那么遠又這么近：數字孿生的非典型問題

年底了，會有各種各樣諸如《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》之類的神秘文章出現。

其實吧，這類預測要么是常識，要么干脆不靠譜，真知灼見并不算多。然而假如有種技術，戀念登上這類榜單，那是不是有點尷尬？

這就像一個高中生，登上了學校發布的“明年這十個人能考上北大”，那顯然是值得高興的。但是假如三年連續榮登該榜，那家里估計會挺著急。

還真有這樣的技術，大家有興趣可以翻翻2016年到今天的這類預測榜單，會發現有種技術一直在上面，它叫做：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周期檔案化管理的相關技術。

是不是沒聽懂？

沒事，無所謂的。說白了，數字孿生就是現實中有臺機器，咱們就在電腦里也搞臺一模一樣的虛擬機器。這樣把數字世界里那臺一頓折騰，看看它什么時候壞，咱就能預測真機器什么時候檢修了。

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著廣泛的應用前景，諸如建筑工程、智慧城市、航空設計，并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，探索最深入的公司。

然而問題來了，為什么這個聽上去很踏實的技術，卻永遠活在“明年一定要火”的預測里呢？

這項技術真的就是物聯網世界中的“屠龍之術”，沒什么實際用處嗎？

本文就是解答這些問題的，要不然我說這么多干嘛？但是要注意，在第一段結尾我們要經歷一個邏輯轉彎，大家一定要跟上哦。

為什么它永遠活在“明年”？

《航空周報》曾經做過這樣一個預測：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一個部件，每一個結構，并且伴隨著真飛機的每一次飛行而老化。這樣飛機有任何問題，都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。

但是這種想法隨之遭到了航空界業內人士的反對，他們認為依靠虛擬映射去判斷飛機故障，才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、溫度差異，都在不同程度影響飛機機械構造。而這種影響是虛擬世界無法精細反射出來的，依靠數字系統去判斷飛機的真實情況，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：數字孿生作用于制造業等領域的想法很好。然而數字孿生又無法真正復制物理細節，但工業體系卻有必須保障高度精準。導致這類技術失蹤在看上去很酷，和實際沒人用之間徘徊。

這里必須要澄清一個概念，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，人工智能實際上是對模擬人類智慧、思維、情感的若干種技術實現方式的合集，而不僅僅是專家系統或者機器學習。數組孿生也是一樣，它是一種以復制現實中生產系統為目標，各種技術解決方案構成的技術集群，而不是真的有一種技術叫做數字孿生。

在我們一般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，能夠參與到物理生產系統復制這個目標中來的技術，都可以算作數字孿生的構成部分。

而恰恰由于這些技術中的某幾項近年正在經歷快速發展，所以數字孿生也頻頻登陸預測榜，讓人覺得這項技術很快就來。

然而真的想在虛擬世界中，徹底復制一個生產線、一架飛機，卻會遭遇到若干阻礙，比如說：

1、缺乏通用平臺。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。

2、真正需要孿生的設備并不多。讓我們回想一下，工廠里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。所以數字孿生很可能其實是個商業空間非常狹小的技術服務種類。需要的行業并不多，并且以定制化需求為主。

3、物理表征依舊很難進行數字化模擬，今天很多物聯網云平臺提供的“數字孿生”服務，實際只能提供一個數據監控和3D模型而已。

4、孿生一個龐大生產系統、工業系統，甚至交通系統，所需要的算力是驚人的。但是占用如此大算力是否能得到效益最大化回報卻值得懷疑。

這樣來看，真正全流程周期監控和預測的數字孿生體系還是距離我們太遠了。但從某種程度上說，我們可以把各種現有技術叫做數字孿生的一部分，甚至CAD制圖也是在孿生生產系統。

但如果界定一個非常嚴格的界限，那么數字孿生可能還活在實驗室里。

但是先別急著失望，這個故事其實與人工智能在今天的情況依舊有點相似。比如說我們如果想要奧創那樣的人工智能，那可能得等到8102年，但如果想用人工智能完成個人臉識別啥的，那么2018就可以。

數字孿生也是如此，雖然理想中的工業數字孿生，甚至城市數字孿生并不靠譜，但如果我們把它當做一個思路，愿意承認不完整的數字孿生同樣有價值，那么在這兩年的產業服務市場中，或許會有意外發現。

比如說，依靠數據挖掘+物聯網云+AI這條技術軌跡，達成的工業數據的數字孿生，正在展現出巨大的潛力——并且不用等到明年再說。

這個邏輯的關鍵節點在于，我們為什么一定要像科幻電影里一樣，在屏幕上看到一個可拆卸可組裝，保留全部物理特性的機器呢？我們只要通過虛擬世界的測算和分析，讓機器散發出更大的生產力就好了。

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。如果我們放棄直接可視，保留物理特性的數字孿生，而僅僅把數據系統孿生出來，似乎在技術上并不需要面對特別的挑戰。

隨著云計算和數字化升級這些理念的興起，越來越多的云服務商和企業數字化服務商，開始基于數據采集，提供數據層面的系統孿生服務，比如甲骨文很早就提供類似能力。

但是對于企業來說，比較尷尬的地方在于，我的機器被孿生之后，我到底能夠得到什么呢？看到屏幕上一大堆數字在跑，這個似乎對于企業的意義并不大。所帶來的提升無非兩點，一個是企業管理者和工程師可以更精準的看到全局數據；而是企業數據有了備份，一旦出問題可以查詢。

這兩點當然也是有意義的，但與不菲的服務費相比，似乎就值得思考一下了。

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，一間工廠里的各種原材料、設備、人員和質量檢測，是分別獨立的生產系統，相互合作更多憑借工人經驗。所謂生產線，往往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，因為害怕撞車，所以必須等前一輛車過去很遠，后一輛車才敢開過去。極大的生產效率也就在其中被浪費。而假如我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連接，也就可以剝開生產環節間的認知迷霧，用上帝視角來指揮車間里的交通。

當然，機器學習+工業數據的想象力遠遠不止于此。能耗問題、配料問題、次品出現原因，等等工業生產中的問題都可以用類似能力來解決。

所以說，AI帶來的想象力，重新激活了數據孿生的企業應用價值。包括3D模擬機器，在很多AI算法的幫助下，預測受損點和檢修時間也在成為可能。

結果這個故事變成了這樣：在我們期待的全物理擬態數字孿生依舊遙遠的今天，數字孿生卻可能基于工業IoT+AI的落地，產生另一重價值。并且這個發展機遇，正在反向影響數字工業里的很多產業關系。

試用版數字孿生，同樣讓工業IoT亢奮不已

最后讓我們聊一下，數字孿生技術今天在AI+工業里帶來的一些改變。在聚焦越來越多活力的B端智能技術市場中，數字孿生的價值在于為企業提供一個可以備份、轉移、在虛擬世界進行學習和邏輯分析的參照系。很多智能工業平臺中都引入了數字克隆的部分，而為企業提供數字孿生基礎上的增值服務，也在變得越來越多樣。

在工業IoT體系中，比較主流的智能化要經歷這樣一個流程：首先基于數據收集和傳感體系，在盡量完善的部分搭建數據采集系統；然而基于IoT云進行數據上傳，這樣企業就有了數字化基礎；而后采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；最后基于分析結果，進行各環節的技術優化與人工優化。

這當然僅僅是個基礎邏輯，在解決具體問題時，企業要經歷千變萬化的特殊問題處理。而數字孿生在整個工業智能化體系中，帶給企業以很多新的可能性。比如：

1、工業IoT的門檻被降低。遠程分析、數據集中監控等工業生產的互聯網化方案成為可能性。一家企業不見得必須雇傭強大的數據專家或者AI學者，而可以通過數字孿生的方式遠程找到工業優化方案。

2、定制化生產更加容易。通過數字孿生技術搭配AI，企業將更加容易解決定制化工業產品的設計與生產關系問題。精細化生產和快流程生產都變得更加容易。

3、企業的“經驗”也可以被孿生。今天很多企業不愿意嘗試數字化轉型，原因在于企業中很多生產流程是一步步探索，手耳相傳的抽象經驗。盲目數字化可能會造成工人的不適應，反而降低生產效率。而數字孿生帶來的另一個可能，是基于機器視覺和數據吸收裝置，企業可能將生產經驗、流程習慣等無法具現化的東西，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。

雖然目前我們只能用到試用版的簡裝數字孿生技術，甚至很可能不叫這個名字。但是放在一個技術體系的改觀里，這項技術確實可能帶給實體經濟以不小的啟迪。雖然影子飛機那樣的數字孿生可能還有在等上若干年，但是又有什么所謂呢。

就讓預測歸預測，實干歸實干，很多技術并不一定要等到完全成熟才可以應用，這個非典型案例里，或許能讓我們獲得一種比較典型的技術可能性。