什么叫用杠杆炒股
一项技术在实验室里做成了，距离真正的产业化还有多远？
吕佳欣给出的答案是：中间隔着的，不只是更大的设备。
“在实验室里，我们主要回答原理成不成立；推动产业化以后，要回答它能否稳定复现、是否经济和安全。”
她所研究的多筒挤压技术，最初带着一种工程师式的“野心”——让小机器也能“干大活”。
传统挤压设备能够制造的型材宽度和壁厚存在明显边界。高速列车或磁悬浮列车使用的壁板可能超过 2 米宽，传统方法却往往只能先制造多个小零件，再通过焊接、螺栓或铆接拼装。与此同时，制造一件约 600 毫米宽的构件，可能就需要万吨级挤压机，设备投资和能耗都相当可观。
多筒挤压试图改变这一点：让多股坯料同时流动，在高温高压下实现在线界面固相结合，最终形成完整的复杂构件。
但真正困难的部分，往往发生在技术走出实验室之后。原料会有批次波动，设备温度会随季节和生产节奏变化，模具会磨损，客户还要考虑成本、良率、认证和交付周期。少数研究人员能够手工调试成功的实验装置，必须变成普通工程人员也能稳定操作的设备、软件和标准流程。
在这个过程中，科学家有时还要充当“救火队员”和“翻译官”：前者要先解决产线上的燃眉之急，后者则要把老师傅口中的“一点点厚”，翻译成机器能够识别的具体参数。
吕佳欣本科和硕士就读于同济大学航空航天与力学学院，之后在帝国理工学院机械工程系完成博士及博士后研究，现任香港理工大学工业及系统工程学系研究助理教授。她长期研究高强轻质合金复杂结构件的先进成形与智能制造，并参与推动多筒挤压从原理、工艺和装备走向工业生产线。
2026 年 7 月，31 岁的吕佳欣入选 2025 年度《麻省理工科技评论》“35 岁以下科技创新 35 人”（TR35）中国区名单，被评为“发明家”。她的入选理由是开发了多筒挤压宽幅成形技术，使过去需要分段拼焊的超宽薄壁轻合金构件能够实现一体化制造。此前，核心技术已许可产业方广东轻量金属科技有限公司，推动建成了一条 6,500 吨工业级宽幅挤压生产线。
围绕这项技术的形成、工程化和产业应用，她谈到了制造边界如何限制产品设计，科学家为什么必须学会“救火”，以及工业 AI 的第一步为什么不是训练模型，而是先把“脏数据”和老师傅的经验变成可计算的知识。
以下是 DeepTech 与吕佳欣的对话。
“我希望用小机器，干比大机器更大的活”
DeepTech：先从你的研究经历谈起。你本科和硕士学习的是航空航天与力学，博士阶段进入机械工程，现在又把研究延伸到了工业 AI。如果由你自己来概括的话，你会怎样定义自己现在主要在做的事情？
吕佳欣：我本科和硕士就读于同济大学航空航天与力学学院，之后在帝国理工学院机械工程系完成博士和博士后研究，现在在香港理工大学工业及系统工程学系任研究助理教授。
我的研究主要围绕高强轻质合金复杂结构件的先进成形和智能制造展开。一方面，我关注材料在复杂制造过程中如何流动。如果涉及多种材料，还要研究它们的界面如何结合、微观组织如何演化。另一方面，我希望基于对这些机理的理解，开发新的制造工艺、模具和装备。
多筒挤压是其中一项比较有代表性的工作。我们从产品需求出发，提出一种新的成形方法，再逐步完善与之配套的模具和装备，目标是实现超宽、超薄轻合金构件的低载荷一体化制造。
最近我们也在拓展工业数据、数值模拟与人工智能的结合，希望提高模具设计和工艺开发效率，再通过 AI 反过来解决工艺放大过程中出现的新问题。
DeepTech：你为什么会选择轻量化制造这个方向？
吕佳欣：有一点“命运使然”的感觉。
我从小数学、物理比较好，本科又进入了航空航天与力学学院。“轻量化”这个词，是从那时起逐渐在我心里扎根的。
飞机和航天器对重量非常敏感。我们上课、实习，包括去飞机制造企业参观时，大家一直在谈减重。刚开始可能只是不断听到这个词，后来才逐渐理解它为什么重要。
我慢慢意识到，限制产品进一步轻量化的，往往不只是材料，而是制造能力。设计师希望构件更薄、更轻，但现有工艺做不出来。比如，壁厚如果能够减薄一半，理论上就能实现非常明显的减重，但制造能力可能不允许你把它做得那么薄。
所以我逐渐形成了一个认识：突破制造边界，实际上是在释放产品设计的可能性。它能够让交通装备和城市基础设施更轻，也能让能源使用更加可持续。当我真正理解这件事的重要性以后，就有了持续研究这个方向的动力。
DeepTech：所以，“轻量化”是贯穿了你从本科到博士阶段的一个词。
吕佳欣：对。最开始肯定比较模糊，本科阶段主要还是通过课程了解工程世界是什么样的。后来慢慢发现，轻量化很重要，而很多轻量化目标又受到金属制造能力的限制，我才开始有意识地往这个方向深入。
DeepTech：这次入选 TR35，评选理由重点提到了多筒挤压。你刚才也反复用了“突破制造边界”这个词。那么，这项技术最初瞄准的是哪一条边界？
吕佳欣：博士期间，我在林建国院士带领的团队中研究金属制造，后来逐渐聚焦到挤压。我当时觉得，传统挤压非常“笨重”，就是字面意义上的笨和重。
“笨”是指它能够制造的尺寸和壁厚非常有限。比如，一台设备能够制造的型材宽度可能只有 600 毫米左右，壁厚也很难低于 2.5 毫米。但高铁或者磁悬浮列车使用的壁板，宽度可能超过 2 米。现有方法无法直接制造这样的完整构件，只能先做出多个小零件，再通过焊接、铆接或者螺栓连接拼起来。
“重”是指载荷、能耗和设备投入都很大。制造一件约 600 毫米宽的构件，可能需要万吨级挤压机。这类设备的投资很高，能耗也很大。
传统逻辑是，小机器干小活，大机器干大活。我们当时一直在想，能不能让小机器也干大活，甚至干比所谓“大活”更大的活？
这背后其实是客户需求与现有制造能力之间的不匹配。我们先从产业现场定义这个问题，再寻找技术突破口。
DeepTech：但从“希望小机器干大活”到提出一种新原理，中间显然还有很长的距离。你当时是怎么找到突破口的？
吕佳欣：博士期间有一个很大的好处，就是可以用大量时间专心研究一个问题。
最开始还没有所谓的多筒挤压。我先做了大量文献调研、材料实验和数值模拟，研究高铁中常用的 6 系铝合金在成形过程中的宏观和微观演化规律。
我们团队很重视用数值方法量化这些规律。比如建立材料本构方程，再进行宏微观跨尺度仿真。当你真正理解材料怎样流动、微观组织怎样演变以后，就能判断改变过程中的哪一个环节，可能降低挤压力和能耗，或者突破宽度和壁厚的制造边界。
在理解这些机制以后，我们提出了“多坯料协同流动与在线界面固相结合”的原理。基于这个原理，再逐步发展与之适配的工艺、模具和装备。某种程度上，到了那一步，突破口是水到渠成的。
DeepTech：多坯料协同流动具体是怎样实现的？
吕佳欣：简单来说，传统挤压通常只有一根圆柱形坯料，通过载荷和模具控制材料流动，让它最终变成所需的截面。
多筒挤压则是让多股坯料同时流动。在高温高压的环境下，这些材料会汇合。虽然它们仍然是固体，但在这种状态下有点像橡皮泥，界面能够发生原子扩散和固相焊合，最后结合成一个整体。
之后，我们再继续控制材料流动，使它在出口形成目标截面。
核心变化就是，我们不再只控制单根坯料，而是同时控制多股材料协同流动，并在成形过程中完成在线界面结合。
DeepTech：既然多股坯料可以共同流动，一个很自然的问题是：坯料是不是越多，能够制造的构件就越宽？还是说，坯料数量、能耗和最终产品长度之间，也存在一个必须计算的平衡？
吕佳欣：理论上，坯料数量可以继续增加，但数量越多，需要控制的结合界面也越多。与此同时，单根坯料的直径会变小，长度和体积也会随之减小，一次能够挤出的型材长度可能就不够。
比如，高铁构件可能要求一次挤出几十米。按照体积守恒，坯料的总体积必须达到相应要求。
所以，我们最早还没有做实验平台时，就进行了理论计算。横坐标是坯料或者料筒的数量，纵坐标一边是挤压力，另一边是一次挤压长度。我们希望挤压力越小越好，同时一次挤出的长度又尽可能长，两者之间会出现一个平衡点。
经过实验平台验证和后续产业化试制，我们逐渐找到了相对合理的配置。在部分产品上，可成形宽度能够达到传统方法的 3 倍以上；生产同类产品时，所需挤压力可以降低约 70%—90%。
DeepTech：不过，多股材料即使在高温高压下结合，内部仍然会留下纵向焊缝。这应该是多筒挤压最容易受到质疑的地方：看上去成为了一个整体，但连接处的强度真的能够接近原始材料吗？
吕佳欣：一定会有焊缝，因为这是在线结合形成的纵向焊缝。最初做原理验证时，这也是我最关心的问题。
我们先做了双试样热压缩实验：把两块试样放在一起，在一定温度下进行压缩，使它们结合，再取样测试拉伸性能和微观组织。通过这些实验，我们建立了温度、变形量与焊缝质量之间的量化关系。
后来做多筒挤压试验时，我们从刚挤出的料头开始，沿着型材不断取样。料头部分的焊缝质量确实不好，拉伸时会在焊缝处发生明显的脆性断裂。
但是进入稳定挤压阶段以后，大约距离料头 80 毫米的位置，试样就不再从焊缝处断裂，而是表现为正常的塑性断裂。它的强度和延伸率与母材已经非常接近。
通过实验确认这件事以后，我们才敢继续做工程放大。
“实验室回答原理，产业化回答稳定、经济和安全”
DeepTech：听下来，我有一个很明显的感觉：你并不是在技术已经成熟以后，才开始思考它有没有市场，而是从定义问题时就把产业化放进去了。也就是说，它从一开始就不是一个只为发表论文而设计的研究？
吕佳欣：对。我们团队一直强调，科研问题要来自产业需求，而不是自己拍脑袋想一个问题。
所以在多筒挤压还只有一个概念、没有设备和实验结果时，我做的第一件事并不是写论文，而是先申请专利，并推进 PCT 国际专利申请。之后，专利申请和概念验证同步进行。
从一开始，产业化的种子就在脑子里。当然，真正系统推动工程放大，还是要等到实验室平台能够稳定制造出质量合格的型材以后。
DeepTech：很多实验室技术在完成原理样机以后，会把下一步概括为“把设备做大”。但你刚才已经提到，设备尺寸可能反而不是最难的问题。你真正进入生产现场以后，发现实验室里的“成功”和产业里的“成功”差别在哪里？
吕佳欣：差别很大。
在实验室里，我们主要回答原理成不成立。进入产业化以后，原理是否成立早就已经回答了。我们要回答的是：它的可重复性高不高，稳不稳定，是否经济，是否安全。
实验室平台比较小，我们可以选择最有利的材料，精准控制参数，也可以通过大量人工干预，把想要的变形条件做出来。
生产现场完全不同。原材料会有批次波动，设备一会儿热、一会儿冷，冬天和夏天也不一样。挤压速度变化会影响变形产热，模具温度也会随之变化。除此之外，还要考虑模具磨损、生产节拍、成本和交付。
所以，工业工艺不能只在一个非常狭窄、非常理想的参数点上成立。它必须拥有足够宽的工艺窗口，能够兼容现实中的波动。
DeepTech：也就是说，实验室追求的是把条件控制得足够精准，产业化追求的却不只是“更精准”，还要求在条件不够理想、不断波动时依然能够工作。
吕佳欣：是的。实验室阶段相对单纯，主要验证“能不能做”。到了产业化阶段，需要考虑兼容性、可重复性和稳定性，整个问题会大很多，也全面很多。
DeepTech：在和工厂、客户合作的过程中，有没有哪类问题是你在实验室里几乎不会想到，但到了生产现场以后，却变成了必须立即处理的事情？
吕佳欣：很多。新的科学问题一直在与工厂和客户交流的过程中产生。
生产现场经常会遇到各种“救火”问题。比如，原本应该平直的型材为什么总是起波浪？是模具的问题，还是工艺参数的问题？
客户或者生产人员只会告诉你，产品没有达到尺寸精度。我们需要把这个现象翻译成科学问题：是不是材料在出口处的流速差太大，还是后续矫直工艺没有做好？
产业方会不断给我这种需要救火的问题。我再把救火问题拆解成科学问题，找到解决方案以后，回到现场帮他们把火灭掉。
DeepTech：客户提出的问题似乎又不太一样。生产人员告诉你“这里出了缺陷”，产品设计方问的则往往是“你能不能做到一个以前做不到的结构”。这两类问题对研究的推动有什么差别？
吕佳欣：产品设计方最常问的是：“这个东西能不能做？”“能不能继续减薄？”“能不能把截面做得更复杂？”或者“能不能换成强度更高的材料？”
有一个产品，原来的壁厚是 2.5 毫米，客户希望做到 1 毫米左右。我们当时觉得一步做到这个厚度压力比较大，就先提出做到 1.5 毫米。
壁厚变薄以后，原有结构也需要重新设计。我们参与了拓扑优化和结构设计，再把它制造出来。1.5 毫米的产品后来已经完成交付，现在还在继续尝试 1 毫米壁厚。
客户提出这些要求，会反过来推动新的材料、模具和工艺研究。
有时仅靠改变结构还不够，客户会要求在减薄的同时保持性能，那就可能需要换成强度更高的材料。我们要先帮助客户设计材料，再优化结构，最后解决怎样把它制造出来的问题。材料、结构和制造需要不断迭代。
DeepTech：所以，客户并不只是在技术完成以后购买产品。有些客户需求本身会参与定义下一阶段的科研问题。
吕佳欣：对。客户提出的“还能不能更薄”“能不能更复杂”“能不能使用更高强度的材料”，都会让技术继续往前走。
“最容易被低估的，是把 DIY 变成 SOP”
DeepTech：如果让你总结，实验室技术走向产业的过程中，最容易被低估的环节是什么？很多人可能会想到资金、设备或者市场，但你似乎更看重中间那段不太容易被看见的工程化工作。
吕佳欣：我觉得最容易被低估的，是从“技术可行”到“稳定生产”之间的工艺工程化过程。
很多人会觉得，工程放大就是把设备做得更大。其实不是。更重要的是把实验室里 DIY 式的东西，变成一套能够被执行的规范，以及处理异常问题的标准作业流程。
在实验室里，可能只有几个人使用设备，而且每个人都非常了解整个系统。但在工业生产中，每个人只负责其中一个环节。我们必须把少数人掌握的知识固化到模型、装备、软件和 SOP 里，让普通工程人员即使不了解全部原理，也能稳定操作。
只有这样，技术才真正具备可复制性。
DeepTech：也就是说，需要被标准化的不只是最终产品和技术参数，还包括生产中的动作、规则，以及遇到异常以后应该怎样处理。
吕佳欣：没错。要花大量时间把这些标准凝练出来。
DeepTech：科研训练通常要求一个人不断追问“为什么”，尽可能把机制弄清楚。但产线可能只关心机器今天能不能重新运转、订单能不能按时交付。科研人员参与成果转化以后，需要怎样调整自己的工作方式？
吕佳欣：科研人员通常比较较真，我觉得这在科研阶段是对的，必须把问题真正弄明白。
但进入成果转化以后，需要有一个心态转变。你不能完全不计成本、不计时间地坐在那里研究，因为工程现场等不及。
有时你要像救火队员一样，先高效地把问题解决。就像那句话说的，不管黑猫白猫，能抓住老鼠就是好猫。先把现场问题处理掉，之后再回来做更深入的研究、理解和总结。
后面的深入研究不仅可以做，而且必须做。只是时间顺序需要调整。
DeepTech：可一旦科研人员不断参与“救火”，另一个风险也会出现：研究方向可能被某个客户眼前的需求牵着走。一个客户说要更薄，另一个客户说要更宽，科研团队怎样判断哪些是共性问题，哪些只是一笔短期订单？
吕佳欣：这需要团队协作，不可能由一个人完成。
从 0 到 1，科研人员的作用非常重要；从 1 到 100，还需要资金投入、工程能力和市场判断。
我们不能只和一个客户交流，而是要接触一批客户，了解不同领域的共性需求。科研人员可能更了解航空航天和轨道交通，市场团队可能更熟悉汽车、光伏等批量更大的行业。
有人看到高端产品的技术价值，也有人看到规模化市场的商业价值。这些信息要汇总起来，进行相对客观和量化的分析，再决定技术与产品方向。
这一定是团队共同完成的事情。
DeepTech：还有一种担心是，工程转化需要投入大量时间，而且周期很长，可能会影响论文发表和学术评价。你怎样看待这种取舍？
吕佳欣：从某些评价角度看，可能会。现有评价体系中，论文和项目仍然是客观存在的指标，每个人都需要做一定的权衡。
但我认为，不能为了短频快地产出论文，自己先想一个看起来很创新的东西，再去寻找或者包装市场。它可能能够发表，但究竟有没有用、是不是真实需求，要画一个很大的问号。
我们的做法是尽早进入企业和生产现场，理解现有方法为什么不够好。
定义问题是最重要的。一旦把真实问题定义清楚，后面的科研路径会非常清晰：怎样拆解科学问题，怎样阐明原理，怎样提出新的方法和工艺。
以真实问题为起点，做出来的工作同样可以发表很好的论文，而且还具有明确的应用价值。这才是我理解的产学研一体化。
“50 万套图纸放在那里，也不能直接拿来训练 AI”
DeepTech：刚才谈产业与学术的关系，让我想到 AI 领域正在出现的一种变化。由于大模型越来越依赖数据和算力，很多重要进展开始由产业界推动，学术界与产业界之间的距离似乎在拉大。先进制造会不会也走向类似的局面？尤其在工业 AI 领域，数据主要掌握在企业手里，科研机构还能发挥什么作用？
吕佳欣：工业 AI 必须由产业界和学术界联合推动。
产业界确实积累了很多数据，但对工程问题的拆解、对科学机制的理解，以及把问题定义清楚的能力，科研界可能更强。
更重要的是，产业界虽然有数据，但这些数据的质量往往不敢恭维：残缺、错误、格式混乱，甚至还有大量手写工单。
大家经常谈 AI 加医疗。医疗领域的数据相对规范，但工业现场存在大量“脏数据”。如何把这些脏数据转化为干净、可学习的数据，需要既懂工程又懂科研的人参与。
工业 AI 的第一步，往往不是马上训练模型，而是先完成数据基础设施建设。
DeepTech：你们正在做的模具设计，似乎就是一个很典型的例子。一方面，工厂已经积累了几十年的图纸；另一方面，设计又高度依赖资深工程师。数据明明很多，经验也真实存在，为什么它们还是不能直接进入模型？
吕佳欣：模具是挤压生产的“心脏”，但这个行业非常依赖资深工程师的经验。
一个经验丰富的模具设计师看到目标型材，可能很快就能画出设计图，经过一次仿真和试制就成功。年轻设计师可能需要仿真三到五次，试制也要反复三到五次。
仿真的成本主要是时间，试制的成本就很高了。机台需要停产，模具装上去，发现产品有缺陷以后，还要拆下来清洗、修改，再重新安装。这个过程中损失的不只是时间，还有设备产能和生产成本。
我们合作的一家模具厂积累了大约 50 万套模具设计数据，但这些数据放在那里，还是“压箱底”，不能直接被利用。
我们首先要把二维图纸拆成十几个甚至二十个机器可以识别的图层，再把工程师的经验量化。
DeepTech：把图纸拆成机器可识别的数据，相对还容易理解。更难的可能是经验。老师傅看到一处缺陷，可能凭感觉就知道应该在哪里修、修多少，但这种感觉没有天然的数据格式。你们怎样把它“翻译”出来？
吕佳欣：有一次，型材试制后出现波浪，我们问工程师为什么。他说：“这边有点大，要缩小一点。”
我们继续问，在哪里缩小？为什么是这里？要增加多厚？他的回答还是：“焊一点点厚就行。”“一点点”是多少？老师傅之间可能都明白，但机器不明白。
我们只能继续追问：5 毫米行不行？他说太多。2 毫米呢？他说太少。那 3 毫米呢？他说差不多。就是这样一点点追问，把“老师傅知道”变成一个可以记录的数值。
科研工程人员在这里像一个翻译官：一边理解老师傅的经验，一边把它转化成计算机能够识别的参数，再与算法团队衔接。这样，杂乱的数据才能逐渐变成可利用、可学习的知识。
我们的目标是实现所谓的 first-time-right：输入一个目标型材，系统就能够自动生成一套二维模具设计图纸，尽可能减少反复试模。
DeepTech：但工业数据还有一个绕不开的问题：样本量不足。通用大模型可以使用海量互联网数据，制造业中的高质量数据却很少，而且不同产品之间差异很大。是不是意味着工业 AI 不能简单复制大模型依靠规模扩张的路线？
吕佳欣：需要多条路线同时推进。
算法团队可以使用强化学习等方法，工程端也可以通过数值仿真补充数据。更重要的是，把物理机制和工程经验嵌入模型。
例如，一套模具可以拆分成分流孔、工作带、阻流块等不同功能区，每个功能区都有相应的工程规则。如果把这些知识直接加入模型，就不必完全依赖海量样本。
我们还可以引入中间物理变量，把一个大问题拆成多个小问题，进一步降低数据需求。
所以，当物理机制和工程知识被嵌入训练过程以后，模型对数据量的要求可以明显降低。
DeepTech：你刚才提到了强化学习。资深工程师的经验非常关键，但其中很多判断又很难直接量化。有没有可能让这些工程师根据自己的经验设定奖励函数，通过强化学习把这部分经验在一定程度上“AI 化”？
吕佳欣：其实我们现在做的就是这件事。
但中间需要一个“翻译官”，这个角色要由具有科研能力的工程人员来承担。他既要听懂资深工程师在说什么，又要把这些经验转化成可以量化、可以被算法使用的知识，再把需求交给计算机科学和算法团队。
DeepTech：所以现阶段，AI 还不是在替代资深工程师，而是在把过去无法保存、无法复制的经验逐步转化成一种工业基础设施？
吕佳欣：可以这样理解。对于一些结构比较简单、我们已经积累了较多经验的案例，AI 可以完成部分设计。但现在的问题还是比较具体，或者说比较 case by case。要提高它的泛用性，仍然需要持续积累数据、知识和验证结果。
一体化制造，不是越大越好
DeepTech：从航空航天、轨道交通到汽车行业，大家都在强调大型构件的一体化制造。这种趋势很好理解：零件更少、连接更少、装配更简单。但连接减少带来的价值，主要是成本下降，还是结构性能的提升？
吕佳欣：两方面都有。
一体化制造可以减少零件数量和连接工序，降低装配工作量。连接界面往往也是结构的薄弱位置。两个零件焊接在一起，服役过程中如果出现裂纹，焊缝通常更容易成为裂纹起始位置。
一体化制造减少了人为连接界面，有助于提高结构完整性、刚度和性能，也能降低时间和制造成本。不过话说回来，一体化制造并不是越大越好。构件越大，一旦出现缺陷，单件报废和维修成本也越高。
大型复合材料构件如果局部损坏，有时可能需要整体更换。无论是金属还是复合材料，一体化制造都要在性能、成本、良率和可维护性之间进行权衡。
DeepTech：那么，多筒挤压与轧制、一体化铸造、传统挤压和焊接拼装之间，会形成怎样的关系？产业讨论新工艺时，常常喜欢讲“替代”，但你似乎更倾向于把它们看成不同结构和材料条件下的选择。
吕佳欣：这些技术更多是互补关系，不太可能由一种工艺完全替代其他工艺。
产品的材料、结构、批量和性能要求非常复杂，没有任何单一工艺能够覆盖所有零件。
轧制生产板材的效率和宽度优势很明显，但很难直接制造复杂空心型材；挤压能够制造复杂截面，但生产普通板材时未必比轧制更经济。
未来还是要根据材料、结构、批量和性能要求，选择最合适的成形技术，而不是寻找一种包罗万象的工艺。
DeepTech：除了制造更大、更薄、更复杂的构件，你还提到一个不那么显眼的机会是改造闲置的老旧设备。为什么你会把它看作一个重要的产业方向？
吕佳欣：房地产高速发展时期，挤压行业形成了大量用于建筑型材的产能。随着市场需求变化，部分设备闲置。但航空航天、轨道交通等领域的高端制造能力仍然不足，行业面临一定的产能结构错配。
我们曾走访一家工厂，大约有 20 台 1,500 吨压机，只有两台在运行，其他设备都是闲置的。
如果能够通过新工艺、控制系统和设备改造，让这些设备承接更高端的订单，会是一种很有价值的资源重新配置。所以我们现在也在与一些传统挤压厂合作，帮助它们进行设备改造和升级。
“科研与工程，是彼此推动、螺旋上升的关系”
DeepTech：未来三到五年再回头看多筒挤压这项技术，你最希望看到的进展是什么？是更多生产线落地，还是进入航空航天等验证周期更长的行业？
吕佳欣：第一是拓展更多应用场景。
现在汽车零部件、储能等领域的应用推进相对较快，但航空航天和轨道交通需要较长时间的验证、认证和准入。
我们希望未来三到五年，更多相关产品能够完成验证和认证，进入工业产线，实现稳定批量生产。
目前第一代多筒挤压技术已经相对成熟，我们有两条工业生产线。后续还会根据汽车、轨道交通和其他客户的需求，规划不同吨位和系列的设备，同时与传统挤压厂合作进行设备升级。
另一方面，我们也希望继续建设工业 AI 的基础设施，包括数据体系和知识图谱，为后续垂直模型研发打好基础。
即使暂时无法完全做到 first-time-right，也希望 AI 能够让模具试制次数至少减少 50%，同时进一步降低能耗和产品性能波动。
DeepTech：最后回到你个人的变化。刚开始做科研时，“学术”和“产业”似乎是两条不同的路，人们也总会问究竟选择哪一条。但从提出原创技术，到做实验平台，再到进入工厂解决具体问题，这段经历有没有改变你对这两者关系的理解？
吕佳欣：刚开始时，我确实会觉得科研是科研，产业是产业。所以大家总在问，究竟是走学术，还是走产业。
后来，我逐渐形成了自己的研究方式：先从产业中寻找真实问题，再把它拆解成科学问题，阐明背后的原理；基于原理建立新的方法和工艺，再逐步完成工程化和放大，最终为产业提供技术服务和解决方案。
科研与工程不是简单的上下游关系。产业现场不断提出新的问题，科研给出更深的解释和方法；新的方法进入工程以后，又会产生新的问题。
它们是一个彼此推动、螺旋上升的关系。
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成什么叫用杠杆炒股
文章为作者独立观点，不代表股市配资杠杆平台-股票配资安全的平台-炒股股票配资平台观点
相关文章
