Vaidy Raghavan，Xometry 首席产品和技术官 – 采访系列

Vaidy Raghavan，Xometry 首席产品和技术官，是一位成就斐然的全球技术高管和工程师，他领导公司的产品和技术战略，重点是扩大 AI 驱动的市场能力，以连接企业买家和制造供应商。他在 AI、供应链管理、SaaS 和数据分析方面拥有深厚的专业知识，之前曾在 Wayfair、Microsoft (MSFT ) 和 Groupon 等公司担任高级领导职务，在那里他开发了大规模的数字平台和市场技术。在 Xometry，他负责将复杂的制造工作流转化为智能的数据驱动系统，以提高效率、弹性和全球供应链连接性。

Xometry 是一个 AI 驱动的数字市场，它使企业能够通过连接买家和全球网络的供应商来按需采购定制制造的零件，包括 CNC 加工、3D 打印和注射成型等多种生产方法。该公司成立于 2013 年，总部位于马里兰州北贝塞斯达，利用机器学习提供即时报价、交货时间估计和供应商匹配，基于上传的设计文件，简化了传统的复杂采购过程。拥有成千上万的供应商和全球数万买家，Xometry 在现代化制造业中发挥着核心作用，通过数字化供应链和实现更敏捷、分布式的大规模生产。

您在 Microsoft、Groupon 和 Wayfair 的经历非常令人印象深刻。是什么早期的经历——个人或职业——塑造了您对技术的兴趣，并如何最终将您带到 Xometry 和 AI 驱动的制造业世界？

我对技术的兴趣始于早期的职业生涯。我一直被具有挑战性的问题和建立能够真正产生影响的解决方案的机会所激励。

在我职业生涯中快速发展的行业中，必须在快速将想法变为现实和建立耐用、有效的系统之间取得平衡。制造业很好地体现了这一点。这是一个深深的物理和深深的模拟行业，但它也驱动着我们的一些最具创新性的系统。Xometry 位于所有这些的交叉点，我们正在将传统的模拟行业转变为具有真正的纪律和清晰的未来方向的现代行业。对于我来说，这是一个罕见的时机和目的的汇合，这正是我整个职业生涯中一直努力的挑战。

您将制造业描述为最后的“模拟堡垒”。AI 目前在制造业中解决哪些最大的挑战？

我将制造业描述为最后的“模拟堡垒”，因为它具有结构复杂性，制造周期长，充满了许多手工操作。例如，在制造过程中，设计和生产工程与采购、质量、物流、交货后组装和财务结算等阶段一起工作，每个阶段都可能引入新的风险和潜在延迟。

核心挑战是摩擦。在制造链的每个环节，都有不同的格式、系统，甚至可能有不同的测量单位。想法通过一个个环节传递，每个环节都可能成为潜在的故障点。历史上，管理这种风险的唯一方法是人工审查。

AI 正在创建最大的价值，抵抗这种摩擦。它在这个分散的系统中起到了协调者的作用：检测差异、将零件与合适的供应商匹配，甚至动态建模成本和交货时间。它使用历史生产数据来预测问题可能出现的位置，并快速标记它们，以免浪费时间和材料。

供应商获得更清晰的意图和更少的意外，这意味着我们可以与我们的网络建立信任，并帮助制造商生产所需的物品。

Xometry 如何通过 AI 和数据分析为供应商和买家建立信任，以采用 AI 驱动的工作流程？

在制造业中，信任很难获得，因为风险很高，结果是不可逆转的，废弃材料、错过的截止日期或质量故障都可能导致公司经济损失。这就是为什么 Xometry 通过不断提供可靠性和清晰度来建立信任。

供应商和买家依赖 Xometry 来获得速度和透明度。当他们上传 CAD 文件时，我们的 AI 会快速分析零件并生成报价和潜在风险的估计。预测是基于实际生产数据的，这进一步建立了可靠性和可见性。价格反映了实际的市场条件，供应商会不断收到有关如何在平台上改进绩效和发展业务的见解。系统还执行独立检查以捕捉差异。当某些内容不匹配时，我们会尽早标记它，并让团队始终了解情况。

生成性 AI 如何将产品创意转化为可制造的零件，这对开发时间表有什么影响？

制造业一直在与产品创意和可制造性之间的差距作斗争。早期的产品创意通常是不完整的，将其转化为可制造的设计需要多个环节。这个过程很慢，容易产生返工，这会导致延迟或短缺。

生成性 AI 缩短了这个循环。在实践中，它将部分结构化输入转化为可制造的特征。它可以表面潜在风险、建议材料和工艺，并在早期标记约束。AI 正在减少通常减慢生产速度的摩擦，通过减少迭代和减少废弃零件或材料来压缩开发时间表。

如何确保质量和控制在流程变得更加自动化时仍然保持高水平？

一个关键原则是将质量检查转移到生产过程的最早阶段。AI 可以分析数百万个几何数据点，以帮助确定制造的可行性、成本和最佳供应商匹配。这提供了精度和一致性，而无需仅仅依赖人类的勤勉，这长期以来一直是质量控制过程中风险的唯一防御。

然而，在这些增强的流程中，仍然需要人类的介入。我们部署 AI 来识别问题和替代方案，当需要时，但最终的决定权仍然在于具有经验的人类操作员，他们可以做出这些决定。

我们在航空航天和国防等任务关键领域尤其看到这一点，在这些领域中，人类在循环中的存在是实现自动化而不牺牲质量控制的唯一方法。

Xometry 的 AI 驱动动态定价如何工作，考虑到可变的制造成本和供应链复杂性？

制造业的定价本质上是可变的，因为每个零件都不同，成本会根据材料、容量、外部因素（如关税）和其他约束不断变化。静态定价模型在这种环境中不起作用。

在 Xometry，我们的动态定价是一个学习系统。我们的模型是基于数百万历史报价训练的，并且会根据实际生产结果不断更新。这种反馈循环使定价保持在现实中。

当工程师上传 CAD 文件时，我们的即时报价引擎会立即分析文件并检查它与影响定价的外部因素和约束，以确定我们成千上万个合作伙伴网络中最合适的制造商。

然后，随着条件的变化，引擎会自动重新校准，并实时更新定价以反映材料、容量、关税和其他成本驱动因素的变化。

对于从工程师到供应链经理的客户，Xometry 如何使用 AI 和数据分析来定制体验？

在 Xometry，AI 为我们的用户创建了一个更个性化的体验，根据个性化需求简化生产流程。对于工程师来说，这可能意味着快速反馈材料和设计风险，或者对于供应链经理来说，这可能意味着快速标记物流延迟，以减少昂贵的错误并建立信任。

几十年来，CAD 一直是许多制造商的进入壁垒。但是通过将 AI 集成到流程中，我们可以创建一个个性化的体验，工程师可以用自然语言描述他们的需求，系统可以在没有任何摩擦的情况下创建可制造的设计。

展望未来，哪项 AI 创新可能在未来 3-5 年内重新定义制造业生态系统？

我相信最有可能重新定义制造业的 AI 创新将是整个生产周期的持续推理。

正如我之前提到的，制造业决策通常仍然是分散的。制造商分别评估设计、成本、采购和可制造性，这意味着问题通常是在后期发现的，并且变得更加昂贵。我预测的转变是朝着能够并行推理这些维度的 AI 系统，收敛为集成的程序，学习历史生产结果，并实时适应。

早期版本已经在像 DFM 分析、采购甚至定价这样的领域存在。但是在接下来的几年里，我们看到这些边界将进一步消失，创造出一个更快、更可预测和更适应性的制造业生态系统。

感谢这次精彩的采访，希望了解更多的读者可以访问 Xometry。