其實孿生這個概念并不算新鮮，最早可以追溯到美國的太空探索計劃。上世紀(jì)六十年代的阿波羅13號任務(wù)就使用孿生技術(shù)對受損航天器進行狀態(tài)建模，希望解決宇航員如何安全返回地球這個終極難題。而近年來爆火的產(chǎn)品生命周期管理（PLM）領(lǐng)域數(shù)字孿生理念則來自Grieves于2000年初提出的概念，外加Vickers于2010年首次提出的“數(shù)字孿生”詞匯。如今的客戶希望能不斷推廣數(shù)字孿生的應(yīng)用范圍，涵蓋復(fù)雜設(shè)備的工程設(shè)計、3D沉浸式環(huán)境、預(yù)防性維護、工業(yè)設(shè)施運營、精準(zhǔn)醫(yī)療、數(shù)字農(nóng)業(yè)、制造、城市規(guī)劃以及一夜之間紅遍全球的元宇宙應(yīng)用場景。

　　然而，不少用于表示現(xiàn)實情境的傳統(tǒng)虛擬模型在很多方面似乎與數(shù)字孿生存在交集，其中包括工程模擬、CAD模型、物聯(lián)網(wǎng)儀表板乃至游戲環(huán)境等等。這種混亂讓客戶頗感困惑，也迫使他們快速澄清概念、以求推動新的業(yè)務(wù)價值。這里需要澄清一點，數(shù)字孿生不只是給傳統(tǒng)方法換上新鮮的營銷術(shù)語，而是隨著過去幾年大規(guī)模計算、建模方法與物聯(lián)網(wǎng)連接全面融合而剛剛獲得可行性的新興技術(shù)。因此在邁向數(shù)字孿生之旅前，我們先要搞清數(shù)字孿生究竟是什么，如何將現(xiàn)有建模方法整合至數(shù)字孿生當(dāng)中，又該怎樣立足業(yè)務(wù)用例開展逆向工程、為企業(yè)解決方案部署正確的技術(shù)。

　　為了幫助客戶從容駕馭數(shù)字孿生，我們AWS開發(fā)出一套框架，希望從業(yè)者能夠理解自身用例并實現(xiàn)所追求的商業(yè)價值。該框架的第一部分是對數(shù)字孿生做出簡明定義，第二部分則是分組索引，幫助客戶對現(xiàn)有用例做出分類，據(jù)此了解數(shù)字孿生的規(guī)模化構(gòu)建與部署需要哪些服務(wù)、技術(shù)、數(shù)據(jù)和模型。

　　在今天的文章中，我們將專注討論數(shù)字孿生的定義、分級索引以及各個層級所對應(yīng)的示例。后續(xù)文章則將以電動汽車為例，幫助大家具體理解各個層級的細節(jié)情況。

　　在與客戶交流對于數(shù)字孿生概念的理解方式時，我們總結(jié)出一系列具體場景，包括物理組件分析、設(shè)備預(yù)測性維護、流程性能優(yōu)化、具備自動化運營能力的工廠3D虛擬演練環(huán)境等。這些場景的共同點在于，數(shù)字孿生是指對物理世界中某種實物的數(shù)字化呈現(xiàn)，可使用實時數(shù)據(jù)進行更新，且用于推動業(yè)務(wù)成果。以此為基礎(chǔ)，我們對數(shù)字孿生做出以下定義：

　　數(shù)字孿生（DT）是指單一物理系統(tǒng)的動態(tài)數(shù)字表示，它使用數(shù)據(jù)動態(tài)保持更新，從而模仿物理系統(tǒng)的真實結(jié)構(gòu)、狀態(tài)與行為，旨在推動業(yè)務(wù)成果。

　　數(shù)字孿生中的四大關(guān)鍵要素分別是物理系統(tǒng)、數(shù)字表示、物理-數(shù)字間連通性、以及業(yè)務(wù)成果。先來看第一大要素，即物理系統(tǒng)本身，它可以是單一物理實體、多個物理實體的集合、物理過程、甚至是人。物理系統(tǒng)也不一定是工業(yè)系統(tǒng)，也完全可以是生物、化學(xué)、生態(tài)或者任何其他系統(tǒng)。第二個要素，即模型本身的數(shù)字表示，它指的不僅僅是數(shù)據(jù)集合或者數(shù)據(jù)模型，同時也要體現(xiàn)物理系統(tǒng)的結(jié)構(gòu)（或配置）；或者作為表達物理系統(tǒng)當(dāng)前狀態(tài)的載體，例如物聯(lián)網(wǎng)數(shù)據(jù)儀表板。換言之，它應(yīng)該是用于模擬物理系統(tǒng)行為的模型，例如當(dāng)我們提供一個輸出，模型就返回一個較為準(zhǔn)確的響應(yīng)輸出。這就引出第三大要素，連通性，這里強調(diào)的是“活動”連接能力。模型必須使用來自物理系統(tǒng)（例如傳感器）的數(shù)據(jù)進行定期更新，這樣才有資格被稱為數(shù)字孿生。經(jīng)過驗證的模型也能夠提供物理系統(tǒng)在特定時刻下的行為快照，但數(shù)字孿生的特點是能把模型所模擬的物理系統(tǒng)行為從靜態(tài)時刻擴展到隨時間變化的動態(tài)尺度，其中的具體更新頻率則取決于行為的變化速度。某些用例需要近實時更新，也有一些只需要每周更新。最后，數(shù)字孿生必須能夠帶來業(yè)務(wù)產(chǎn)出——也就是某種形式的經(jīng)濟或者商業(yè)價值。

　　數(shù)字孿生與現(xiàn)有建模方法（例如CAD等傳統(tǒng)3D建模方法、基于物理效應(yīng)的模擬、3D/AR/VR虛擬環(huán)境、基于傳感器數(shù)據(jù)流的物聯(lián)網(wǎng)儀表板、以及仿真游戲環(huán)境等）之間的主要區(qū)別，就在于數(shù)字系統(tǒng)與物理系統(tǒng)之間始終存在一條信息流。目前的常見誤解認為，數(shù)字孿生其實就是一種更復(fù)雜、保真度更高的虛擬表示。恰恰相反，數(shù)字孿生的關(guān)鍵在于定期更新，這才是直接影響數(shù)字孿生構(gòu)建方式、乃至整個生命周期中數(shù)據(jù)收集思路的核心。數(shù)字孿生必須使用數(shù)據(jù)流來了解系統(tǒng)的當(dāng)前狀態(tài)，通過對系統(tǒng)的最新觀察進行學(xué)習(xí)與自我更新（至少可更新），進而預(yù)測系統(tǒng)的當(dāng)前及未來行為。

　　例如，燃氣輪機葉片的數(shù)字孿生能夠獲取來自物聯(lián)網(wǎng)的溫度與壓力數(shù)據(jù)，借此預(yù)測裂紋長度等在設(shè)備正常運行期間根本無法觀察的變量。定期維護的視覺管道鏡檢查結(jié)果則不斷為數(shù)字孿生提供更新素材。以此為基礎(chǔ)，數(shù)字孿生開始預(yù)測不同運營條件及維護場景下的裂紋擴展率與剩余使用壽命（RUL），幫助操作員合理選擇最佳調(diào)度計劃與維護方案。之后，來自數(shù)字孿生的裂紋3D渲染圖及其他上下文相關(guān)指標(biāo)將通過儀表板向用戶直觀呈現(xiàn)，幫助人們快速了解裂紋的變化情況與剩余使用壽命。盡管CAD模型、物聯(lián)網(wǎng)儀表板、3D渲染/沉浸式演練與游戲環(huán)境本身并不能算數(shù)字孿生，但它們卻都可以成為數(shù)字孿生解決方案中的重要可視化單元，也往往代表著客戶在數(shù)字孿生探索之旅中邁出的第一步。

　　從數(shù)字孿生的定義可以看出，我們已經(jīng)摸清了數(shù)字孿生規(guī)模化開發(fā)及部署所需要的四項核心技術(shù)：基于傳感器的物理系統(tǒng)數(shù)據(jù)收集、物聯(lián)網(wǎng)連接、建模方法與大規(guī)模計算。在過去20年間，這些技術(shù)各自發(fā)展、互不干涉；但到2020年這個全新十年，這些技術(shù)開始融合并共同成為規(guī)模化數(shù)字孿生的實現(xiàn)基礎(chǔ)。

　　先來看基于傳感器的數(shù)據(jù)測量。以物聯(lián)網(wǎng)傳感器為例，其平均成本在2010年到2020年之間下降了50%，而且目前仍在不斷走低。所以10年之前還成本高昂的數(shù)據(jù)測量現(xiàn)在已經(jīng)成為新的可行方案，也將推動傳感器得到進一步普及、數(shù)據(jù)收集量持續(xù)提升。其次則是測量數(shù)據(jù)的傳輸能力——如果無法傳輸，那么后續(xù)分析與行動決策自然無從談起。我們單以無線網(wǎng)絡(luò)連接為主線，那么2010年初的行業(yè)標(biāo)準(zhǔn)還只是3G傳輸，速率不足1 Mbps。在接下來的十年間，3G被傳輸速率達到100 Mbps的4G標(biāo)準(zhǔn)所取代。如今，速率高達10 Gbps的5G正逐漸成為常態(tài)，傳輸速度較10年前提高了1萬倍以上。而10 Gbps恰好是物聯(lián)網(wǎng)設(shè)備的里程碑式閾值，已經(jīng)允許我們以近實時（低于10毫秒延遲）收集物聯(lián)網(wǎng)數(shù)據(jù)。

　　數(shù)字孿生的價值在于使用這些數(shù)據(jù)獲取可操作洞見，而價值的實現(xiàn)離不開先進的建模方法與大規(guī)模計算，對應(yīng)的正是第三與第四大要素。這里的“模型”一詞在不同場景下有著不同的定義，對于涉及預(yù)測未來狀態(tài)與規(guī)劃假定場景的應(yīng)用，我們需要采取科學(xué)的建模技術(shù)以預(yù)測各種現(xiàn)象（行為），包括流體動態(tài)、結(jié)構(gòu)變形、生化過程、天氣與物流等。而隨著可用算力的爆發(fā)式增長，機器學(xué)習(xí)、高性能計算與混合方法（例如受物理啟發(fā)的神經(jīng)網(wǎng)絡(luò)）等成果終于可以實現(xiàn)大規(guī)模部署。而在另一類場景下，模型則主要負責(zé)提供可視化、逼真的沉浸式環(huán)境。過去十年來，用于創(chuàng)建及操作3D對象的空間計算算法快速發(fā)展，也一步步讓沉浸式增強現(xiàn)實、虛擬現(xiàn)實乃至元宇宙成為可能。

　　最后，云計算的普及真正讓規(guī)模化計算走入了尋常百姓家。我們看到云服務(wù)商掌握的算力正呈指數(shù)級增長，這既要歸功于芯片本身的性能發(fā)展、也有賴于將無數(shù)芯片相互連接所形成的大規(guī)模可擴展云計算環(huán)境。由此，大規(guī)模按需計算開始成為一種“即服務(wù)”式商品，而且不只是政府部門和大型企業(yè)，小型初創(chuàng)公司甚至是個人都能獲得必要的計算資源，進而創(chuàng)新、發(fā)明、服務(wù)并改善自己的生活與工作體驗。

　　在與客戶的討論中，我們發(fā)現(xiàn)市場上存在著廣泛的用例需求，而且往往需要配合不同的AWS服務(wù)、技術(shù)與數(shù)據(jù)。為了幫助客戶們駕馭這一需求，我們開發(fā)出一份包含4個層級的數(shù)字孿生水平指數(shù)：1/描述性，2/信息性，3/預(yù)測性，4/活動性。其中第4級-活動性的定義如前文所述。第1級到第3級則適用于復(fù)雜程度各異的不同用例，每個用例各自對應(yīng)自己的商業(yè)價值。概括來講，這套水平指數(shù)類似于自動駕駛汽車領(lǐng)域的L0-L5分級，其中L0代表純手動駕駛、L1為自適應(yīng)巡航，而L5則是無需旗艦的純自動駕駛。作為客戶，您可以將自己的用例與適用的級別匹配起來，借此理解有助于加速業(yè)務(wù)價值與未來份額增長的特定服務(wù)及應(yīng)用模式。

　　L1-描述性側(cè)重于工程設(shè)計與物理系統(tǒng)（結(jié)構(gòu)）的視覺表示。它可以是2D工程圖（例如流程圖或P&ID圖）、建筑信息模型（BIM）或者復(fù)雜的高保真3D/AR/VR模型。其中還包含工程分析，例如一維分析、系統(tǒng)動力學(xué)、液體動力學(xué)與結(jié)構(gòu)力學(xué)計算等。描述性的目標(biāo)在于理解物理系統(tǒng)及其組件的設(shè)計原理。

　　其中的典型用例包括評估新設(shè)計、評估現(xiàn)有設(shè)施的重新配置、以及不同場景下的人員培訓(xùn)。例如，風(fēng)力渦輪機系統(tǒng)分析、葉片上氣流計算流體動力學(xué)（CFD）分析以及風(fēng)力渦輪機內(nèi)部3D/VR沉浸或沉浸式漫游等就屬于L1用例。

　　L2-信息性側(cè)重于集成來自物理系統(tǒng)的物聯(lián)網(wǎng)傳感器與維護數(shù)據(jù)，并以與上下文相匹配的方式將結(jié)果呈現(xiàn)給最終用戶，典型用例包括2D儀表板或3D上下文可視化（例如狀態(tài)信息可視化）。以此為基礎(chǔ)，最終用戶能夠理解物理系統(tǒng)的當(dāng)前狀態(tài)，并引入某些簡單分析功能以自動觸發(fā)警報。在工業(yè)領(lǐng)域，L2級別的數(shù)字孿生可以與企業(yè)資產(chǎn)管理（EAM）或企業(yè)資源規(guī)劃（ERP）系統(tǒng)相集成，基于物聯(lián)網(wǎng)與資產(chǎn)管理體系在單一窗格中顯示資產(chǎn)配置、維護歷史并預(yù)測即將出現(xiàn)的工單。

　　L2級別的典型用例主要側(cè)重于監(jiān)控和警報、根本原因分析與人員培訓(xùn)。例如，L2級用例涵蓋物聯(lián)網(wǎng)儀表板或3D渲染圖、顯示齒輪箱溫度數(shù)據(jù)，并在風(fēng)力渦輪機運行時根據(jù)既定規(guī)則發(fā)出警報。此外，還可以將工程數(shù)據(jù)與服務(wù)歷史以增強現(xiàn)實（AR）的形式進行疊加，幫助技術(shù)人員在維修時，通過移動設(shè)備/平板電腦或佩戴的AR眼鏡將真實場景與遠程傳輸?shù)臄?shù)據(jù)融合起來，甚至隨時接收遠端技術(shù)專家的指導(dǎo)。這聽起來似乎有點科幻，但在當(dāng)下已經(jīng)完全可以實現(xiàn)。AWS的合作伙伴之一Scope AR就已經(jīng)在為航空航天、能源、制造和醫(yī)療保健等行業(yè)的客戶提供這種基于增強現(xiàn)實的視覺知識傳遞服務(wù)。

　　L3-預(yù)測性專注于對無法測量的數(shù)值做出預(yù)測（例如虛擬傳感器、基于機器學(xué)習(xí)的異常檢測等），并使用預(yù)測模型了解不同行為在持續(xù)操作下所對應(yīng)的未來狀態(tài)。這些模型可以基于純科學(xué)原理推斷、純數(shù)據(jù)驅(qū)動（例如使用AI/ML分析），也可以是二者相結(jié)合。

　　L3級別的典型用例包括運營規(guī)劃與預(yù)測性維護（資產(chǎn)績效管理）、以及群組管理等。例如，L3中的混合模型可以預(yù)測健康狀態(tài)（虛擬傳感器）等量化指標(biāo)，并預(yù)測按當(dāng)前方式持續(xù)運行時的剩余使用壽命（RUL）。模型提供的預(yù)測還能夠在L1層級中結(jié)合上下文情境實現(xiàn)可視化（例如2D儀表板/3D/AR/VR）。這里以農(nóng)產(chǎn)品市場為例，AWS為我們的客戶Descartes Labs提供支持，幫助該實驗室使用衛(wèi)星圖像分析北美大陸范圍內(nèi)的農(nóng)作物健康狀況，同時結(jié)合價格、供需及其他市場數(shù)據(jù)生成商品市場預(yù)測。利用這些洞見結(jié)論，客戶將根據(jù)這些預(yù)測決定最佳對沖或交易策略，將信息轉(zhuǎn)化為價值數(shù)百萬美元的交易利潤。

　　L4-活動性則專注于模型的可更新能力，特別是在單一實體級別上提供可操作性洞見結(jié)論。當(dāng)然，在必要時這種洞見水平也可以推廣到群組級別。L4層級代表著數(shù)字孿生的高峰，到這里也就實現(xiàn)了我們提出的數(shù)字孿生完整定義。L3-預(yù)測性與L4-活動性之間的主要區(qū)別，在于模型本身能否根據(jù)物理實體及環(huán)境的數(shù)據(jù)進行持續(xù)更新。從業(yè)務(wù)角度來看，L4級別的數(shù)字孿生模型能經(jīng)由更新不斷適應(yīng)物理系統(tǒng)在時間尺度上的行為變化，而L3數(shù)字孿生則僅適用于實時預(yù)測（即短期未來的情況）。之所以會這樣，是因為使用歷史數(shù)據(jù)訓(xùn)練出的預(yù)測模型不可能準(zhǔn)確反映物理系統(tǒng)上出現(xiàn)的、不存在于訓(xùn)練數(shù)據(jù)集內(nèi)的趨勢。在實踐活動中，這種不準(zhǔn)確模型給出的遠期預(yù)測會引發(fā)大量誤差，致使預(yù)測結(jié)果隨時間推移而愈發(fā)無用。

　　L4級數(shù)字孿生的典型用例包括情境（假設(shè)）分析與關(guān)于最佳行動的說明性指導(dǎo)。例如，L4級數(shù)字孿生能夠?qū)︼L(fēng)力渦輪機齒輪箱的剩余使用壽命做出預(yù)測。軸偏移、軸承磨損、潤滑膜厚度等模型參數(shù)都將根據(jù)物聯(lián)網(wǎng)數(shù)據(jù)定期更新，確保能夠準(zhǔn)確反映設(shè)備的整體退化狀態(tài)。之后，操作人員即可利用這套模型確定最佳預(yù)防性維護計劃。

　　如今，我們的大部分客戶還處于數(shù)字孿生之旅的早期探索階段。他們正努力將不同來源的數(shù)據(jù)連接起來，并將匹配上下文的可視化分析結(jié)果呈現(xiàn)在儀表板或沉浸式環(huán)境（L2級數(shù)字孿生）當(dāng)中。迄今為止，第一批應(yīng)用方案已經(jīng)出爐，但往往高度定制化、只適用于少數(shù)高價值用例（例如噴氣式發(fā)動機、動力裝置及工業(yè)設(shè)施的運行）。在未來幾年中，希望AWS IoT TwinMaker等服務(wù)的上線能夠幫助客戶降低成本、簡化部署，全面推動上下文可視化用例的廣泛普及。此外，我們還希望讓高級預(yù)測建模方法（L4級數(shù)字孿生）在高價值用例中逐步落地。當(dāng)下，這些方法主要存在于學(xué)術(shù)文獻當(dāng)中，只有少數(shù)利基團隊在進行相關(guān)研發(fā)。相信這些方法最終也將步入主流、融入我們的日常生活，允許每個人制作出適合自己的L4級活動數(shù)字孿生。