36氪首發 | 浙大系桌面CNC團隊獲商湯國香、首形科技等近億元天使輪，要用AI技術降低制造門檻

作者 | 張子怡

編輯 | 袁斯來

硬氪獲悉，桌面級CNC（數控機床）企業「奇塑科技」于近期完成近億元人民幣天使輪融資。本輪融資由商湯國香、首形科技、全新世、奇績創壇共同投資。本輪資金將主要用于桌面級CNC軟硬件產品的研發、量產以及后續的市場營銷。

在消費級3D打印機和激光雕刻機已完成大眾市場教育，并誕生了諸如拓竹、xTool等多個頭部企業后，能夠實現“從軟材到硬材強三維加工”的CNC產品，被視為消費級制造領域的下一片萬億藍海。

早在2018年行業普遍聚焦3D打印賽道時，奇塑科技團隊就已將目光投向CNC領域。在創始人夏楠看來，CNC是制造業最基礎、通用性最強的加工方式，覆蓋的場景比3D打印更廣，擁有萬億級的產業底盤；如果能用AI重構CNC的制造范式、降低門檻，將進一步拓寬CNC的使用場景，甚至下沉到普通用戶的桌面端。這會改變全社會的生產模式，釋放極大的增量價值。

當前，市面上已涌現出數家消費級CNC初創公司，資本也爭相涌入。企業共同面臨的問題是：如何降低CNC使用門檻。這是工業界花費幾十年也未解決的難題。

具體來看，第一個難題，使用CAM軟件極其復雜。CAM即計算機輔助制造（Computer Aided Manufacturing），是將三維模型轉化為數控機床可識別加工指令的核心環節，直接決定加工的精度、效率與可行性，是CNC操作鏈路中技術門檻最高的部分。用戶完成一個零件的工藝設計需要配置幾十甚至幾百個工藝參數。

第二個難題，CNC工藝考驗經驗。師傅需要在大腦中排布眾多復雜的變量：如何裝夾、用什么刀具、加工參數如何配置等等，這高度依賴個人實操經驗。

夏楠告訴硬氪：“工廠里培養一個能熟練使用CNC的師傅需要3到5年。即使是985畢業的工程師，想要精通CNC也得全身心投入至少半年時間。”

在夏楠看來，解決CNC門檻的最佳方案就是AI CAM——把復雜的工藝知識內化到系統中去，給每一臺機床配一個AI老師傅。

自2018年起，奇塑科技開始AI CAM的研發工作。起初他們遇到最大的問題就是缺少數據。在傳統CNC行業，加工工藝知識多以口傳心授的方式傳承，未能形成可沉淀的數字資產，也難以快速遷移。此外，真實加工場景的復雜度遠超預期，即便擁有多年經驗的師傅，也會時常遇到未曾接觸過的全新案例。這也就構成了AI CAM軟件的核心研發難點——如何將分散、依賴個人經驗的工藝知識數字化，并轉化為可沉淀、可復用的推理決策模型。即使是海外頭部工業軟件廠商，至今也未形成完全成熟的全自動化方案。

為了掌握工藝知識，奇塑團隊深入一線積累了數千小時實操經驗。為了積累工藝數據、并在真實場景中驗證，奇塑科技自建基于AI CAM的柔性工廠，通過真實接單生產的方式構建數據閉環，持續迭代算法模型。

硬氪了解到，奇塑科技的AI CAM系統，核心能力主要體現在兩方面：

第一，簡化了操作流程，消除專業學習門檻。傳統的CAM是“人去適應軟件”，需要用戶具備系統的加工工藝知識，手動配置上百項參數。奇塑科技將交互邏輯反轉為“軟件適配人”——用戶只需導入模型，軟件會將復雜的數控編程收斂為極簡的三步：工藝生成、預覽、加工，無需使用者掌握專業加工知識與編程能力，軟件會告訴用戶需要做什么。

第二，高場景覆蓋率，配套完整數據支撐。依托團隊積累的數十萬份真實加工模型數據，該系統算法持續學習升級。借助底層創新的AI CAM架構和決策模型，整個生成過程無需人工干預。系統數據覆蓋大量“Corner Case（邊緣案例）”可支撐工藝方案的快速生成，提升用戶使用體驗。

奇塑科技基于多年自研的AI CAM系統，計劃在今年Q4正式上線其首款桌面級五軸CNC。產品會有標配的自動換刀（刀庫）、自動對刀、全封閉防塵靜音艙體以及1500w大功率主軸，并在AI CAM系統的支持下，實現“端到端”的易用性。

團隊背景方面，奇塑科技核心團隊來自浙大計算機和機械系。成員均為十年以上硬核Maker，涉獵過外骨骼、3D打印機等多個硬件領域，且擁有數十萬臺量產經驗。

隨著個性化制造與快速迭代需求的增長，桌面級制造設備的應用邊界正在持續拓展，桌面級CNC賽道也將迎來更多市場參與者與技術迭代

CEO對談：

硬氪：2018的時候，為什么會選擇進入CNC這個賽道？

夏楠：我們當時的判斷是，制造業的數智化、普惠化是長期確定的方向。而CNC是制造業最基礎、通用性最強的加工方式，對應著萬億級的產業底盤。幾乎所有產品的制造過程都直接或間接涉及數控加工。如果能重構CNC的制造范式，把工業級的加工能力下沉到更廣泛的場景甚至桌面端，能釋放巨大的增量價值。

硬氪：團隊一直在從事AI+CNC相關工作，在自研AI CAM相關技術上，最大的難點在哪里？

夏楠：核心難點在真實制造場景的復雜性。傳統制造業里，加工工藝知識多以口傳心授的方式傳承，未能形成可沉淀的數字資產，也難以快速遷移。再加上真實加工的變量太多了，哪怕是老師傅，也會碰到從沒見過的全新案例。想要把這些分散的、依賴個人經驗的工藝知識，轉化成可沉淀、可復用的決策模型，難度極高。海外頭部工業軟件廠商深耕該領域數十年，也仍未形成完全成熟的全自動化方案。

這個領域需要真正的長期主義。AICAM要在真實場景中大量驗證迭代才能成熟，這個過程是急不來的。比如，我們有一個算法是在2021年寫的，直至2024年底，其穩定性才滿足規模化落地的要求。整個研發過程依賴長期的技術沉淀與場景驗證。