上周，我們給大家隆重介紹了小米在2024年開年后公布的第一件大事——那就是雷總為小米工程師們頒發(fā)的“百萬美金技術(shù)大獎”，獎勵在重大技術(shù)創(chuàng)新項目中做出關鍵突破工程師團隊！

而今年的百萬美金大獎，更是花開兩家，他們分別是“一體化大壓鑄”技術(shù)團隊以及“小米澎湃OS”技術(shù)團隊。

今天，我們有幸邀請到了榮獲桂冠之一的“一體化大壓鑄技術(shù)”團隊，和大家一起聊聊這個被稱為“工業(yè)巨獸”的“一體化大壓鑄技術(shù)”到底有哪些過人之處，并分享一下團隊在研發(fā)過程中經(jīng)歷的那些小故事。

01

化繁為簡

全棧自研大壓鑄

各位老師們好。首先祝賀大家拿下了開年大獎！去年年底，小米的第一款車小米SU7正式亮相，全自研“一體化大壓鑄技術(shù)”更是抓人眼球?？梢栽偃娴刂v講，讓我們更了解它嗎？

你好，很開心能在這里和大家去分享“一體化大壓鑄技術(shù)”。眾所周知，在2020年底，特斯拉開創(chuàng)了“一體化大壓鑄技術(shù)”，在學術(shù)界和工程界都引起了激烈反響和爭議，有贊同的有反對的，當時甚至反對者居多。當時小米已決定要做車，大壓鑄技術(shù)的出現(xiàn)，也讓小米在思考，我們要不要研發(fā)大壓鑄技術(shù)？可取之處又在哪里？

當時我們判斷大壓鑄會是趨勢，效率特別高，但是投資大，難度高，而且成本比傳統(tǒng)工藝更是貴上不少。深思熟慮后覺得，小米手機就是從傳統(tǒng)機到智能機的方向發(fā)展著的，手機的零部件也經(jīng)歷了“化繁為簡”的過程。而現(xiàn)在車的硬件發(fā)展趨勢也是往高度集成化的路線走，可以說和一體化大壓鑄技術(shù)“高效集成化、高性能化”的發(fā)展理念不謀而合。最終，我們下決心自己建廠自己研發(fā)“一體化大壓鑄”技術(shù)。為了確保萬無一失，我們團隊一次性定制了三套方案，大壓鑄AB組，再加一套傳統(tǒng)沖壓方案，三套同時做，來保證交付。

在確定走這個方向后，就開始構(gòu)思整體的設計方向、制造方向。這是一條無人指引、從0到1的探索之路。隨之而來的問題是：怎么設計產(chǎn)品？什么樣的材料能滿足產(chǎn)品需求？這樣的材料需要什么樣的工藝去實現(xiàn)？什么樣的裝備能保證這樣的工藝穩(wěn)定生產(chǎn)？一系列的未知困擾著我們，怎么辦？

02

一百天，兩百萬

驗證大壓鑄方法論

汽車，于小米而言意義重大，那這條充滿挑戰(zhàn)的造車之路我們該怎么走呢？

有一個很現(xiàn)實的問題，我們沒有設計理論指引、沒有可用的材料在手。所以，一步一腳印、踏踏實實地正向自研才是最合適的道路。

要知道，一體化大壓鑄件最大特點就是大，急需解決的問題是，在面對零件巨大，材料流動長度長的情況下，設計材料工藝裝備的核心技術(shù)點是什么？基于此背景下，我們團隊決定在開始正式試驗之前，先規(guī)劃一個“小”試驗。并創(chuàng)新性地研究出了一套超長流程的“材料-結(jié)構(gòu)-工藝-性能”的試驗方法。正向閉環(huán)的開發(fā)邏輯指的是什么？其實就是從0到1，用第一性原理，回歸事件本質(zhì)從技術(shù)的底層邏輯拆解和推導。

為了驗證該方法是否可執(zhí)行，我們還做了一個長達100多天的探索性試驗研究，期間費用投入達200多萬去驗證這個邏輯和方法論是否正確。當時正值病毒爆發(fā)的高峰時期，很多區(qū)域都被封控。為保證項目順利推進，大家都選擇住在試驗工廠。也得益于公司對底層技術(shù)研發(fā)的大力支持，我們通過縝密的試驗方法摸清楚了一體大壓鑄件的“材料-結(jié)構(gòu)-工藝-性能”的基礎技術(shù)特點和變化規(guī)律。

這套科學的方法論，有效地指導后續(xù)大壓鑄件的結(jié)構(gòu)設計、材料自研和制造工藝及設備開發(fā)。值得一提的是，該項方法論在科技成果鑒定中獲得國際領先，也被一些高校和車企所學習。我也相信在公司對底層技術(shù)研發(fā)的大力支持下，能讓預研、發(fā)掘技術(shù)路線，專項研究等，有了落地到實際場景中的更多可能性。

03

可循環(huán)合金材料

邁步碳中和

在探索出一套完整的正向設計的方法論后，下一步是做什么呢？

自研材料。我們在調(diào)研完市面上大壓鑄的主要材料后，覺得不符合想要做“碳中和”的理念，于是確定了小米的合金材料走“高強高韌可循環(huán)免熱處理”的技術(shù)多功能復合路線。這就有了一個全新的難題，當時供應商的合金都不符合我們的工程要求，而項目預留的時間甚至不到一年，該怎么辦？

小米材料團隊與國家級材料重點實驗室合作，基于計算熱/動力學及其驅(qū)動的AI學習方法進行材料開發(fā)。首先進行小米自己的熱力學相圖數(shù)據(jù)庫搭建，構(gòu)建了基于目標成分的多元、高精準數(shù)據(jù)庫，解決了計算材料學基礎問題；然后進行高質(zhì)量性能數(shù)據(jù)搜集，有文獻報道的，我們仔細篩選；沒有文獻報道的，我們做試驗、補充數(shù)據(jù)?；诓牧铣煞?、工藝、組織、性能之間的隱性構(gòu)效關系，通過圖像識別，小樣本學習，預訓練+微調(diào)范式等搭建等AI軟硬融合探索，最終自研了多元材料的AI仿真系統(tǒng)，并經(jīng)多輪調(diào)試迭代趨于成熟。

在數(shù)以萬計的模擬仿真實驗中，小米強大的“AI”能力功不可沒。在成分的搜索范圍內(nèi)，小米自研的“Material Expert Ensemble”模型在極短時間內(nèi)，預測出1016萬種配方的性能，從而篩選出最適合小米技術(shù)路線的“小米泰坦合金”。為了早一點調(diào)配出最合適的配方，工程師哪怕是在出差途中，也得千方百計地找一個相較安靜的地方進行“加密”對話。

用一個網(wǎng)絡熱詞，可以說全員“卷王”。小米泰坦合金的順利誕生，最終也讓小米成為國內(nèi)唯一擁有可量產(chǎn)自研合金材料的汽車廠商。

04

精密制造“工業(yè)巨獸”

有了科學的方法論和自研的材料，一體化大壓鑄制造是不是可以啟動了？

是的，整個壓鑄的關鍵流程可以分解成4步：

首先熔煉原材料，保持品質(zhì)、溫度的情況下精確定量供應鋁液；

9100噸壓鑄機和閉環(huán)溫控設備集群，保證產(chǎn)品瞬間壓射成型；

100秒左右完成產(chǎn)品多工序、自動化處理，完成生產(chǎn)；

對產(chǎn)品進行質(zhì)量檢測。

一體化大壓鑄技術(shù)存在很多制造難題，小米完成了大壓鑄全套流程及標準自研：包括60個設備，并能精密控制433個壓鑄工藝參數(shù)。為改善鋁液轉(zhuǎn)運過程中產(chǎn)生的溫降和吸氫導致的產(chǎn)品預結(jié)晶、氣孔、夾渣等質(zhì)量問題，小米創(chuàng)新開發(fā)應用了鋁液全封閉自動傳輸系統(tǒng)，實現(xiàn)了鋁液品質(zhì)的提升。創(chuàng)新性提出了產(chǎn)品中心、模具中心、壓鑄機中心、壓射中心、頂出中心的“五心合一”的壓鑄系統(tǒng)設計。它能夠解決模具漲型不均衡、設備大杠偏載、模具頂針卡死等問題，降低壓鑄機故障率、避免鎖緊系統(tǒng)非平衡磨損、保障大壓鑄設備的穩(wěn)定運行。

保障產(chǎn)品質(zhì)量，需要控制產(chǎn)品成型過程模溫動態(tài)平衡。在100秒左右的的生產(chǎn)節(jié)拍內(nèi)，模具溫度先后經(jīng)歷700℃鋁液的加熱、7℃冷卻水的降溫以及噴涂、空氣冷卻的影響，模具溫度的動態(tài)平衡、模具溫度的控制速度以及控制精度是產(chǎn)品成型質(zhì)量的主要影響因素之一。為此，小米自研了閉環(huán)溫控設備集群，包含水溫機、油溫機、模冷站、熱成像儀、模具內(nèi)參數(shù)檢測等設備，通過232個回路的精確控制和自動監(jiān)測形成閉環(huán)控制，保障了產(chǎn)品質(zhì)量的穩(wěn)定性。

05

AI賦能工業(yè)硬科技

2023年，小米科技戰(zhàn)略升級為（軟件×硬件）??，將AI技術(shù)看作一種生產(chǎn)力。AI 在壓鑄中是如何應用的？

前面有提到泰坦合金材料，在1060萬種配方中成功篩選了適合小米一體化大壓鑄的材料。大家可能會認為有數(shù)據(jù)、訓練模型就能預測了。其實不是的，在材料中的進展困難重重：

首先，計算材料是一個交叉學科，對于AI工程師來說，最大的挑戰(zhàn)是材料領域知識不足。我們向高校的老師請教、向小米材料專家請教，查閱文獻，大模型輔助設計，快速補齊專業(yè)知識。小米一直強調(diào)真誠、熱愛的價值觀，兩個領域的同事配合的非常融洽、高效。

其次，對于訓練AI模型來說，業(yè)務數(shù)據(jù)太少了。在材料成分之外，基于熱力學數(shù)據(jù)庫引入了很多組織、凝固過程等數(shù)據(jù)作為先驗知識。同時利用預訓練+微調(diào)的大模型方法，用數(shù)量較多、質(zhì)量較低的仿真數(shù)據(jù)、文獻數(shù)據(jù)進行預訓練，用很少、但質(zhì)量高的真實實驗數(shù)據(jù)進行微調(diào)。

最后，希望探索空間能更大，我們設計了外推評價體系，用多種策略和模型增強外推能力。可以說在這次的材料打磨中， AI 能力真切的賦能了生產(chǎn)，通過 AI 能力仿真建模，預測配方結(jié)果。最終實現(xiàn)了從1016萬種配方當中，研發(fā)出了“小米泰坦合金”。

由于一體化大壓鑄工藝相較于沖壓工藝，產(chǎn)品良率低。壓鑄過程完成后，需要對整個零件進行全方位檢測，在高質(zhì)量標準下，需要精準識別出毫米級缺陷。人工檢測會存在個體差異性和主管判斷情況，不同檢測員對缺陷定義、標準有所不同。同時還存在長時間檢測帶來的疲勞和注意力問題。基于AI技術(shù)，通過多個專家共同對齊標準、標注樣本，通過AI技術(shù)實現(xiàn)缺陷檢測，能夠融合多個專家經(jīng)驗、減少主觀差異、進而提升效率、效果。

目前AI采用的目標檢測技術(shù)，是從海量樣本中訓練模型，識別有固定特征的目標，且通常目標較大，比如人臉識別、人形識別等。但是將主流目標檢測技術(shù)，應用在一體化壓鑄的缺陷檢測當中存在著重重困難。比如：不同與互聯(lián)網(wǎng)數(shù)據(jù)，工業(yè)生產(chǎn)中可使用數(shù)據(jù)量少，缺陷樣本也很少；工業(yè)產(chǎn)品制造過程中受工藝的影響，裂紋、變形等缺陷種類多；缺陷的判定沒有明確的標準和規(guī)范，標注困難；工業(yè)缺陷檢測關系到實際生產(chǎn)，誤檢、漏檢都不允許發(fā)生，檢測結(jié)果要求極高。

因此，團隊采取了基于專家知識的視覺大模型標注和檢測技術(shù)，通過專家知識引導大模型進行數(shù)據(jù)預標注，突破了傳統(tǒng)AI模型對于大量人工標注的依賴關系，解決了缺陷數(shù)據(jù)標注難的問題；通過自研的正負樣本缺陷檢測算法，在數(shù)據(jù)量少的情況下，分別學習缺陷/非缺陷樣本特征，結(jié)合專家知識進行高效融合預測，突破了少樣本場景下模型性能瓶頸限制，實現(xiàn)了工業(yè)場景中誤檢和漏檢的嚴格把關。

審核編輯：劉清