开篇单点AI是半成品我在前面两篇文章里分别谈过AI采纳率和AI评估标准的问题。这篇换个角度聊一个更具体的问题当你已经有了AI能力怎么让它们协同工作这是一个很多企业都在碰到的墙。举个典型场景。某中型装备企业PLM里已经接入了文档解析和BOM校验两个AI模块。单独看都不错——解析准确率达到了92%校验能拦截到80%以上的异常。但实际使用中工程师反馈解析出来的数据不能直接用于校验得手动导一遍校验发现的问题不能自动触发风险评估还得单独去查。两个AI模块就像两个互不认识的人各干各的。这个问题的根源不在模型在数据流。下面我用智橙PLM的实际方案讲述一个新零件从图纸入库到被安全使用的全过程看看六个AI能力如何通过数据流串成一条链。一、一个零件的六步数据流步骤①图纸上传→文档智能解析工程师张工上传了一张新零件的工程图。智橙PLM的文档解析引擎自动启动对图纸进行结构化提取。这不是简单的OCR识别而是理解工程图的语义结构哪些是尺寸标注哪些是形位公差哪些是材料属性。提取出来的结构化数据——包括零件名称、图号、材质、尺寸参数、表面处理等信息——会被写入PLM的统一数据模型。关键点在这里解析结果不是“文档附件”而是“PLM对象”。它直接生成了系统可识别的零件记录带有结构化字段。这是整条数据链的第一环也是最关键的一环。如果解析出来的是一堆非结构化的文本后面所有的AI能力都无法接收。步骤②数据入库→BOM智能校验结构化数据写入PLM的同时BOM智能校验引擎已经在等待。它不是在校验“文档”而是直接比对解析引擎输出的结构化数据。具体做了几件事检查零件尺寸参数是否在合理范围内检查材质与公司标准物料库是否匹配检查形位公差是否符合该类零件的工艺能力。这里有个细节很重要。校验引擎的比对数据来源不是“当前BOM表”而是解析引擎的输出和PLM已有的知识库。两套数据用的是同一套标准——同一个物料编码体系、同一套尺寸定义、同一组公差标准。没有解析引擎的结构化输出校验就得从零开始再解析一遍这就是很多企业的痛点。步骤③校验同时→风险预警扫描BOM校验的过程中如果发现了异常风险预警引擎会自动被触发。注意这里的“自动”二字——不是工程师发现问题之后再去查风险而是校验引擎发现异常的那一刻风险引擎就已经拿到了完整的上下文。它会立即扫描这个材料是否在禁用清单里这个供应商是否在观察名单中这个尺寸参数是否触发了历史质量事件传统做法是分开的。校验归校验风险归风险工程师在两个系统之间来回切换。智橙PLM的做法是让风险引擎订阅校验事件当校验产生异常结果时风险引擎自动获取相关数据并执行评估。三个引擎用的是同一份零件数据不需要额外的数据传输和格式转换。步骤④数据沉淀→知识图谱自动建立关联当这个新零件的数据完成入库和校验后知识图谱引擎会自动开工。它的任务是建立这个零件与PLM中已有对象的关系。什么关系例如这个零件与哪些产品的BOM关联、与哪些工艺路线关联、与哪些历史变更单关联、它的材质和处理工艺将影响哪些质量指标。这个过程是全自动的。工程师不需要手动建立任何关联。知识图谱引擎根据零件的属性特征自动在图谱中创建节点和边把新零件嵌入到现有的知识网络中。随着零件库中的零件越来越多这张图谱会越来越密集反过来又能为后续的校验和预警提供更丰富的背景知识。这是一个正向循环。步骤⑤工程师查询→智搜基于图谱做语义检索一周后另一位工程师李工需要查找一个类似的零件。传统做法是在PLM的搜索框里输入编号然后一条条翻。智搜则基于知识图谱做语义检索。李工输入“耐高温、不锈钢、法兰盘类型”智搜会先理解这个语义然后在知识图谱中找到符合条件的零件同时告诉他这些零件在哪些产品中被使用过、有没有质量问题记录、是否存在替代方案。智搜之所以能做到这一步前提是知识图谱已经把零件、产品、工艺、质量记录之间的关系建立起来了。没有图谱的智搜就是一个普通的关键词搜索有了图谱的智搜才能提供带上下文的、可决策的检索结果。步骤⑥变更触发→智驱自动推进审批流程最后一环。当某天这个零件需要进行设计变更时智驱引擎会自动被触发。它做了什么第一自动识别变更的影响范围——通过知识图谱查询这个零件被哪些BOM引用、哪些工艺路线使用。第二根据影响范围自动确定审批节点和审批人。第三自动执行BOM校验和风险评估把结果作为审批包的一部分提交给审批人。这里的关键在于“影响范围分析”这一步。传统的变更管理靠工程师手动梳理影响范围容易遗漏。智驱引擎通过知识图谱可以精确地找到所有受影响的对象并自动执行一系列后续动作。而这一切的数据基础都来自前面几个步骤的数据沉淀。没有图谱、没有结构化数据智驱就只能做流程自动化做不了智能化的影响分析。二、数据打通是前提单点AI只是半成品回顾一下这六个步骤。解析引擎输出的结构化数据直接成为校验引擎的输入校验产生的异常事件自动触发风险预警的评估入库的零件数据被知识图谱消化为节点和边图谱中的关系网络赋能智搜的语义理解图谱中的引用关系支撑智驱的影响分析。每一个AI能力的输出都是下一个AI能力的输入。这就是“数据流”和“单点能力”的本质区别。单点能力解决的是某一个环节的问题数据流解决的是从入口到出口的全链路问题。对于CTO来说评估一个PLM产品的AI能力不要只看它有多少个AI功能模块要看这些模块之间是否真正打通了数据。模块多不难难的是让它们像一个团队一样协作。一句话总结数据打通是前提单点AI只是半成品。六个AI能力串成一条链才是真正的智能PLM。