Место проведения китайского элитного форума PTC по отрасли производственного оборудования в Чанше
Сегодня технология искусственного интеллекта переходит от универсальных вопросов-ответов и генерации контента к новому этапу глубокого встраивания в ключевые бизнес-процессы предприятий. Для отраслей производственного оборудования, энергетики, высокотехнологичного оборудования и новой энергетики ценность ИИ уже не ограничивается «наглядным демо-эффектом», а определяется тем, способен ли он войти в разработку продукции, инженерию требований, управление данными PLM, управление жизненным циклом ПО, координацию цепочки поставок и сервисную эксплуатацию, чтобы по-настоящему решать практические проблемы: длинные циклы разработки, сложность инженерных данных, высокую стоимость межкомандного взаимодействия, трудности отслеживания влияния изменений требований, высокую нагрузку тестирования и валидации.
17 июня 2026 года успешно прошёл китайский элитный форум PTC по отрасли производственного оборудования в Чанше. Мероприятие под темой «ИИ ведёт цифровую инновацию всей цепочки создания стоимости в отраслях оборудования и энергетики» собрало глобальных руководителей PTC, местных технических экспертов, отраслевых партнёров экосистемы, а также руководителей цифровизации предприятий из сфер машиностроения, ветроэнергетики, высокотехнологичного оборудования — для совместного обсуждения путей масштабируемого внедрения промышленного ИИ в производстве оборудования и энергетике.
Как представитель партнёров экосистемы PTC, неизменно сосредоточенный на практическом внедрении ИИ, SOIN AI была приглашена на мероприятие и вокруг ключевых производственных сценариев — «инженерия требований к продукции, усиленная ИИ», «Windchill + AI», «Codebeamer + AI» — системно представила свои наработки в области Agentic AI, отраслевых моделей, обработки инженерных знаний, управления требованиями, генерации тестов, интеллектуального взаимодействия с данными продукции и локализованного развёртывания ИИ.
Это уже не первое выступление SOIN AI на платформе экосистемных обменов PTC после китайского элитного форума PTC по цифровой трансформации в Сямэне, китайского отраслевого элитного форума PTC в Ухане и автомобильного элитного форума PTC в Циндао — с возможностями ИИ-приложений для реальных производственных сценариев. Ранее SOIN AI неоднократно подчёркивала на мероприятиях PTC, что внедрение ИИ в производстве должно исходить из бизнес-болевых точек, сочетаться с данными, процессами и возможностями вертикальных моделей предприятия, постепенно разворачиваясь в интеллектуальных агентах (Agent), способных к самостоятельной диспетчеризации и применению в главных бизнес-процессах, а не оставаться на уровне изолированных инструментов или разовых демонстраций.
Стратегия PTC в области интеллектуального жизненного цикла продукции: ИИ входит в цифровой поток производства
Г-н Брэд Фергюсон, старший вице-президент PTC по глобальному консалтингу решений
На площадке PTC поделилась видением интеллектуальной системы жизненного цикла продукции, ИИ-стратегии и дорожной карты продуктов. PTC заявила, что для производства с углубляющейся интеллектуализацией, софтизацей и сервисизацией предприятиям необходимо опираться на доверенные данные продукции, встраивая ИИ в инструменты и рабочие процессы, которыми инженеры пользуются ежедневно, чтобы раскрыть больше ценности на всём жизненном цикле продукта. Официальная ИИ-стратегия PTC также подчёркивает: корпоративный ИИ строится на доверенных данных продукции и встраивается в повседневные инструменты и рабочие процессы клиентов, поддерживая более эффективные инновации продукции, принятие решений и сотрудничество.
В продуктовом портфеле PTC Windchill AI встраивает генеративный и агентный ИИ в процессы PLM, помогая автоматизировать рабочие процессы, извлекать инсайты из данных продукции и повышать производительность; Codebeamer AI, встраивая генеративный ИИ в ALM, поддерживает обработку требований, повышение качества и ускорение разработки. Это направление полностью совпадает с продуктовой философией SOIN AI: «ИИ входит в главный процесс, а не добавляет отдельного ассистента».
Сложность отраслей производственного оборудования и энергетики определяет: чтобы создавать долгосрочную ценность, ИИ должен понимать инженерную семантику, связи процессов, границы полномочий и контекст данных. Между требованиями, BOM, изменениями, тестами, качеством, цепочкой поставок, эксплуатацией существует множество связей «вверх-вниз», и малейший сбой понимания на одном звене может вырасти в дорогостоящие переделки на последующих этапах проектирования, валидации, поставки и аудита. Поэтому ИИ-способность, действительно подходящая производству, должна не только «уметь отвечать на вопросы», но и уметь выполнять задачи вокруг конкретных инженерных объектов, организовывать контекст, выдавать структурированные результаты и после подтверждения человеком записывать их обратно в цифровой поток предприятия.
Инженерия требований к продукции, усиленная ИИ: от «ИИ, отвечающего на вопросы» к «Agentic AI, входящему в процесс разработки»
Выступление г-на Ван Сенаня, эксперта по приложениям генеративного ИИ компании SOIN
В тематической сессии «инженерия требований к продукции, усиленная ИИ» г-н Лю Хунсюнь, технический консультант предпродажного направления PTC China, и г-н Ван Сенань, эксперт по приложениям генеративного ИИ компании SOIN, обменялись мнениями о трансформации инженерии требований в эпоху программно-определяемых продуктов. Перед общими для сложных машиностроительных предприятий проблемами — длинные цепочки требований, высокая плотность параметров, сложность межкомандного взаимодействия, трудность отслеживания изменений требований — обе стороны показали, как ИИ в связке с платформами управления требованиями вроде Codebeamer формирует сквозную интеллектуальную усилительную способность: от импорта требований, проверки качества, проверки согласованности, интеллектуального разбиения до генерации тест-кейсов.
SOIN AI отметила на площадке: инженерии требований в сложном машиностроении нужна не только работа с текстом, но и устойчивое суждение о терминах, параметрах, правилах и связях. Универсальные модели решают задачи понимания, обобщения и генерации на уровне естественного языка, но в сложных сценариях — гидравлика, электронное управление, стратегии управления, безопасность накопителей энергии, границы инженерных параметров, корпоративные правила и связи «вверх-вниз» — предприятию нужна совместная опора на отраслевую модель и инженерию контекста, чтобы ИИ перешёл от «чтения слов» к «чтению инженерных ограничений». Это суждение отражено и в материалах SOIN AI на площадке: ключ к агенту инженерии требований — лучшая инженерия контекста; лишь объединив источники требований, связи, правила, историю, тесты и границы полномочий, результаты ИИ приобретают инженерную пригодность.
Вокруг этой цели SOIN AI встроила возможности ALA в главный процесс управления требованиями Codebeamer, сформировав замкнутый контур «чтение требований и цепочки связей по ID — вспомогательная обработка ИИ — вывод структурированного результата — подтверждение человеком — запись обратно в основную линию Codebeamer». Этот путь подчёркивает: ИИ не заменяет финальное суждение инженера, а в высокочастотных действиях — чтение, проверка, поиск, разбиение, валидация — предоставляет подтверждаемую, отслеживаемую, записываемую обратно инженерную поддержку.
SOIN AI ALA: наработки ИИ-продукта для управления жизненным циклом ПО в интересах передового производства
Демонстрация возможностей интеграции SOIN AI ALA в Codebeamer
ALA (интеллектуальный ассистент жизненного цикла самостоятельной разработки), представленная SOIN AI в центре внимания этого мероприятия, — отраслевое интеллектуальное приложение уровня ALM, построенное на собственной базе SOIN AI: движке Agentic Workflow Engine (AWE) и наборе Agentic Documents Suite (ADS). Ориентированная на высокоценовые звенья — ревью требований, управление тестами, подбор компонентов, — она превращает знания, рассеянные по PDF, техническим спецификациям, документам требований, тестовым активам, прошлым проектам и опыту экспертов, в активы знаний, которые можно оркестрировать, вызывать и автоматически исполнять интеллектуальным агентам. По данным продуктовых материалов, ALA ориентирована на ALM-сценарии производства, в первую очередь обслуживает ревью требований, управление тестами и подбор компонентов и поддерживает требования соответствия и трассируемости INCOSE, ISO26262, ASPICE.
Вокруг сценария Codebeamer + AI SOIN AI уже накопила восемь сквозных ключевых ИИ-способностей для работы с требованиями:
Импорт PDF и разбор документов требований. Сталкиваясь с неструктурированными документами — PDF-спецификациями, протоколами, уведомлениями об изменениях от конечных заказчиков, — ALA автоматически преобразует их в документы требований с ясной структурой, нормализованным оформлением, редактируемые и переиспользуемые, сокращая ручной ввод и наведение порядка в формате и повышая скорость усвоения требований уже на старте проекта.
Перевод пунктов требований и межъязыковое сотрудничество. Для межрегиональной разработки, работы с зарубежными заказчиками, понимания иностранных технических стандартов ALA поддерживает высокоточный профессиональный перевод: опираясь на терминологические базы, семантику контекста и отраслевые нормы выражения, она выдаёт перевод с согласованной терминологией, логичным языком и возможностью интеракции, снижая искажения в понимании технических деталей у неносителей языка.
Проверка качества требований. Качество требований — источник цифрового потока разработки. ALA на основе стандартов качества требований вроде INCOSE интеллектуально проверяет ясность, полноту, проверяемость, согласованность пунктов требований, помогая выявить потенциальные двусмысленности, пробелы и нестандартные формулировки до того, как требования войдут в этапы проектирования, разработки и валидации, снижая риск переделок из-за смещения дефектов вниз по цепочке.
Проверка похожести требований и переиспользование знаний. В сложной среде разработки с параллельной работой многих команд и проектов частые проблемы — дублирование требований, несогласованность формулировок, недостаточное переиспользование исторических активов. Через семантический поиск и оценку схожести ALA выявляет похожие, дублирующие требования и потенциальные противоречия, поддерживает межпроектное переиспользование, трассируемость требований и анализ влияния изменений, повышая качество базы требований и эффективность ревью.
Проверка согласованности требований. В производстве оборудования, новой энергетике и высокотехнологичном оборудовании ключевые параметры пунктов требований часто связаны отношениями декомпозиции «вверх-вниз». Стоит исказиться передаче числовых границ — и на интерфейсах, интеграции систем, тестировании и валидации возможны отклонения. ALA автоматически проверяет согласованность ключевых числовых показателей в иерархии требований, выявляет конфликты и поддерживает переход к связанным требованиям, помогая обеспечить точную передачу параметров, разумное распределение и трассируемость.
Автоматическая генерация тест-кейсов. Против проблем ручного написания тест-кейсов — затяжек по времени, покрытия, зависящего от опыта, трудности унификации шагов и ожидаемых результатов — ALA выполняет процесс генерации тест-кейсов на основе содержания требований, выводя заголовок теста, предусловия, шаги исполнения и ожидаемый результат, и позволяет инженеру вручную корректировать и подтверждать на любом этапе, накапливая активы верификации требований в основной линии ALM.
Интеллектуальное разбиение требований ИИ. В процессе превращения требований к продукту в требования к ПО, требований к системе в требования к подсистемам ALA, сочетая целевой бизнес-контекст и ограничения, структурно разбивает требования и выдаёт требования к ПО или нижестоящие требования — ревьюируемые, отслеживаемые, с более согласованной гранулярностью, снижая упущения и двусмысленности ручного понимания.
Интеллектуальный поиск требований. Против низкой эффективности поиска по ключевым словам в огромных базах требований и трудности охвата инженерной семантики и ограничений параметров ALA поддерживает запросы на естественном языке и сопоставление с требованиями, возвращая списки релевантных требований по схожести и релевантности, помогая инженерам быстро находить исторические активы и поддерживая межпроектное переиспользование, анализ влияния и решения по разработке.
Официальный Codebeamer AI от PTC также усиливает написание требований, генерацию тестов, поддержание связей трассируемости и анализ рисков соответствия. По данным PTC, Codebeamer AI помогает генерировать, оптимизировать и прояснять требования, предлагает тест-кейсы на основе требований и поддерживает точные связи между артефактами, одновременно выявляя на раннем этапе пробелы, несоответствия и риски соответствия в жизненном цикле. Локализованная способность ALA от SOIN AI дополнительно учитывает реальные бизнес-практики китайских производителей, требования приватного развёртывания, отраслевые терминологические системы и среды интеграции существующих платформ, предлагая более близкие к местным сценариям усиленные решения.
Windchill + AI: от «управляемых» данных продукции к «понятным, переиспользуемым, поддерживающим решения»
Г-н Люй Чжэньюань, старший технический менеджер PTC по отрасли промышленного оборудования: стратегия локализованного ИИ Windchill и разбор кейсов
На этом мероприятии PTC также рассказала о стратегии локализованного ИИ Windchill и кейсах, показав прикладную ценность ИИ во взаимодействии с данными продукции, повышении эффективности исполнения бизнеса, интеллектуальной координации процессов. По официальным материалам PTC, Windchill AI, встраивая ИИ прямо в рабочие процессы PLM, помогает пользователям быстрее находить, понимать и обрабатывать сложные данные продукции, поддерживает запросы на естественном языке, резюмирование сложных документов, трассируемость доверенных данных продукции и повышает эффективность использования PLM при строгом контроле доступа и механизмах управления.
Вокруг сценария Windchill + AI SOIN AI уже сформировала в системе продуктовых услуг для производства целый ряд внедряемых наработок, особенно сосредоточенных на интеллектуальном взаимодействии с данными продукции, разборе технической документации по компонентам, поиске и подборе материалов, управлении данными BOM, анализе влияния изменений и усилении графа знаний.
В сценариях PLM-интегрированной цепочки поставок и управления компонентами типичные вызовы предприятий — неэффективный ввод данных, сложность поиска данных, ригидность аналитических процессов. Ручной ввод параметров материалов не только медленный и нерегулярный, но и влияет на точность подбора и BOM; перевод инженерами расплывчатых требований в технические параметры отнимает время и чреват ошибками; семантическое сопоставление и интеграция данных в многоязычных документах тоже даются трудно; традиционные аналитические процессы опираются на застывшие правила и плохо поддерживают гибкую, многомерную, кросс-источниковую поддержку решений. Материалы SOIN AI соотносят эти проблемы с тремя типами мер — интеллектуальный ввод, интеллектуальный поиск, интеллектуальный анализ, — включая автоматическую классификацию материалов и извлечение атрибутов, распознавание данных Datasheet и построение базы знаний компонентов, проверку дубликатов материалов и рекомендации замен, межпроектное переиспользование параметров, сравнительный анализ многоисточниковых данных и генерацию первичных технических предложений.
В разборе технической документации по компонентам SOIN AI поддерживает разбор и извлечение из документов разных форматов, распознавание и конвертацию на разных языках, интеллектуальную классификацию компонентов, извлечение атрибутов классификации и автоматическое создание классифицированных материалов, помогая предприятиям превращать неструктурированную информацию, рассеянную по PDF, Datasheet и спецификациям поставщиков, в структурированные активы данных и повышать качество данных о материалах у самого истока.
В интеллектуальном взаимодействии и поддержке решений SOIN AI поддерживает запросы на естественном языке, интегрированный анализ многоисточниковых данных, всестороннее сравнение компонентов и материалов, интеллектуальную рекомендацию альтернативных материалов и предложения по оптимизации конструкции, помогая инженерам сократить время на поиск, сопоставление и упорядочивание материалов в системе и посвятить больше сил проектировочным суждениям и инженерным решениям.
В более сложных бизнес-процессах PLM SOIN AI дополнительно соединяет граф знаний, RAG-усиленный поиск и возможности Agentic Workflow, поддерживая сценарии: ИИ-помощь в поиске и подборе материалов, ИИ-помощь в анализе влияния изменений конструкции, вспомогательная генерация планов контроля, интеллектуальное построение BOM. Цель — не обходить основные PLM-системы вроде Windchill, а, опираясь на существующую базу данных продукции и систему процессов, позволить ИИ под управлением доверенных данных, полномочий и человеческого подтверждения выполнять извлечение информации, понимание связей, предупреждение о рисках и структурированный вывод.
От точечных ИИ-функций к агентам уровня процесса: методология внедрения SOIN AI в производстве
Доклад об архитектуре отраслевых решений SOIN AI
Трудность внедрения ИИ в производстве никогда не сводилась к самим способностям модели — она в том, как модель соединяется с реальными процессами, реальными данными, реальными полномочиями и реальными механизмами ответственности предприятия. SOIN AI считает, что передовому производственному предприятию нужен полный замкнутый контур «ИИ-способность + оркестрация бизнеса + управление данными + человеческое подтверждение + запись в систему».
В продуктовой архитектуре SOIN AI сформировала основу способностей с ядром AWE и ADS. AWE предоставляет мульти-агентную, мульти-инструментальную диспетчеризацию и оркестрацию задач; ADS — разбор, нарезку, понимание, извлечение и структурную обработку сложных документов. На этой базе SOIN AI через Agentic RAG, мультимодальную нарезку, иерархические семантические Embedding, высокоточное извлечение сущностей требований, междокументную логическую проверку превращает сложные производственные документы, правила, требования, тесты, материалы и опыт прошлых проектов в инженерные знания — искомые, оцениваемые, оркестрируемые, переиспользуемые. По материалам, ALA уже сформировала систему отраслевых интеллектуальных агентов ALM, включающую агента ревью качества требований, агента генерации и оценки тест-кейсов, агента анализа влияния изменений, агента генерации матрицы трассируемости, агента предложений по оптимизации качества, и подчёркивает промышленные требования управляемости: локализованное развёртывание, приватные Embedding-модели, безопасную изоляцию документов, трассируемость цепочек рассуждений.
В пути развёртывания и управления SOIN AI рекомендует предприятиям стартовать с низкорисковых, высокочастотных, насущных сценариев, постепенно переходя к процессно-цепочечной эксплуатации инженерии требований: первый этап — материалы и качество вперёд, документы читаемы, переводы согласованы, качество требований сдвинуто к началу; второй этап — усиление переиспользования знаний и проверки связей, снижение дублирования и конфликтов через поиск по схожести, историческое переиспользование и проверку согласованности «вверх-вниз»; третий этап — соединение разбиения и валидации, накопление разбиения требований, генерации тестов и активов валидации в основном процессе; четвёртый этап — непрерывная оптимизация отраслевой модели, превращение экспертных правок, ложных срабатываний и пропусков, результатов человеческого подтверждения в образцы для обучения и оценки; пятый этап — построение системы управления и непрерывной эксплуатации, охватывающей полномочия, аудит, мониторинг, оценку и управление версиями, с итогом: меньше переделок, меньше пропусков, меньше дублирования, полная оставляемость следов.
Эта методология перекликается с суждением PTC о зрелости встроенного ИИ. PTC делит роль ИИ-агентов на предприятии на три стадии зрелости: «подсказывать, помогать, автоматизировать» — от мгновенного доступа к знаниям, резюмирования контента и поиска связанной информации к помощи в выполнении шагов рабочего процесса, а затем — к самостоятельному подключению к системам, мониторингу данных и продвижению результатов при минимуме человеческого ввода. Для производственных предприятий внедрение ИИ — не одномоментная замена существующих процессов, а постепенное движение на базе доверенных данных и управления процессами: от вспомогательных подсказок к координации процессов, а затем к автоматизированному исполнению в отдельных задачах.
Продолжая углубляться в экосистему PTC, двигать ИИ в производстве от «проверки концепции» к «инженерному результату»
Обмены на стенде управления жизненным циклом ПО, усиленного ИИ
В последние годы SOIN AI непрерывно исследует сценарии PLM, ALM и цифровизации производства в экосистеме PTC. В апреле 2026 года SOIN AI представила на китайском элитном форуме PTC по отраслям электроники, высоких технологий и медицинского оборудования в Ухане решение ALA для управления жизненным циклом ПО, показав в первую очередь способности в разборе документов требований, многоязычной обработке, проверке качества требований, распознавании похожести, анализе согласованности требований и явно предложила: ИИ должен идти от «распознавания содержания» или «ответов на вопросы» к глубокой поддержке управления требованиями, переиспользования знаний, совместных процессов и контроля качества.
В сентябре 2025 года на автомобильном элитном форуме PTC в Циндао SOIN AI делилась практическим опытом Agentic AI в автопроме, предлагая через построение мультимодальных баз знаний, глубокое слияние Agentic AI с PLM-системами и сочетание Agentic AI с ALM решить трансформационные болевые точки предприятий — «спящие данные, ригидные процессы, отсутствие эволюции». От электроники и медтехники к автомобилестроению, а далее к производству оборудования и энергетике — непрерывное участие SOIN AI в экосистеме PTC отражает последовательный путь от отраслевого обмена и проверки сценариев к продуктовым наработкам.
Форум в Чанше дал SOIN AI важный повод показать производственные ИИ-продукты ещё шире. Вокруг Codebeamer + AI SOIN AI уже сформировала сквозную цепочку способностей — от сбора, анализа, разбиения и реализации требований до их валидации; вокруг Windchill + AI SOIN AI встраивает интеллектуальный разбор документов, построение знаний о материалах, управление данными BOM, взаимодействие на естественном языке, анализ влияния изменений и усиление графа знаний в управление данными продукции и деловое взаимодействие PLM.
Глядя в будущее, SOIN AI продолжит придерживаться философии «в приложениях ИИ внедрение — король», опираясь на собственные возможности Agentic AI, отраслевые модели для производства и опыт корпоративного развёртывания, и вместе с партнёрами экосистемы PTC и большим числом предприятий производственного оборудования, энергетики, высокотехнологичного оборудования и новой энергетики исследовать глубокие применения ИИ в цифровизации разработки, управлении жизненным циклом продукции, управлении жизненным циклом ПО и координации цепочки поставок.
ИИ — не «внешний инструмент» цифровой трансформации производства, а эндогенная способность, входящая в данные продукции, инженерные процессы и систему знаний предприятия. SOIN AI надеется через основательные продуктовые наработки и внедряемые решения помочь производственным предприятиям превращать рассеянные данные в переиспользуемые знания, сложные процессы — в оркестрируемые задачи, а способности ИИ — в инженерные результаты более высокого качества, эффективности и трассируемости.