过去两年，几乎所有工业软件公司都开始谈论AI。CAD、PLM、ALM、MES、ERP乃至现场服务管理软件中，相继出现了聊天助手、智能搜索、文档生成、故障诊断和预测性维护功能。表面看，这是生成式AI向工业软件的一次快速渗透，但从更长的产业周期看，它所推动的变化可能远不止为原有软件增加几个AI功能。
工业软件过去解决的核心问题，是如何准确地记录产品、流程和业务活动：CAD记录设计，PLM管理产品结构和工程变更，ALM追踪软件需求和开发过程，ERP管理资源与订单，现场服务系统记录设备维护活动……每一套系统都有自己的对象、流程和数据边界，共同构成制造企业的信息化基础。
AI的出现，改变了这一逻辑。
工业软件，在AI时代不仅要记录“发生了什么”，还要理解“为什么发生”、判断“接下来可能发生什么”，并对“下一步应该做什么”给出建议，甚至在权限允许的范围内直接执行操作。因此在AI的时代，工业软件需要打破不同系统间的壁垒和边界，以数据为核心，从记录系统和流程系统，逐渐向具备推理、建议和执行能力的决策系统演进。
这也是PTC近期一系列产品动作的底层逻辑：从Creo 13中的AI Assistant，到覆盖产品组合的AI平台和智能体，以及新推出的PTC Orbit，表面上分布在设计、产品生命周期管理和服务等不同场景，背后却指向同一条路线——以智能产品生命周期为框架，以产品数据和数字主线为基础，在工业软件之上建立一个能够理解产品、连接业务情境并参与决策的“智能层”。
工业AI的瓶颈并不只是模型
众所周知，消费互联网领域的AI应用往往从模型能力出发。模型能否生成更自然的文字、理解更长的上下文，或者完成更复杂的推理，直接决定了最终消费者的产品体验。但工业领域并不完全遵循这一逻辑。
制造企业面对的不是一组孤立的文本或图片，而是一个持续多年甚至数十年的产品数据和相关业务流程。一个复杂产品可能包含机械结构、电子系统、嵌入式软件、材料、配置、工艺、质量记录、维修历史和供应链等各种不同的信息。这些数据分布在CAD、PLM、ALM、ERP、MES、EAM和现场服务系统之中，由不同部门管理，采用不同的数据结构和权限体系。因此，工业AI首先面对的不是“模型够不够聪明”，而是模型能否获得正确的数据、理解数据之间的关系，并在真实业务流程中以可控方式使用这些数据。
PTC ServiceMax总经理兼AI首席战略官Joseph June在接受笔者采访时指出，工业AI必须运行在一个“准确性、情境、治理和可靠性至关重要”的环境中。工业企业用户管理的是复杂产品、受监管流程、漫长生命周期以及跨部门决策。只有当AI建立在可信的产品和生命周期数据之上，并嵌入工程、制造和服务团队的工作流程中，才能创造真正价值。
PTC ServiceMax总经理兼AI首席战略官Joseph June
这实际上就是工业AI与通用AI之间最根本的不同：大语言模型可以理解自然语言，却不会天然地理解一个产品配置为什么发生变化，也不会自动了解某个零部件的失效是否与特定批次、工况、软件版本或者维修方式有关。因此大语言模型拥有的是通用知识，而制造企业需要的是带有产品结构、工程关系和业务约束的工业情境。
Joseph June把模型称为“整个等式的一部分”。在他看来，工业AI应用更大的瓶颈是数据基础：数据是否已经连接？是否已经情境化？能否提供给正确的人员和工作流程？如果缺乏这些工业情境，实际上再先进的模型也很难交付有意义的成果。
这也解释了为什么不少制造企业已经积累了海量数据，却仍然难以获得显著的AI回报：问题并不在于数据数量，而在于这些数据往往是碎片化的、分散的和缺乏上下文的。
传统工业信息化强调业务系统建设。企业先后部署CAD、PLM、ERP、MES、CRM、物联网平台和现场服务系统，每套系统解决一个阶段的问题。随着系统数量不断增加，企业拥有的数据越来越多，同时也形成了一个个的数据孤岛，管理者很难获得一个贯穿产品全生命周期的统一数据管理能力。
在AI时代，这种数据割裂不再只是效率问题，而成为智能化的根本障碍。没有产品结构和业务关系，数据只是分散的记录；只有当这些记录围绕产品、资产和生命周期重新建立联系，AI才可能理解它们的意义。
因此，PTC的AI战略并没有从训练一个更大的工业模型开始，而是继续强化其长期强调的数字主线。数字主线的价值过去主要表现为打通设计、制造和服务数据；进入AI时代，它又承担了新的角色：为AI提供能够推理的工业上下文，即工业场景。
从AI助手到“智能层”
当前大多数工业AI产品仍然以助手形态出现。用户输入问题，AI搜索文档、总结内容或提供操作建议。这是一个合理的起点，因为这能够让AI以较低风险进入现有工作流程，也容易让企业看到生产力提升。
Creo 13中的AI Assistant就是这一阶段的代表。它被直接嵌入设计环境，为工程师提供工程指导、最佳实践和故障排查信息。工程师不必离开Creo搜索文档，也不必等待更有经验的同事回复，就能获得与当前工作相关的帮助。对于新用户，它能够缩短学习过程；对于资深工程师，它可以降低处理陌生功能和复杂流程时的信息查找成本。
但如果AI只负责回答“这个命令怎么用”，其价值仍然局限于知识检索。Creo 13同时展示的一项Beta能力更值得关注：AI可以直接读取3D模型，从模型中提取相关洞察，帮助工程师更早发现设计问题、验证合规性并呈现关键设计数据。
从读取文档到读取3D模型，看似只是输入对象发生变化，但实际上意味着AI开始从理解软件使用方法，转向理解工程对象本身：3D模型并不只是一张三维图形，其中包含几何关系、特征、尺寸、公差、材料和设计意图。AI如果能够理解这些信息，未来就有可能进一步参与设计检查、方案比较、制造可行性分析和工程变更评估。届时，AI就不再只是覆盖在CAD软件上的聊天窗口，而会成为设计流程中的一个主动参与者。
Joseph June认为，工业AI的下一次突破正是“从只会回答问题的AI，转向帮助完成工作的AI”。在工业软件中，这意味着AI需要进入设计探索、需求分析、软件开发、变更评估、服务规划和生命周期协作等等各种核心的工作业务流程。聊天仍然可以作为交互界面，但真正的价值来自AI能否理解情境并推动结果。
半个月前，PTC在2026年春季发布季中首次展示的全新AI平台，从中我们可以一窥PTC的AI技术和产品思路：PTC此次推出的全新AI平台将AI助手和AI智能体嵌入PTC产品组合，并在CAD、PLM、ALM和SLM等系统之上建立一个Intelligence Layer，即“智能层”。同期PTC还发布了12个AI智能体、10项新集成以及覆盖整个产品组合的100多项增强功能。
其中，“智能层”比单个AI功能更能说明PTC的战略意图：所谓智能层，并不是简单地为每套软件分别添加一个聊天助手，而是让AI能够在多个系统之间调用数据、识别关系并协调任务——如传统架构中的CAD、PLM和ALM等。假设一个具体的工业应用场景：当一项产品需求发生变化时，其产生的影响会波及诸如软件功能、机械设计、测试用例、生产配置和服务文档等等各个层面。传统系统的能力，是记录这些对象之间的可追溯关系，但最终仍需要工程师逐项分析影响。但是在PTC的“智能层”上，利用AI智能体就可以自动识别受影响对象，评估变更风险，生成处理建议，并将任务分配到相应团队。
很明显，这意味着工业软件的核心能力就已经从“管理流程”转到了“理解流程”。系统不仅保存工程变更单，还要理解变更涉及什么；不仅记录审批过程，还要判断哪些风险值得关注；不仅展示数据，还要根据不同用户、角色和工作情境主动呈现信息。
PTC对AI智能体的态度并不是一步走向完全自主。Joseph June将AI智能体比作新入职员工：企业不会让新员工在没有监督的情况下独立作出重大决策，而是会随着信任增加逐步扩大其权限。工业AI也会从回答问题，发展到辅助用户，最后再到按照人类定义的规则执行特定操作。
这是一个符合工业现实的路径。消费领域可以容忍一次不准确的内容推荐，工业领域却必须考虑安全、质量、法规和责任。AI能否在制造业真正落地，取决于它是否被纳入明确的权限体系、治理规则和审计追踪中。
换句话说，工业AI的竞争不只是模型准确率竞争，也是系统控制力竞争。企业不仅需要知道AI给出了什么答案，还必须知道它调用了哪些数据、遵循了什么规则、执行了哪些操作，以及谁对最终结果负责。
Orbit补上产品出厂后的数据断点
如果说Creo AI Assistant代表AI进入设计工作流，PTC Orbit则反映了PTC试图将AI扩展到产品交付后的资产世界。
制造企业长期以来在产品设计和生产阶段建立了相对完整的数据体系。PLM系统能够追踪产品结构、版本、配置和工程变更。然而产品一旦交付，数据连续性往往随之中断。设备在客户现场发生的安装、使用、维修、零部件更换和性能变化，分散在CRM、IoT、EAM和现场服务管理系统中。
这造成了产品“设计态”与资产“运维态”之间的断层。工程部门知道产品原本被设计成什么样，却未必知道现场设备现在是什么状态；服务部门了解维修记录，却不一定能将故障与具体设计版本和产品配置联系起来。
PTC Orbit试图把这些数据重新组织为统一的资产记录。它连接PLM、ERP、CRM、IoT、EAM和FSM等系统，为每一项资产建立统一、最新的运维态视图，并利用AI识别故障模式、设备群趋势、质量信号和维护需求。
Orbit的意义在于，其补上了智能产品生命周期中最薄弱的一环：传统PLM擅长管理产品如何被设计和制造，却较少覆盖产品离开工厂后的真实表现。现场服务系统能够记录维修活动，但往往缺乏完整的工程上下文。Orbit将二者连接之后，产品生命周期才有可能真正形成闭环：设计数据指导服务，服务数据反过来推动质量分析和下一代产品改进。
这一闭环对于工业AI尤其重要。AI判断一个故障是否具有普遍性，不能只看一张维修工单，还需要知道设备配置、运行环境、零部件批次、软件版本和过往维修行为。只有把这些信息放在同一个资产上下文中，AI才能区分偶发故障与系统性问题。
从PTC发布的新闻稿中可以看到，Orbit主要提供三类主要能力：资产数据整合、AI驱动的生命周期智能，以及AI辅助访问与交互。它可以识别服务模式和故障趋势，计算资产健康评分，并按照设备群、客户和区域预测服务需求；同时通过AI Canvas根据用户情境动态呈现相关洞察，而不是让用户面对固定的仪表板。
这其中有一点显著的变化，体现在交互方式的变化上：传统系统由用户寻找数据：打开报表、选择字段、筛选条件，再依靠经验作出判断。AI驱动的软件则开始主动组织数据，根据用户当前处理的问题组合信息。
而对其企业用户而言，其价值能够覆盖更多的业务层面：对于服务经理，它能够呈现高风险设备和备件需求；对于质量工程师，它可以显示跨设备群出现的共同故障；对于研发团队，它能够将现场失效与特定产品配置或设计变更联系起来——数据并没有发生变化，变化的是软件组织数据和参与决策的方式。
PTC真正押注的是智能产品生命周期
PTC的AI战略与很多工业软件公司的共同点，是都在推进AI助手、智能体和自动化工作流。其差异，主要在于PTC将这些能力放在智能产品生命周期框架中统一考虑。
Joseph June明确表示，PTC并不把AI视为一个独立产品或孤立功能，而是要把AI嵌入工业企业设计、工程、验证、制造、服务和产品改进的各项流程，并通过数字主线连接整个生命周期中的数据和决策。
这意味着PTC并不准备单独出售一个无所不能的“工业大脑”，而是希望AI分布在Creo、Windchill、Codebeamer、ServiceMax和Servigistics等产品之中，再通过统一平台、智能层和数字主线协同运行。
这种路线与PTC过去十年的产品布局有关：通过Creo、Onshape、Windchill、Arena、Codebeamer、ServiceMax和Servigistics，PTC已经覆盖机械设计、产品数据、软件开发、质量管理和服务生命周期。过去，这些产品组合的战略价值主要在于覆盖更完整的产品生命周期；在AI时代，其意义进一步转化为：PTC拥有构建工业情境所需要的多种数据来源。
有一点需要格外注意的是：产品覆盖面并不会自动变成AI优势。因此真正的挑战在于，PTC能否让不同产品的数据模型、权限体系和工作流程在AI平台中有效协同。数字主线过去更多是一种系统集成和数据连接理念，未来则必须成为AI可理解、可调用和可执行的语义网络。
这也是为什么PTC同时强调连接器、集成和产品数据基础。在最新一轮发布中，PTC增加了Windchill与Onshape、ServiceMax和ERP系统的连接，强化Codebeamer、Windchill和Pure Variants之间的产品线工程集成，并新增Windchill、Creo和Codebeamer的数字产品可追溯性连接器——这些工作不如AI智能体醒目，却决定了智能体最终能够做什么。没有可靠的数据连接，智能体只能停留在单个应用内部；没有可追溯关系，AI就无法评估一个决策对整个产品生命周期的影响。
客观地从工业AI应用的角度看：未来工业AI的主导者未必就是拥有最大基础模型的公司，更可能形成一个多方协作的生态，而不是由某一类厂商完全控制：基础模型厂商提供通用推理能力，工业软件企业掌握专业流程和生命周期数据，制造企业则拥有真正的行业知识和业务规则。
Joseph June认为，领先者将是那些能够创建可信、受治理的AI平台，使专业智能体在工业生态系统中协同工作的公司。这其中既包括PTC提供的第一方智能体，也包括制造商、合作伙伴和其他企业软件厂商提供的第三方智能体。从某种意义上看，这重新定义了工业软件平台：过去的工业软件平台主要解决数据和应用集成，而未来的软件平台还要管理AI的身份、权限、上下文、模型选择和执行过程。
从提高效率到改变决策结构
目前，制造企业最容易接受的AI价值仍然是效率提升：工程师更快找到信息，服务调度员更快制定计划，质量团队更快识别风险，软件团队更快分析需求……这些收益能够量化，也相对容易控制风险。但如果AI最终只减少几次点击、缩短文档搜索时间，它对工业软件的影响仍然有限。
在我们可以想象的未来，AI带来的真正深刻的变化，一定在于对企业决策结构的改变：传统制造企业依靠职能部门和层级组织传递信息，设计问题由工程师分析，质量问题由质量部门处理，服务反馈经过多层汇总后才可能进入研发体系，数据虽然存在于系统中，但决策仍高度依赖个人经验和组织沟通。只有AI能够把分散在不同系统和人员中的知识重新聚合起来，并把决策依据直接送到工作现场。AI可以从过去的工程变更及结果中学习，也可以从维修记录、质量数据和客户反馈中识别规律。而且随着权限和信任逐步扩大，部分日常决策非常有可能由AI独立完成。
Joseph June提出，衡量AI成熟度的重要标准，是AI拥有多大的自主权独立作出决策。AI可以从过去的决策及其结果中学习，并将这些经验应用于未来；人类参与程度则取决于客户对风险的接受程度。他同时强调，这不会意味着工程师或管理者迅速被替代。工业决策通常包含安全、质量、法规和商业责任，人仍然必须对高影响决策负责。但人的角色可能会发生变化：从亲自完成每一步分析，转向定义规则、处理例外并监督AI。
软件也将由被动工具变为主动协作者。它不再等待用户发出每一个命令，而是持续观察产品数据和业务状态，识别异常并建议行动。对于一些高度标准化、风险可控的任务，软件甚至可以自动执行。
这正是PTC所描述的从线性、孤立流程转向适应性闭环运营：设计不再是生命周期的起点或终点，服务也不只是产品交付后的成本中心。现场数据可以持续返回研发体系，工程变更能够更快传递到制造和服务端，产品生命周期从一条单向链条变成持续学习的循环。
写在最后
客观地说，PTC的AI战略目前仍处于搭建基础的阶段。Creo中的AI更多承担指导和辅助分析，Orbit刚开始连接产品设计态与资产运维态，AI平台和智能体也需要在真实客户环境中验证。但这些产品已经勾勒出一条相对清晰的路线：先连接产品数据，再建立工业情境；先以助手进入工作流，再逐步增加智能体的执行能力；最终通过智能层把分散的软件系统转变为贯穿产品生命周期的决策网络。
未来几年，工业AI市场上仍会出现大量概念、助手和智能体，但真正能够长期留下来的能力，未必是最像人的聊天界面，也未必是参数最多的模型。决定工业AI价值的，仍然是它能否理解真实产品，能否调用可信数据，能否进入关键工作流程，并在治理和责任边界内改善质量、成本、合规和速度。
工业软件过去的竞争，是谁能够更完整地记录企业运行。下一阶段的竞争，将是谁能够把这些记录转化为判断和行动。PTC真正押注的，也正是这一变化。
京公网安备 11010202008829号