当生成式 AI 进入研发与制造，最容易被看见的能力是生成：更快画出方案、更快修改模型、更快完成技术文档。
但对一家拥有多年产品历史、多个工厂和数百万零件的企业来说，一个更昂贵的问题可能早在生成之前就已经发生：工程师准备设计的新零件，公司是不是早就有了？
2026 年 8 月，AWS 与几何智能公司 Physna 披露了一套连接三维设计数据与采购流程的方案。它不依赖零件名称或物料编号判断相似性，而是分析 CAD 模型的几何结构，再把结果带回工程、库存与采购流程。其价值不在于让 AI 多画一个零件，而在于阻止企业再次设计、采购和维护一个不必要的新零件。
这为企业级 AI 提供了一个值得重视的新方向：从“增加产出”转向“识别组织已经拥有的答案”。
重复设计不是个人失误，而是企业看不见自己的结果
大型制造企业的零件数据通常分散在不同工厂、产品线、PLM、ERP 和供应商系统中。同一个功能相近甚至几何相同的零件，可能因为命名规则、语言、年代或组织归属不同，拥有完全不同的编号与描述。
工程师搜索不到，并不意味着它不存在；采购人员看到一个新物料号，也无法据此判断另一个工厂是否已有替代件。于是一个局部合理的决定，会在全公司范围内产生长期成本：
因此，零件复杂度不是设计完成时的一次性成本，而是一笔会沿产品全生命周期持续计息的“物理复杂度债务”。
AWS 与 Physna 的联合文章引用其客户数据称，工程师可能将 20% 的时间花在重新设计 PLM 中已经存在的零件上，由此造成的低效可能令投产时间延长超过 40%。这些数字来自解决方案厂商自己的研究，并非独立行业调查，不能直接套用到其他企业。但它指出的管理问题是真实且可验证的：企业是否能在新设计、新物料和新供应商产生之前，发现已有资产与可替代方案？
- 工程部门重新设计、验证并维护图纸；
- 采购部门重新询价、认证供应商并创建合同；
- 工厂新增工艺、工装、质检与备件要求；
- 仓库增加库存单位和资金占用；
- 售后体系在多年后继续承担维修与停产风险。
企业需要的不是更大的资料库，而是“复用决策”
很多企业已经保存了海量 CAD 文件，却仍然无法复用。原因是“文件已归档”与“业务能判断是否可复用”之间还隔着很长距离。
名称、物料号和文字标签只能回答“它被叫作什么”；几何分析可以进一步回答“它长得是否相同或相近”。但相似也不等于可以直接替换。真正进入业务流程，还需要把几何关系与以下信息共同判断：
因此，AI 不应直接给出“这是同一个零件”的结论，而应形成一份可供工程与采购共同处理的复用候选单：候选零件是什么、为什么相似、哪些条件一致、哪些条件仍待验证、复用能避免哪些新增成本，以及谁有权批准替代。
这样一来，AI 输出的就不是一次搜索结果，而是一个可以进入设计评审和采购审批的业务对象。
- 材料、尺寸公差、表面处理和性能要求；
- 适用产品、工况、法规与认证范围；
- 库存位置、供应商、价格、交期与最小订购量；
- 当前版本、变更历史、质量记录与停产状态；
- 替代后需要重新验证的范围及其责任人。
把检查点放在成本尚未发生之前
零件治理常见的做法，是在库存过高、供应商过多或维护困难后开展专项清理。这能释放部分成本，却很难阻止复杂度继续增长。
更有效的做法，是把 AI 检查嵌入三个成本尚未固化的时刻：
AWS 披露的方案正是把几何分析结果通过 API、事件提醒和浏览器原生 CAD 查看能力带回这些工作位置。采购人员无需安装专业 CAD 软件，也能与工程师围绕同一个三维对象确认候选关系。
这里最重要的不是建立另一个独立的“AI 平台”，而是让复用判断发生在原有决策路径中。若系统只在专项分析时生成一份重复零件报告，几个月后新的重复项仍会继续产生。
- 新设计保存前：检索几何相同或相近的既有零件，要求工程师说明新建而非复用的理由；
- 新物料号创建前：联合检查技术条件、现有库存和已认证供应商，确认是否存在合格替代；
- 新采购申请发出前：识别其他工厂的可用库存、国内替代来源与潜在单一供应风险。
“相似”必须经过工程验证，不能被算法偷偷变成“等价”
在消费品推荐中，相似结果不准确，通常只是体验问题；在航空、汽车、医疗设备或关键工业装备中，错误替代可能影响安全、合规和产品责任。
NIST 关于增材制造零件认证的研究指出，零件或工艺是否合格需要通过统计试验、等效性验证或经验证的模型证明。NIST 推进的模型化产品定义也强调，三维模型之外还要保留材料、尺寸与几何公差、表面要求和制造说明等可执行信息。
这意味着企业必须清楚区分三种关系：
AI 可以快速缩小候选范围，但不能绕过产品认证和工程责任。尤其需要保留：使用了哪个模型与阈值、比较了哪些版本、匹配依据是什么、人工排除了什么，以及最终批准适用于哪些产品和工况。
- AI 可以提出的关系：业务含义：后续控制
- 几何重复：外形与结构高度一致：核对版本、材料、规格和所有权
- 功能相似：可能完成相近任务：工程分析与适用条件比较
- 可互换：在指定工况下可直接替代：正式验证、审批与变更管理
衡量价值，不要只看“搜索快了多少”
几何搜索的响应速度和模型准确率是技术指标，但管理层更应观察复杂度是否真的停止增长：
AWS 与 Physna 披露，一家未具名家电 OEM 通过零件标准化避免了近 8 亿美元成本；另一家国防造船企业避免了 10 亿美元未来成本，并把原本需要 54.4 万人工小时的跨项目零件比较缩短到数周。文章也称，某全球制造企业取得最高 5 倍工程生产率提升。
这些结果均来自 AWS 与解决方案厂商的联合披露，客户、周期、成本口径和独立审计信息有限。“避免成本”也不等于已经实现的现金利润。因此，它们更适合作为机会规模的信号，而不是项目立项时可直接承诺的收益率。企业应先用自己的新增物料、重复采购、验证成本和库存数据建立基线，再通过一个产品族或两家工厂验证。
- 新物料申请中，有多少在创建前找到了可复用件；
- 重复零件、低用量零件和单一来源零件的净增量是否下降；
- 从设计冻结到合格采购来源确认的周期是否缩短；
- 因标准化减少了多少认证、工装、库存和维护成本；
- 替代建议的误报率、驳回原因和验证工作量是多少；
- 因错误替代产生的返工、质量事件和供应中断是否保持在控制范围内。
AI 的另一种生产力，是让企业少做一次不必要的工作
企业讨论 AI 提效时，常把目标设为让同样的人完成更多设计、报告或采购任务。这种衡量天然鼓励产出增长，却可能忽略新增对象给下游带来的长期负担。
在复杂制造环境中，真正高价值的 AI 未必总是“创造者”。它也可以在工作开始前，先把组织分散多年的设计、库存和供应关系连接起来，让工程师看到已有方案，让采购看到已有选择，让管理层看见一次新增决定的全生命周期成本。
这类项目的起点也很具体：选一个重复率高、供应风险明显或库存负担较重的零件族，把 CAD、物料、供应商、库存和变更记录关联起来；在新零件创建前提供候选，但保留正式工程验证；最终用避免的新物料、新认证、新库存和新供应风险证明价值。
当 AI 能够生成越来越多答案，企业更稀缺的能力，反而是知道哪些问题根本不必再做一遍。
