那麼遠又這麼近：數字孿生的非典型問題

年末了，會有各類各樣諸如《2019十大技術》《明年這五大技術改變世界》《這八個技術要變天，不知道你明年就別想加薪》之類的神祕文章出現。

其實吧，這類預測要麼是常識，要麼乾脆不靠譜，真知灼見並不算多。然而假若有種技術，戀念登上這類榜單，那是否是有點尷尬？

這就像一個高中生，登上了學校發佈的「明年這十我的能考上北大」，那顯然是值得高興的。可是假如三年連續榮登該榜，那家裏估計會挺着急。

還真有這樣的技術，你們有興趣能夠翻翻2016年到今天的這類預測榜單，會發現有種技術一直在上面，它叫作：數字孿生。

所謂數字孿生，用比較正式的話術解釋，就是指產品物理實體在信息空間中集成出仿真模型所達成的數字孿生體，以及利用數字孿生體實現產品生命週期檔案化管理的相關技術。

是否是沒聽懂？

沒事，無所謂的。說白了，數字孿生就是現實中有臺機器，我們就在電腦裏也搞臺如出一轍的虛擬機器。這樣把數字世界裏那臺一頓折騰，看看它何時壞，咱就能預測真機器何時檢修了。

聽起來很靠譜對不對？事實上，數字孿生確實在各個領域都有着普遍的應用前景，諸如建築工程、智慧城市、航空設計，而且也是著名的德國工業4.0中探索的核心技術之一。西門子是目前世界上公認對數字孿生投入最大，探索最深刻的公司。

然而問題來了，爲何這個聽上去很踏實的技術，卻永遠活在「明年必定要火」的預測裏呢？

這項技術真的就是物聯網世界中的「屠龍之術」，沒什麼實際用處嗎？

本文就是解答這些問題的，要否則我說這麼多幹嗎？可是要注意，在第一段結尾咱們要經歷一個邏輯轉彎，你們必定要跟上哦。

爲何它永遠活在「明年」？

《航空週報》曾經作過這樣一個預測：2035年，當航空公司接收一架飛機的時候，將同時收到一套數字飛機。這套數字飛機包含真飛機的每個部件，每個結構，而且伴隨着真飛機的每一次飛行而老化。這樣飛機有任何問題，均可以在數字孿生系統中被預先感知到，從而將航空安全邁向新的臺階。

可是這種想法隨之遭到了航空界業內人士的反對，他們認爲依靠虛擬映射去判斷飛機故障，纔是真正靠不住的歪理邪說。飛機在每次飛行中所受到的氣壓、氣流、溫度差別，都在不一樣程度影響飛機機械構造。而這種影響是虛擬世界沒法精細反射出來的，依靠數字系統去判斷飛機的真實狀況，才真正可能將飛機帶向危險。

這個爭論反應了數字孿生領域的一個先天問題：數字孿生做用於製造業等領域的想法很好。然而數字孿生又沒法真正複製物理細節，但工業體系卻有必須保障高度精準。致使這類技術失蹤在看上去很酷，和實際沒人用之間徘徊。

這裏必需要澄清一個概念，從2002年密歇根大學教授Dr. Michael Grieves第一次公開提到數字孿生概念開始，它就不是某種技術方式序列，而是一個技術目標。

就像AI，人工智能其實是對模擬人類智慧、思惟、情感的若干種技術實現方式的合集，而不只僅是專家系統或者機器學習。數組孿生也是同樣，它是一種以複製現實中生產系統爲目標，各類技術解決方案構成的技術集羣，而不是真的有一種技術叫作數字孿生。

在咱們通常意義上討論的數字孿生中，設計物理仿真、傳感系統、大數據、沉浸技術、物聯網數據可視化技術等方方面面。總之，可以參與到物理生產系統複製這個目標中來的技術，均可以算做數字孿生的構成部分。

而偏偏因爲這些技術中的某幾項近年正在經歷快速發展，因此數字孿生也頻頻登錄預測榜，讓人以爲這項技術很快就來。

然而真的想在虛擬世界中，完全複製一個生產線、一架飛機，卻會遭遇到若干阻礙，好比說：

一、缺少通用平臺。數字孿生涉及設計、傳感、虛擬現實、數據標識、物理虛擬等多個維度的技術。這些是很難在統一平臺中表示出來的。

二、真正須要孿生的設備並很少。讓咱們回想一下，工廠裏的機器大部分都沒有虛擬備份和隨時更新的影子系統，不也用的好好的嗎。因此數字孿生極可能實際上是個商業空間很是狹小的技術服務種類。須要的行業並很少，而且以定製化需求爲主。

三、物理表徵依舊很難進行數字化模擬，今天不少物聯網雲平臺提供的「數字孿生」服務，實際只能提供一個數據監控和3D模型而已。

四、孿生一個龐大生產系統、工業系統，甚至交通系統，所須要的算力是驚人的。可是佔用如此大算力是否能獲得效益最大化回報卻值得懷疑。

這樣來看，真正全流程週期監控和預測的數字孿生體系仍是距離咱們太遠了。但從某種程度上說，咱們能夠把各類現有技術叫作數字孿生的一部分，甚至CAD製圖也是在孿生生產系統。

但若是界定一個很是嚴格的界限，那麼數字孿生可能還活在實驗室裏。

可是先別急着失望，這個故事其實與人工智能在今天的狀況依舊有點類似。好比說咱們若是想要奧創那樣的人工智能，那可能得等到8102年，但若是想用人工智能完成我的臉識別啥的，那麼2018就能夠。

數字孿生也是如此，雖然理想中的工業數字孿生，甚至城市數字孿生並不靠譜，但若是咱們把它當作一個思路，願意認可不完整的數字孿生一樣有價值，那麼在這兩年的產業服務市場中，或許會有意外發現。

好比說，依靠數據挖掘+物聯網雲+AI這條技術軌跡，達成的工業數據的數字孿生，正在展示出巨大的潛力——而且不用等到明年再說。

這個邏輯的關鍵節點在於，咱們爲何必定要像科幻電影裏同樣，在屏幕上看到一個可拆卸可組裝，保留所有物理特性的機器呢？咱們只要經過虛擬世界的測算和分析，讓機器散發出更大的生產力就行了。

機器學習+數據挖掘，

正在某種程度上激活數字孿生

大部分工業生產設備，本質上就是投入生產材料，產出生產結果的數據運算。其中資源使用數量、良品率、生產效率、生產結果，這些最關鍵節點也都是數據。若是咱們放棄直接可視，保留物理特性的數字孿生，而僅僅把數據系統孿生出來，彷佛在技術上並不須要面對特別的挑戰。

隨着雲計算和數字化升級這些理念的興起，愈來愈多的雲服務商和企業數字化服務商，開始基於數據採集，提供數據層面的系統孿生服務，好比甲骨文很早就提供相似能力。

可是對於企業來講，比較尷尬的地方在於，個人機器被孿生以後，我到底可以獲得什麼呢？看到屏幕上一大堆數字在跑，這個彷佛對於企業的意義並不大。所帶來的提高無非兩點，一個是企業管理者和工程師能夠更精準的看到全局數據；而是企業數據有了備份，一旦出問題能夠查詢。

這兩點固然也是有意義的，但與不菲的服務費相比，彷佛就值得思考一下了。

而AI的到來，確切說就是數據挖掘技術與機器學習技術的融合，正在激活這種簡陋版數字孿生的新活力。

在傳統意義上，一間工廠裏的各類原材料、設備、人員和質量檢測，是分別獨立的生產系統，相互合做更多憑藉工人經驗。所謂生產線，每每也是要給上一流程環節保留最大化生產時間，再進入下一流程中。

這就像一個大霧天的路口，由於懼怕撞車，因此必須等前一輛車過去很遠，後一輛車纔敢開過去。極大的生產效率也就在其中被浪費。而假如咱們利用機器學習技術，利用數字孿生體系中模擬生產環節的鏈接，也就能夠剝開生產環節間的認知迷霧，用上帝視角來指揮車間裏的交通。

固然，機器學習+工業數據的想象力遠遠不止於此。能耗問題、配料問題、次品出現緣由，等等工業生產中的問題均可以用相似能力來解決。

因此說，AI帶來的想象力，從新激活了數據孿生的企業應用價值。包括3D模擬機器，在不少AI算法的幫助下，預測受損點和檢修時間也在成爲可能。

結果這個故事變成了這樣：在咱們期待的全物理擬態數字孿生依舊遙遠的今天，數字孿生卻可能基於工業IoT+AI的落地，產生另外一重價值。而且這個發展機遇，正在反向影響數字工業裏的不少產業關係。

試用版數字孿生，

一樣讓工業IoT亢奮不已

最後讓咱們聊一下，數字孿生技術今天在AI+工業裏帶來的一些改變。在聚焦愈來愈多活力的B端智能技術市場中，數字孿生的價值在於爲企業提供一個能夠備份、轉移、在虛擬世界進行學習和邏輯分析的參照系。不少智能工業平臺中都引入了數字克隆的部分，而爲企業提供數字孿生基礎上的增值服務，也在變得愈來愈多樣。

在工業IoT體系中，比較主流的智能化要經歷這樣一個流程：首先基於數據收集和傳感體系，在儘可能完善的部分搭建數據採集系統；然而基於IoT雲進行數據上傳，這樣企業就有了數字化基礎；然後採用數字孿生解決方案，在虛擬平臺中搭建抽象化的工業設備鏡像；繼而根據具體目標，利用深度學習算法一類的技術完成對數據的智能分析，給出優化生產流程的可行性分析；最後基於分析結果，進行各環節的技術優化與人工優化。

這固然僅僅是個基礎邏輯，在解決具體問題時，企業要經歷變幻無窮的特殊問題處理。而數字孿生在整個工業智能化體系中，帶給企業以不少新的可能性。好比：

一、工業IoT的門檻被下降。遠程分析、數據集中監控等工業生產的互聯網化方案成爲可能性。一家企業不見得必須僱傭強大的數據專家或者AI學者，而能夠經過數字孿生的方式遠程找到工業優化方案。

二、定製化生產更加容易。經過數字孿生技術搭配AI，企業將更加容易解決定製化工業產品的設計與生產關係問題。精細化生產和快流程生產都變得更加容易。

三、企業的「經驗」也能夠被孿生。今天不少企業不肯意嘗試數字化轉型，緣由在於企業中不少生產流程是一步步探索，手耳相傳的抽象經驗。盲目數字化可能會形成工人的不適應，反而下降生產效率。而數字孿生帶來的另外一個可能，是基於機器視覺和數據吸取裝置，企業可能將生產經驗、流程習慣等沒法具現化的東西，在數據平臺上孿生出來。達成行業經驗與工業實體的數字融合。

雖然目前咱們只能用到試用版的簡裝數字孿生技術，甚至極可能不叫這個名字。可是放在一個技術體系的改觀裏，這項技術確實可能帶給實體經濟以不小的啓迪。雖然影子飛機那樣的數字孿生可能還有在等上若干年，可是又有什麼所謂呢。

就讓預測歸預測，實幹歸實幹，不少技術並不必定要等到徹底成熟才能夠應用，這個非典型案例裏，或許能讓咱們得到一種比較典型的技術可能性。