趋势洞察 | 当AI真正进入PLM：从产品数据管理走向产品生命周期智能

人工智能正在从辅助工具进入企业数字化的核心业务系统。过去二十多年，制造企业通过ERP、PLM、MES等系统，将产品、研发、生产、供应链和质量等业务逐步数字化，其中PLM承担着产品数据、BOM、文档、需求、变更以及研发流程管理的重要职责，成为企业产品数据管理的重要基础。

但随着产品复杂度和企业数据规模不断增长，一个新的矛盾开始出现：数据越来越多，真正能够理解和利用这些数据的能力却没有同步增长。 大量产品知识分散在PLM、Excel、PDF、实验记录以及工程师个人经验中，传统PLM可以将这些数据保存和管理起来，却很难主动从数据中发现知识，更难直接参与研发决策。

人工智能正在改变这一状况。CIMdata已经将“AI in PLM”作为产品生命周期发展的重要研究方向，Gartner在最新PLM能力研究中也将AI助手（AI Assistant）、AI智能体（AI Agent）、数字线程（Digital Thread）和产品生命周期智能（Product Lifecycle Intelligence）等列为一代PLM的重要能力。与此同时，国际PLM厂商正在持续将生成式AI、语义搜索、工程知识分析、BOM分析和Agent能力引入PLM。这些变化表明，PLM正在从传统的产品数据管理系统逐渐走向能够理解产品、分析产品并辅助产品决策的产品生命周期智能平台。

璞华认为，PLM+AI真正重要的变化，不是在传统PLM上增加一个聊天窗口，而是让AI深入产品数据、研发知识和业务流程，使PLM从“管理产品”进一步走向“理解产品”，最终形成产品生命周期智能。

一、从产品数据到产品知识：AI首先改变PLM的知识获取方式

传统PLM解决的是“数据在哪里、哪个版本有效、谁可以访问以及产品发生了什么变化”。但研发人员实际面对的问题往往是：“这些数据意味着什么？过去有没有类似案例？有没有可以复用的经验？”

例如，工程师可能知道过去某个项目采用过类似材料，却不记得项目编号；研发人员可能知道企业历史上存在一种接近目标性能的配方，却需要翻阅大量实验记录才能找到。传统关键词搜索可以返回相关文档，但很难真正理解用户的意图，更难将分散在不同数据对象中的信息组织成与当前问题相关的知识。

AI进入PLM之后，搜索开始从关键词匹配走向语义理解，从文档检索走向知识获取。用户可以直接用自然语言描述研发问题，AI结合产品、物料、配方、实验、项目和文档等数据进行关联，并进一步给出答案、依据和信息来源。

璞华易研PLM的AI助手正是围绕这一方向构建。AI可以直接读取PLM中的物料、配方、实验、项目和文档等结构化与非结构化数据，在增强搜索中理解自然语言、同义词和业务隐含条件，并通过关联不同模块的信息帮助研发人员快速获得所需要的产品知识。

因此，PLM+AI的第一步并不是让系统“会聊天”，而是让企业过去积累的大量产品数据真正变得可理解、可检索、可调用。

二、从知识获取到智能决策：AI开始进入研发核心环节

当AI能够理解产品数据之后，下一步就是利用这些数据辅助研发决策。

产品研发中的很多问题，本质上并不是“找一份资料”，而是需要在多个变量和约束条件下寻找更合适的方案。例如，一次产品变更可能影响BOM、成本、供应商和质量验证；一个配方研发目标可能同时受到性能、成本、稳定性和法规要求的约束。

传统PLM主要负责记录这些信息，而AI可以进一步分析信息之间的关系，从“告诉研发人员有什么”逐步走向“帮助研发人员判断什么更合适”。这意味着PLM AI的能力正在形成一个新的链路：信息获取 → 关系理解 → 影响分析 → 方案推荐 → 人工决策。

璞华认为，AI真正创造业务价值的地方，不是让研发人员少输入几句话，而是让研发人员能够基于更完整的数据、更丰富的历史知识和更充分的分析结果，做出更好的产品决策。这也是PLM从“数据记录与管理系统（System of Record）”走向“智能决策与应用系统（System of Intelligence）”的关键一步。

三、从“试出来”到“算出来”：AI正在改变配方研发

对于化工新材料、日化美妆、食品饮料等流程行业而言，PLM+AI的价值更加直接。配方研发通常涉及大量原材料、配比、工艺参数和性能指标，不同变量之间又存在复杂的非线性关系。传统研发往往依赖经验，通过不断实验和调整寻找满足目标的方案。

AI可以让这种研发方式更加数据驱动。璞华易研PLM将贝叶斯优化应用于配方研发，通过高斯过程以及“探索—开发”策略，让模型根据已有实验结果持续更新，并在有限实验次数下寻找更有价值的下一组实验参数。面对成本、性能等多个研发目标时，系统可以通过帕累托前沿寻找非支配解，并结合不确定性量化帮助研发人员判断哪些区域已经比较明确、哪些区域仍然值得进一步探索。

这与简单地让AI“生成一个配方”有本质区别。真正的智能研发，不只是生成方案，而是根据实验结果持续学习，并帮助研发人员决定下一次实验应该做什么。

因此，“从试出来到算出来”并不是让AI代替实验，而是让AI参与实验决策，使每一次实验都成为下一次研发决策的数据基础，从而减少无效试错，提高研发效率。

四、LLM+ML/DL：让通用知识与企业研发经验结合

专业研发领域不能简单依赖大语言模型。LLM擅长自然语言理解、知识组织和内容生成，可以帮助研发人员快速理解文献、专利、技术资料和行业知识，拓展方案探索空间；而机器学习和深度学习则能够进一步学习企业自身的历史配方、实验结果和工艺数据，寻找企业真实研发过程中的规律。

因此，璞华易研PLM采用LLM与ML/DL结合的思路：一方面利用大模型帮助研发人员探索“可能有什么”，另一方面通过企业历史数据训练和优化专属模型，进一步判断“什么更适合自己”。当新的实验结果持续回流模型之后，就可以形成：数据建模 → 模型训练 → 方案推荐 → 实验验证 → 数据回流 → 模型迭代的研发闭环。对于企业而言，这意味着过去沉淀的大量研发数据不再只是历史记录，而可以逐渐成为下一轮研发的重要知识来源。

五、让非结构化数据和专业研发数据真正进入AI

企业研发知识大量存在于PDF、Word、图片、扫描件、实验报告和技术资料中。传统PLM可以保存这些文件，但其中的关键信息往往没有进入结构化数据体系，因此也很难被进一步分析和利用。

璞华易研PLM通过AI对PDF、Word、图片和扫描件进行解析，可以自动提取物性数据、化合物名称、合同条款等关键信息并进入PLM相应字段；同时支持不同版本配方文件、实验报告和标准文件的内容对比，识别参数变化、新增和删除内容并形成差异摘要。

更进一步，在化学研发领域，璞华易研PLM将AI波谱分析、GNN分子表征、CNN/Transformer谱图特征提取以及化学大语言模型结合，对GC-MS、NMR、IR、Raman等谱图进行联合分析，并通过置信度、关键谱峰和证据链等方式辅助专业人员判断。

这些能力体现了璞华对行业AI的一个基本判断：真正有价值的AI不能停留在通用语言交互层，而必须深入企业数据、专业知识和真实研发流程。

六、从AI助手到AI Agent：PLM最终需要进入真实业务流程

AI如果只停留在对话窗口，仍然只是一个效率工具。真正的AI Native PLM，需要让AI生成的结果能够进入真实业务流程。

例如，AI推荐新的原材料之后，可以进一步生成配方单和实验单，并与研发项目关联；在新材料寻源过程中，AI可以提取技术指标并进入技术测评流程，测评通过后进入物料体系。

这意味着AI产生的不是一段孤立的文本，而是可以继续进入：配方 → 实验 → 项目 → 物料 → 测评 → 入库等真实业务过程。

未来，随着Agent技术成熟，PLM中的AI还将进一步从“回答问题”走向“完成任务”，例如分析工程变更影响、寻找历史替代方案、比较成本和性能、生成变更建议并推动相关审批。

因此，PLM AI的发展路径可能逐渐从：AI搜索（AI Search） 、 AI助手（AI Assistant） 和 AI副驾驶（AI Copilot） ，走向能够自主完成复杂任务的AI智能体（AI Agent），最终形成更加完整的智能体化PLM（Agentic PLM）。

七、璞华的判断：PLM+AI正在从“功能升级”走向“产品智能”

综合国际PLM发展趋势和璞华自身的实践，我们认为PLM+AI将经历几个相互递进的阶段：首先是通过AI搜索、文档解析和内容生成提高研发效率；随后让AI理解产品、物料、BOM、配方、实验和项目之间的关系，形成产品知识智能；进一步进入配方优化、材料推荐、实验设计、质量分析和工程变更等环节，形成研发决策智能；最终通过Digital Thread和Agent，将AI连接到产品生命周期的不同阶段，实现从知识获取、分析判断到业务执行的智能闭环。

因此，未来PLM的竞争核心不会只是“谁拥有更多AI功能”，也不会简单取决于“谁接入了更大的模型”，而将越来越取决于产品数据、产品知识、行业Know-how与AI能力能否真正融合。

这也是璞华易研PLM所探索的方向：以PLM沉淀可信的产品数据，以AI激活企业产品知识，以算法连接实验与决策，以行业模型深入真实研发场景，并进一步探索Agent驱动的智能研发流程。

八、从产品数据，到产品知识，再到产品智能

过去，企业数字化解决的是“把研发过程记录下来”；PLM进一步解决了“把产品数据和研发流程管理起来”。AI正在推动第三个阶段的到来：利用已经积累的研发数据，反过来帮助下一次研发。历史数据经过AI理解和模型学习之后，可以参与方案推荐和实验设计；新的实验结果再回流模型，形成持续学习和持续优化。这意味着PLM不再只是记录过去发生了什么，而开始参与下一次产品创新。

从这个角度看，PLM正在经历从产品数据管理（PDM，Product Data Management），到产品生命周期管理（PLM，Product Lifecycle Management），再到产品生命周期智能（PLI，Product Lifecycle Intelligence）的持续演进，其核心也正在从“管理产品数据”，逐步走向“理解产品、分析产品并辅助产品决策”。

璞华认为，AI时代PLM真正需要建立的，不是一个更加方便的聊天入口，而是一套能够持续理解产品、连接知识、辅助决策并推动行动的智能体系。让AI不仅能够回答问题，更能够理解产品；不仅能够理解产品，更能够帮助企业做出更好的研发决策。从产品数据，到产品知识；从辅助研发，到智能决策；从PLM，到PLI。

璞华易研PLM，正在探索这条从“试出来”走向“算出来”的智能研发之路。