数字孪生技术的巨大潜力 - 能够创建物理对象、流程和环境的数字副本 - 其应用跨越各个行业，从复制危险环境到展示用于远程培训目的的航天器。麦肯锡最近的分析表明，人们对数字孪生的兴趣如此之大，以至于全球数字孪生市场将在未来五年内每年增长约 60%，到 73 年将达到 5 亿美元。人们的兴趣显然是存在的，但收养真的随之而来吗？

答案是 - 这很复杂。数字孪生技术及其用例已经发生了巨大变化，但要大规模采用数字孪生，必须应对挑战。

数字孪生的演变

数字孪生技术的真正采用一直很缓慢，因为直到最近，它还缺乏超越简单地表示资产的智能。更有价值的是准确模拟、预测和控制其行为的能力。数字孪生也是定制的，缺乏从类似资产的行为中进行全局学习的能力。他们的见解是孤立的，并不总是适用于更广泛的组织需求，这使他们成为一项回报有限的巨额投资。

即便如此，数字孪生的一些早期采用者包括制造、零售、医疗保健和汽车行业，这些行业已经能够在受控环境中测试新的设施、配置和流程。

借助新的 AI 驱动方法，我们将看到从 “数字孪生” 到 AI 驱动的 “模拟” 和 “代理” 的快速转变，这将极大地拓宽用例并推动广泛采用。让我们看看这些用途类别：

• 表示 – 数字孪生的早期迭代是资产的简单数字表示，除了用于改进某些任务的设计和执行的特定利基用例之外，这些资产并不是特别有用。从本质上讲，这是数字孪生技术的“复制”状态。

• 模拟 – 如今，数字孪生正在从表示发展为模拟，这有利于更广泛的用例。仿真意味着数字孪生不仅镜像资产或环境，而且还准确模拟未来场景。在这个阶段，他们能够从其他类似流程的数据中学习，以获得有意义的见解。模拟孪生使用 AI 算法来模拟生产结果，推荐最佳机器设置，并指导生产团队在制造环境中改进业务目标。

• 代理 – 模拟之后的下一个演变将是代理，它将使资产、流程和整个生产部分能够自主规划和行动。在这个阶段，他们还将做出复杂的决策，并与人们合作，以推动更可持续的生产。这是数字孪生代理阶段。

在不同阶段之间移动需要不同级别的支持技术，因此组织拥有正确的技术堆栈以实现数字孪生的最大影响和投资回报率至关重要。

数字孪生的基础技术

在从表现转向模拟，然后最终转向代理之前，必须具备正确的基础技术。

再次以制造业为例，想要创建给定过程或工厂环境的数字模拟的组织必须具有可靠的在线传感能力。这些传感器在旅程的各个关键阶段从输入和输出提供数据，以提供强大的见解来为模拟提供信息。这些数据中有很多是现成的，我们已经看到加工制造商对输出（即纸张）进行质量在线测量，但输入（即用于纸浆生产的木纤维）的传感测量通常存在差距。

为了规避这种情况，制造团队必须明确定义他们试图实现的仿真以及所涉及的各种输入、机器和系统，以及整个过程中每个阶段的不同参数。这可能需要利用多个职能部门的专家来确保将模型的所有方面都考虑在内，这将有助于确保数据足够强大，为仿真提供支持。

连接和比较

在类似场景中，完全隔离的数字孪生会错过从其他模型中学习的机会。为数字孪生做出贡献的模型本身需要提供来自其他类似模型和数字孪生的数据，以展示全球“出色”或最佳的外观，而不仅仅是在正在检查的本地流程中。

因此，数字孪生需要大型云组件，否则组织可能会失去这项技术提供的全部承诺。

硬币的另一面是，数字孪生不能仅仅依赖云技术，因为云的延迟会给收集实时数据和实时指令等因素带来障碍。试想一下，如果模拟旨在防止机器故障，但模拟却在工件停止正常工作并且整个机器处于静止状态后检测到断裂的皮带，那将是多么毫无意义。

为了克服这些挑战，添加一个支持边缘 AI 的组件可能是明智的。这确保了数据可以尽可能接近正在模拟的过程。

部署和管理可能出现的痛点

除了拥有正确的技术堆栈和基础设施来为 AI 驱动的模拟孪生捕获必要的数据外，信任仍然是部署的重大障碍。伦敦的出租车司机可能知道城市地图及其所有捷径，但 GPS 通常会通过考虑交通数据为司机提供更准确的路线。同样，工程师和制造专业人员需要体验准确和安全的仿真，才能对自己的能力充满信心。

获得信任需要时间，但模型和数字孪生数据的透明度可以加快这一过程。组织应该从战略上考虑思维方式的转变，这是让团队信任这项强大技术的洞察力所必需的，否则就有可能错失投资回报率。

代理之路

尽管数字孪生前景广阔，但采用速度相对较慢，直到最近。AI 驱动的模型的引入可以通过连接来自其他模型的见解来构建独特的学习，从而将数字孪生从表示转变为模拟。

随着投资和信任的增加，数字孪生最终将达到代理地位，并能够自行做出复杂的决策。数字孪生的真正价值尚未被释放，但有可能改变从制造业到医疗保健再到零售业的行业。