36氪首发 | 浙大系桌面CNC团队获商汤国香、首形科技等近亿元天使轮，要用AI技术降低制造门槛

作者 | 张子怡
编辑 | 袁斯来
硬氪获悉，桌面级CNC（数控机床）企业「奇塑科技」于近期完成近亿元人民币天使轮融资。本轮融资由商汤国香、首形科技、全新世、奇绩创坛共同投资。本轮资金将主要用于桌面级CNC软硬件产品的研发、量产以及后续的市场营销。
在消费级3D打印机和激光雕刻机已完成大众市场教育，并诞生了诸如拓竹、xTool等多个头部企业后，能够实现“从软材到硬材强三维加工”的CNC产品，被视为消费级制造领域的下一片万亿蓝海。
早在2018年行业普遍聚焦3D打印赛道时，奇塑科技团队就已将目光投向CNC领域。在创始人夏楠看来，CNC是制造业最基础、通用性最强的加工方式，覆盖的场景比3D打印更广，拥有万亿级的产业底盘；如果能用AI重构CNC的制造范式、降低门槛，将进一步拓宽CNC的使用场景，甚至下沉到普通用户的桌面端。这会改变全社会的生产模式，释放极大的增量价值。
当前，市面上已涌现出数家消费级CNC初创公司，资本也争相涌入。企业共同面临的问题是：如何降低CNC使用门槛。这是工业界花费几十年也未解决的难题。
具体来看，第一个难题，使用CAM软件极其复杂。CAM即计算机辅助制造（Computer Aided Manufacturing），是将三维模型转化为数控机床可识别加工指令的核心环节，直接决定加工的精度、效率与可行性，是CNC操作链路中技术门槛最高的部分。用户完成一个零件的工艺设计需要配置几十甚至几百个工艺参数。
第二个难题，CNC工艺考验经验。师傅需要在大脑中排布众多复杂的变量：如何装夹、用什么刀具、加工参数如何配置等等，这高度依赖个人实操经验。
夏楠告诉硬氪：“工厂里培养一个能熟练使用CNC的师傅需要3到5年。即使是985毕业的工程师，想要精通CNC也得全身心投入至少半年时间。”
在夏楠看来，解决CNC门槛的最佳方案就是AI CAM——把复杂的工艺知识内化到系统中去，给每一台机床配一个AI老师傅。
自2018年起，奇塑科技开始AI CAM的研发工作。起初他们遇到最大的问题就是缺少数据。在传统CNC行业，加工工艺知识多以口传心授的方式传承，未能形成可沉淀的数字资产，也难以快速迁移。此外，真实加工场景的复杂度远超预期，即便拥有多年经验的师傅，也会时常遇到未曾接触过的全新案例。这也就构成了AI CAM软件的核心研发难点——如何将分散、依赖个人经验的工艺知识数字化，并转化为可沉淀、可复用的推理决策模型。即使是海外头部工业软件厂商，至今也未形成完全成熟的全自动化方案。
为了掌握工艺知识，奇塑团队深入一线积累了数千小时实操经验。为了积累工艺数据、并在真实场景中验证，奇塑科技自建基于AI CAM的柔性工厂，通过真实接单生产的方式构建数据闭环，持续迭代算法模型。
硬氪了解到，奇塑科技的AI CAM系统，核心能力主要体现在两方面：
第一，简化了操作流程，消除专业学习门槛。传统的CAM是“人去适应软件”，需要用户具备系统的加工工艺知识，手动配置上百项参数。奇塑科技将交互逻辑反转为“软件适配人”——用户只需导入模型，软件会将复杂的数控编程收敛为极简的三步：工艺生成、预览、加工，无需使用者掌握专业加工知识与编程能力，软件会告诉用户需要做什么。
第二，高场景覆盖率，配套完整数据支撑。依托团队积累的数十万份真实加工模型数据，该系统算法持续学习升级。借助底层创新的AI CAM架构和决策模型，整个生成过程无需人工干预。系统数据覆盖大量“Corner Case（边缘案例）”可支撑工艺方案的快速生成，提升用户使用体验。
奇塑科技基于多年自研的AI CAM系统，计划在今年Q4正式上线其首款桌面级五轴CNC。产品会有标配的自动换刀（刀库）、自动对刀、全封闭防尘静音舱体以及1500w大功率主轴，并在AI CAM系统的支持下，实现“端到端”的易用性。
团队背景方面，奇塑科技核心团队来自浙大计算机和机械系。成员均为十年以上硬核Maker，涉猎过外骨骼、3D打印机等多个硬件领域，且拥有数十万台量产经验。
随着个性化制造与快速迭代需求的增长，桌面级制造设备的应用边界正在持续拓展，桌面级CNC赛道也将迎来更多市场参与者与技术迭代
CEO对谈：
硬氪：2018的时候，为什么会选择进入CNC这个赛道？
夏楠： 我们当时的判断是，制造业的数智化、普惠化是长期确定的方向。而CNC是制造业最基础、通用性最强的加工方式，对应着万亿级的产业底盘。几乎所有产品的制造过程都直接或间接涉及数控加工。如果能重构CNC的制造范式，把工业级的加工能力下沉到更广泛的场景甚至桌面端，能释放巨大的增量价值。
硬氪：团队一直在从事AI+CNC相关工作，在自研AI CAM相关技术上，最大的难点在哪里？
夏楠： 核心难点在真实制造场景的复杂性。传统制造业里，加工工艺知识多以口传心授的方式传承，未能形成可沉淀的数字资产，也难以快速迁移。再加上真实加工的变量太多了，哪怕是老师傅，也会碰到从没见过的全新案例。想要把这些分散的、依赖个人经验的工艺知识，转化成可沉淀、可复用的决策模型，难度极高。海外头部工业软件厂商深耕该领域数十年，也仍未形成完全成熟的全自动化方案。
这个领域需要真正的长期主义。AICAM要在真实场景中大量验证迭代才能成熟，这个过程是急不来的。比如，我们有一个算法是在2021年写的，直至2024年底，其稳定性才满足规模化落地的要求。整个研发过程依赖长期的技术沉淀与场景验证。

来源：36氪