上海大学的联合研究团队发表综述，系统梳理了机器学习在金属增材制造中应用的核心挑战与未来机遇。研究表明，金属增材制造工艺参数、微观组织与力学性能之间关系复杂，机器学习为解决质量控制问题提供了强大框架，但数据稀缺仍是制约其应用的主要瓶颈。文章讨论了多种数据生成、采样与融合技术，涵盖高通量实验与模拟、主动学习和多保真融合等，并重点探讨了可解释性挑战——数据量、预测精度与物理一致性之间的权衡关系。通过对领域知识融合方法的分类，提供了增强模型可靠性的系统性指南。文章最后提出了一条发展路线图，强调知识图谱驱动的RAG智能体、高保真数字孪生与具身智能的协同演进，目标是通过自优化闭环系统实现自主制造。