数字孪生技术的演进和采用的障碍是什么？

数字孪生技术具有巨大的潜力，其应用范围遍及各个行业，从复制危险环境到展示航天器以进行远程培训。最近，麦肯锡公司的分析表明，人们对数字孪生的兴趣非常浓厚，预计全球数字孪生市场在未来五年内每年将增长约60%，并将在2027年达到735亿美元。人们的兴趣显然很高，但采纳程度是否真正跟上呢？

答案很复杂。数字孪生技术及其用例已经发展了很多，但要实现大规模采纳，仍需要解决一些挑战。

数字孪生的演进

数字孪生技术的真正采纳之所以进展缓慢，是因为直到最近，它缺乏超越简单代表资产的智能。更有价值的是能够准确模拟、预测和控制其行为。数字孪生也都是定制的，缺乏从类似资产的行为中全球学习的能力。它们的见解是孤立的，并不总是适用于更广泛的组织需求，使得它们成为一项昂贵的投资，回报有限。

尽管如此，一些数字孪生的早期采纳者包括制造业、零售业、医疗保健业和汽车业，它们能够在受控环境中测试新设施、配置和流程。

通过新的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”之间的快速转变，这将大大扩展用例并推动广泛的采纳。让我们来看看这些用例类别：

• 表示 – 数字孪生的早期迭代只是资产的简单数字表示，对于某些任务的设计和执行改进来说，并不特别有用。这本质上是数字孪生技术的“复制”状态。
• 模拟 – 今天，数字孪生正在从表示转向模拟，这将使更广泛的用例受益。模拟意味着数字孪生不仅反映资产或环境，还能够准确模拟未来场景。在这个阶段，它们能够从其他类似过程的数据中学习，以获得有意义的见解。模拟孪生使用AI算法模拟生产结果，推荐最佳机器设置，并指导生产团队朝着更好的业务目标努力，在制造环境中。
• 代理 – 模拟之后的下一个演进将是代理，它将使资产、流程和整个生产部分能够自主计划和行动。在这个阶段，它们还将做出复杂的决定，并与人类合作以推动更可持续的生产。这是数字孪生代理阶段。

在这些阶段之间移动需要不同的技术支持水平，组织必须拥有合适的技术栈才能最大限度地发挥数字孪生的影响和投资回报率。

数字孪生的基础技术

在转向模拟和最终代理之前，必须具备适当的基础技术。

以制造业为例，想要创建特定流程或工厂环境的数字模拟的组织必须具备可靠的在线感知能力。这些传感器从输入和输出的各个关键阶段提供数据，以提供强大的见解来告知模拟。大量这些数据是可用的，我们已经看到具有质量在线测量的过程制造商（例如纸张），但通常在输入测量（例如纸浆生产中使用的木纤维）方面存在差距。

为了解决这个问题，制造团队必须明确定义他们试图实现的模拟、涉及的各种输入、机器和系统，以及每个阶段的不同参数。这可能需要跨多个功能的专家来确保模型的所有方面都得到考虑，这将有助于确保数据足够强大以支持模拟。

连接和比较

完全孤立的数字孪生将错过来自其他模型和类似场景的学习机会。为数字孪生做出贡献的模型需要被来自其他类似模型和数字孪生的数据所喂养，以展示什么是“伟大”或最佳的全球标准，而不仅仅是在被检查的本地流程中。

因此，数字孪生需要一个大型云组件，否则组织将会错过这项技术所提供的全部承诺。

另一方面，数字孪生不能仅仅依赖于云技术，因为云的延迟会为实时数据和实时指令等因素制造障碍。考虑一下，有一个旨在防止机器故障的模拟，但模拟在机器已经停止正常运行并且整个机器已经停机后才检测到断裂的皮带，这将是多么无意义。

为了克服这些挑战，可能需要添加一个边缘AI启用的组件，以确保数据可以尽可能接近被模拟的流程。

部署和管理的可能痛点

除了拥有合适的技术栈和基础设施来捕获AI驱动的模拟孪生所需的数据外，信任仍然是部署的一个重大障碍。伦敦的出租车司机可能知道城市地图和所有的捷径，但GPS通常通过考虑交通数据来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模拟，以便在他们的能力中获得充分的信心。

获得信任需要时间，但模型和数据的透明度可以加速这个过程。组织应该从战略角度思考，使团队相信这项强大的技术的见解所需的思维转变——否则，他们将错过投资回报率。

通往代理的道路

尽管数字孪生具有巨大的潜力，但采纳速度相对较慢——直到最近。引入AI驱动的模型可以使数字孪生从表示转向模拟，通过连接来自其他模型的见解来建立在独特的学习成果之上。

随着投资和信任的增加，数字孪生最终将达到代理状态，并能够自行做出复杂的决定。真正的价值尚未解锁，但数字孪生有潜力从制造业到医疗保健再到零售，转变各个行业。