过避免无效实验节省资源，被视作通向全自动实验室与工厂的关键一步。对依赖多机并行交付的打印服务商，这意味着工艺参数库需要从"按型号"细化到"按机台"。

对粉末采购商的价值：① 在评估新粉末批次前先量化机台间偏差，否则粉末性能差异与设备个体偏差会混为一谈，导致误判。② 向供应商索取跨多台设备的验证数据，而不只是单一机器上的密度或力学结果。③ 为打印件重量与密度等关键指标建立单机基准档案，把批次一致性判断建立在设备偏差已知的前提上。