人工智能 AI 如何改善 PLM

人工智能的应用正在各个行业和领域中不断扩展，包括制造业和工程业。以下是人工智能可以给产品生命周期管理带来益处的五种方式。

我们生活在一个技术日益发达的社会；工业化阶段已经过去，我们目前正处于“信息时代”。在过去十年中，人工智能和相关技术取得了

重大飞跃，从实验项目和实施发展到现代应用，如语义网、图形数据库和大型语言模型 (LLM)。所有这些都有望对 PLM 开发产生影响。

人工智能 (AI) 已经发展了几十年，并且正在日益融入我们的生活，改变着各个行业，重塑着我们日常生活的各个方面——我们的生活、工作和交

流方式。让我们从工业工程的角度谈谈这项技术的现状，以及它将如何影响 PLM 的未来。

我们当前的人工智能世界：工业工程视角

近期的研究和成果与现代计算能力以及云计算相结合，使人工智能得到广泛应用。这正在推动人工智能在许多应用中的日常使用范围的扩大。

由于 ChatGPT 应用程序的出现，大型语言模型（例如 OpenAI 的 GPT-4）引起了公众的广泛关注——尤其是它们在自然语言处理、理解和

内容生成方面具有令人印象深刻的能力。一个可能引起 PLM 人士共鸣的例子是 GitHub Copilot，据 OpenAI 称，它正在使用来自 GitHub 的

开源代码数据集。这些应用程序令人印象深刻，但您应该记住始终根据用于训练的数据集来评估 AI 的准确性、效率和道德考虑。在这种情况

下，重要的是要记住，大多数工业公司将寻找依赖于自己的数据而不是公共数据集的解决方案。

随着人工智能技术的迅速崛起，一些人对人工智能或通用技术泡沫表示担忧，这种泡沫是由过度炒作和不切实际的期望所引发的。工程师应该仔细评估如何

实施人工智能项目及其可能带来的成果。大多数新技术的应用最初都会被拒绝，直到证明其可行，人工智能也不例外。但这并不是冒可避免风

险的理由。避免人工智能泡沫的关键是通过分析三个要素来检查项目的现实性：数据可用性、用例和成本。请记住，人工智能不是灵丹妙药，

也不是可以取代人类的工具。它是一种强大的决策和数据生成工具，可以与人类活动一起使用。

知识图谱和语义网是可以帮助工程师评估人工智能的其他工具。知识图谱代表了对信息的结构化、语义理解。通过以有意义的方式链接数据点，

知识图谱可以帮助用户浏览复杂的信息环境，提供情境感知建议并促进更有效的决策。在 PLM 环境中，知识图谱可以聚合来自多个系统的数

据以支持整个产品生命周期并有助于促进端到端生命周期管理。通过集成来自不同来源和系统的数据，知识图谱可以帮助企业更好地了解其产

品、优化流程并做出更好的决策。影响分析、整体法规遵从性和供应链风险缓解等应用是知识图谱使用的良好示例。

1) PLM 中与 AI 相关的趋势：从 LLM 到 LDM

正如他们所说，绘图是工程师的语言。

在人工智能的全新 PLM 世界中，大型语言模型 (LLM) 将成为大型绘图模型 (LDM)。自然语言处理 (NLP) 将演变为自然绘图处理。

这种蜕变预示着一个变革时代的到来，人工智能将会以可视化的方式展示我们工程师的工作方式！

这一巨大的转变将带来诸多好处。

2）AI 在 PLM 中的优势

提高效率： PLM 中的 AI 改变了游戏规则，有望提高整个工业工程功能的效率。从设计概念化到制造流程，AI 可以自动执行重复性任务，

使工程师能够专注于产品开发的更具战略性和创造性的方面。AI 算法在模拟和分析中的应用可以加快决策过程，缩短新产品的上市时间。

提高效率： PLM 中 AI 的集成实现了预测分析和数据驱动的决策。这确保了产品开发和生命周期管理与市场需求和客户期望保持一致。

在供应链管理等领域，AI 算法可以优化物流和库存，降低成本并最大限度地减少错误，从而提高效率。

但事情不会一帆风顺。与任何新技术一样，人工智能也会出现问题。事实上，人工智能可能会出现更大的问题。

3）在 PLM 中使用 AI 的问题

数据隐私/IP 问题： PLM 中的 AI 将不得不严重依赖大量数据集，包括专有设计信息。确保数据隐私和保护知识产权 (IP) 成为关键问题。在利用 AI 潜力和保护敏感信息之间取得平衡是公司必须应对的挑战。

为大公司定制 LDM   ：虽然产品公司可能从共享大型绘图模型 (LDM) 开始，但大公司会因为 IP 问题而要求定制。事实上，他们可能必须

设计自己的专用 LDM。除了巨大的成本外，它还会面临行业标准化、互操作性和协作问题等挑战。

安全问题：营销文章中出现 AI 幻觉（幻觉是一种错误，算法休眠一段时间导致错误的结果/输出）是可以接受的。但汽车零部件中出现这种幻觉是不能接受的，尤其是当该零部件是拯救车内人员生命的关键部件时。

确保人工智能生成的设计的安全性和可靠性至关重要，这引发了人们对保证产品完整性的法规和标准的关注。

这些都是已知的未知数，但是未来即将出现的未知数又如何呢？

在 PLM 中推进 AI 的最 佳出路是什么？让我们来一探究竟：

4）最 佳出路：AI 将如何在 PLM 中实现

在非关键部件上试用：在非关键部件上启动 AI 实施，可让组织评估其影响并改进流程，而不会危及关键功能。这种迭代方法有助于建立对

AI 功能的信心和熟悉度。

外围功能集成：在外围功能（例如设计、制造、客户支持和维护规划）中实施 AI 是一种逐步引入的方法。这些领域可以从增强的自动化和

决策支持中受益，从而展示 AI 的更广阔潜力。

通过零件搜索和重用快速获得投资回报：通过利用人工智能搜索和重用不同的零件编号及其对应的图纸，可以快速获得投资回报 (ROI)。

这简化了设计流程，促进了知识共享，并优化了资源利用率。

非关键组件变更管理自动化：非关键组件变更管理流程自动化可减少人工干预、加快决策速度并最大程度减少错误。这种迭代方法允许组

织在将 AI 应用程序扩展到关键工作流程之前对其进行微调。

增强用户体验 (UI/UX)：通过 AI 驱动的增强功能改进 PLM 软件的用户界面 (UI) 和用户体验 (UX) 可提高用户采用率。由机器学习算法驱动

的直观界面有助于实现更加无缝和高效的用户体验。因此，有了 PLM 中的 AI，您的生活将会发生哪些变化。让我们在这里简要了解一下：

5）未来将由什么主导（人工智能在 PLM 中的应用）

正如内容为王一样，“数据将成为新王者”，没有数据，AI 就毫无用处。大公司坐拥大量数据。在 PLM 环境中，数据来自设计文件、物料清单 (BOM)、维护报告、图纸和企业数据库等。车间里的所有东西几乎都在不断产生数据。获取、清理和有效利用这些数据将成为 PLM 中成功

的 AI 活动的关键。

数据科学家角色的崛起：随着数据成为焦点，数据科学家的角色在 PLM 世界中变得至关重要。这些专家将负责提取见解、开发算法并确保

数据输入的质量。随着组织越来越认识到数据在推动 AI 计划中不可或缺的作用，对熟练数据科学家的需求预计将飙升。

AI 将以 5 种方式改变 PLM

让我们来探讨一下 PLM 中的一些 AI 应用，在我看来，这些应用可以对现代技术和工具的发展产生重大影响。它们可能有助于公司管理产

品开发的特定方面，并为参与项目设计、制造、客户支持和维护的人员提供决策支持。

1.需求管理和可追溯性

需求管理是产品开发流程中的一个重要方面，因为它涉及收集、分析和定义产品最终用户的需求和期望。自然语言处理以及创建大量信息、

文档、视频和其他数据源摘要的能力可以为 PLM 软件中使用的需求管理和验证工具带来一些突破。

2. 重复使用数据以加快新产品开发

数据可重用性对于高效的产品开发至关重要，因为它可以帮助公司避免重复工作并降低成本。您有多少次意识到工程师只是因为找不到现有

零件而创建新零件？人工智能数据管理系统可以分析来自各种来源的大量数据，以识别模式和关系，从而建议在新项目中可以重复使用哪些

内容。想想可配置的设计、物料清单和供应商的重复使用。在 NPD 项目中应用的重复使用模式可以简化流程，并帮助公司根据历史数据做

出更明智的决策。

3.虚拟协助和客户支持

AI 可以帮助改善 PLM 工作中需要人机交互的所有方面，这些方面包括预定义模式和优化算法。想想虚拟协助在规划会议、组织任务和安排

审批方面的作用。变更管理流程可以自动生成，而无需 CCB（变更控制委员会）使用老式的工作流工具。对于维护项目和客户支持，AI 工

具可以提供交互式手册和智能协助，以帮助执行或自动执行任务。

4.用户体验

多年来，PLM 系统的 UI/UX 方面一直承受着巨大的压力。简化 UX 并使工具更易于使用和理解的需求很高。将 AI 引入 PLM 系统的

UI/UX 世界可以开辟理解问题的新方法和简化 UI 的新工具——也许可以通过将其变成对话、启用语音识别和其他方式来简化并提高效率。

5. 规划情报

AI 可以通过实现与复杂配置、供需和产品组合优化相关的规划智能来帮助提升 PLM 技术的重要性。能够分析大量数据、结合设计和客户

相关信息并提供优化产品设计、供应商选择和许多其他方面的途径的机器学习算法将会非常有用。它可以让工程师调整产品策略，提高公

司应对新兴机遇和保持竞争优势的能力。

数据将使 AI 成为 PLM 的未来

无论您决定使用现代 AI 技术堆栈改进 PLM 的哪个方面，有一个重要的东西是未来 AI 发展的关键——那就是数据。数据为王，没有数据，

AI 就无法发挥作用。因此，如果您考虑 AI 项目，请首先考虑如何获取可以帮助您将 AI 想法变成现实的数据。

数据是任何 AI 系统的命脉。在 PLM 环境中，来自设计、制造和客户反馈等各种来源的数据是 AI 驱动决策的基础。这些数据不仅使 AI 能

够识别模式、趋势和改进机会，而且还使组织能够在整个产品生命周期中做出明智的决策。数据的主要来源可以是您的设计（文件）、物料

清单 (BOM)、维护报告、旧图纸和企业数据库，例如 MRP/ERP、SCM、MES、CRM 等。获取和清理数据是启动 AI 活动的重要步骤。

PLM AI 未来的关键方面之一是集成多种技术以创建全面的信息模型。结合不同类型的数据（例如结构化和非结构化数据）可以提供更全面的

产品生命周期视图。此外，结合物联网、机器学习和自然语言处理等技术可以进一步增强 AI 驱动的 PLM 系统的功能。最重要的是从可用的

AI 技术选择中找到正确的模型和方法。以下是一些示例：

自然语言处理 (NLP)：使用 NLP 技术从产品规格、工程文档或设计文件中提取相关信息，以创建新的设计或 BOM。这种方法可以帮助自动化识别组件、材料和供应商的过程。

计算机视觉：利用计算机视觉技术分析产品图像、CAD 图纸或产品的其他视觉表现形式，以识别组件和材料。这些信息可用于生成新产品配

置或寻找供应商。

知识图谱和语义技术：开发一个知识图谱，表示产品组件、材料、供应商和其他相关实体及其关系。RDF 和 OWL 等语义技术可以帮助形式

化和结构化这些知识。然后可以应用图神经网络或基于图的机器学习等 AI 技术来生成或优化 BOM 结构。

基于规则的系统：基于规则的系统是决策中最古老的技术之一。创建一个基于规则的系统，该系统可捕获与产品设计、制造和 BOM 生成相

关的特定领域知识、指南和约束。然后，系统可以通过将这些规则应用于产品数据来生成产品配置。

人工智能辅助优化：开发人工智能驱动的优化算法，通过考虑成本、交货时间、可用性和其他约束等多种因素来帮助生成最佳产品结构。这

种方法在复杂的采购中特别有用。

每个组织都有独特的需求、流程和目标，因此定制 AI 驱动的 PLM 系统以满足特定需求至关重要。通过利用组织的数据，AI 可以被情境化，

以便做出更好的决策并提高效率。因此，找到一种使用公司数据为 AI 创建独特数据模型的方法非常重要。

情境化包括将数据分解为孤岛并实现跨职能数据重用的过程。例如，人工智能算法可以分析来自工程、制造、供应链和服务等多个部门的数

据，从而更全面地了解产品生命周期以及优化和简化流程的方法。

AI 与 PLM 的整合标志着一段变革之旅，它带来了显著的好处，同时也带来了需要战略解决方案的挑战。未来有望实现工程语言（即绘图）

与 AI 功能的融合，其中自然绘图处理 (NDP) 将彻底改变产品的设计、开发和管理方式。

在解决隐私问题、定制需求和安全考虑的同时，组织可以通过采用分阶段和战略性的实施方法来释放人工智能在 PLM 中的真正潜力。随着

行业接受这一技术变革，数据的统治和数据科学家的崛起将定义 PLM 叙事的下一章。

人工智能在产品生命周期管理中的未来前景既光明又不确定。它具有很大的潜力来改变工业公司及其决策方式。但结果仍然不确定，因为人工智能的许多应用仍然很新颖，

需要验证。释放这种潜力的关键在于公司数据与情境化人工智能技术的交汇，以解决特定客户或行业垂直问题。

PLM 中 AI 的未来取决于数据的有效利用。企业坐拥大量数据，这些数据由遗留数据库、千兆字节的 Excel 和绘图文件以及企业应用程序所

拥有。通过利用来自多个来源的数据、集成各种技术并为特定组织提供情境化的 AI 系统，企业可以充分发挥 AI 驱动的 PLM 的潜力。

最终，人工智能在 PLM 中的未来不再是“是否”的问题，而是“何时”和“如何”的问题。通过将人工智能技术融入工业企业的特定需求，我们

可以推动 PLM 世界进入一个高效、可持续和创新的新时代。

思普   思普PLM‍