数字孪生这项技术为何一直难以突破“明年一定火”的魔咒？

年底了，会有各种各样诸如《2019十大技术》、《明年这五大技术改变世界》、《这八个技术要变天，不知道你明年就别想加薪》之类的神秘文章出现。

其实吧，这类预测要么是常识，要么干脆不靠谱，真知灼见并不算多；然而假如有种技术，恋念登上这类榜单，那是不是有点尴尬？

这就像一个高中生，登上了学校发布的“明年这十个人能考上北大”，那显然是值得高兴的。但是假如三年连续荣登该榜，那家里估计会挺着急。

还真有这样的技术，大家有兴趣可以翻翻2016年到今天的这类预测榜单，会发现有种技术一直在上面，它叫做：数字孪生。

所谓数字孪生，用比较正式的话术解释：就是指产品物理实体在信息空间中集成出仿真模型所达成的数字孪生体，以及利用数字孪生体实现产品生命周期档案化管理的相关技术。

是不是没听懂？

没事，无所谓的。说白了，数字孪生就是现实中有台机器，咱们就在电脑里也搞台一模一样的虚拟机器。这样把数字世界里那台一顿折腾，看看它什么时候坏，咱就能预测真机器什么时候检修了。

听起来很靠谱对不对？

事实上，数字孪生确实在各个领域都有着广泛的应用前景，诸如建筑工程、智慧城市、航空设计，并且也是著名的德国工业4.0中探索的核心技术之一。西门子是目前世界上公认对数字孪生投入最大，探索最深入的公司。

然而问题来了，为什么这个听上去很踏实的技术，却永远活在“明年一定要火”的预测里呢？

这项技术真的就是物联网世界中的“屠龙之术”，没什么实际用处吗？

本文就是解答这些问题的，要不然我说这么多干嘛？

但是要注意，在第一段结尾我们要经历一个逻辑转弯，大家一定要跟上哦。

为什么它永远活在“明年”？

《航空周报》曾经做过这样一个预测：2035年，当航空公司接收一架飞机的时候，将同时收到一套数字飞机。这套数字飞机包含真飞机的每一个部件，每一个结构，并且伴随着真飞机的每一次飞行而老化。这样飞机有任何问题，都可以在数字孪生系统中被预先感知到，从而将航空安全迈向新的台阶。

但是这种想法随之遭到了航空界业内人士的反对，他们认为依靠虚拟映射去判断飞机故障，才是真正靠不住的歪理邪说。飞机在每次飞行中所受到的气压、气流、温度差异，都在不同程度影响飞机机械构造。而这种影响是虚拟世界无法精细反射出来的，依靠数字系统去判断飞机的真实情况，才真正可能将飞机带向危险。

这个争论反应了数字孪生领域的一个先天问题：数字孪生作用于制造业等领域的想法很好。然而数字孪生又无法真正复制物理细节，但工业体系却有必须保障高度精准。导致这类技术失踪在看上去很酷，和实际没人用之间徘徊。

这里必须要澄清一个概念，从2002年密歇根大学教授Dr. Michael Grieves第一次公开提到数字孪生概念开始，它就不是某种技术方式序列，而是一个技术目标。

就像AI，人工智能实际上是对模拟人类智慧、思维、情感的若干种技术实现方式的合集，而不仅仅是专家系统或者机器学习。数组孪生也是一样，它是一种以复制现实中生产系统为目标，各种技术解决方案构成的技术集群，而不是真的有一种技术叫做数字孪生。

在我们一般意义上讨论的数字孪生中，设计物理仿真、传感系统、大数据、沉浸技术、物联网数据可视化技术等方方面面。总之，能够参与到物理生产系统复制这个目标中来的技术，都可以算作数字孪生的构成部分。

而恰恰由于这些技术中的某几项近年正在经历快速发展，所以数字孪生也频频登陆预测榜，让人觉得这项技术很快就来。然而真的想在虚拟世界中，彻底复制一个生产线、一架飞机，却会遭遇到若干阻碍。

比如说：

1. 缺乏通用平台。数字孪生涉及设计、传感、虚拟现实、数据标识、物理虚拟等多个维度的技术。这些是很难在统一平台中表示出来的。
2. 真正需要孪生的设备并不多。让我们回想一下，工厂里的机器大部分都没有虚拟备份和随时更新的影子系统，不也用的好好的吗。所以数字孪生很可能其实是个商业空间非常狭小的技术服务种类；需要的行业并不多，并且以定制化需求为主。
3. 物理表征依旧很难进行数字化模拟，今天很多物联网云平台提供的“数字孪生”服务，实际只能提供一个数据监控和3D模型而已。
4. 孪生一个庞大生产系统、工业系统，甚至交通系统，所需要的算力是惊人的。但是占用如此大算力是否能得到效益最大化回报却值得怀疑。

这样来看，真正全流程周期监控和预测的数字孪生体系还是距离我们太远了。但从某种程度上说，我们可以把各种现有技术叫做数字孪生的一部分，甚至CAD制图也是在孪生生产系统。

但如果界定一个非常严格的界限，那么数字孪生可能还活在实验室里。

但是先别急着失望，这个故事其实与人工智能在今天的情况依旧有点相似。比如说我们如果想要奥创那样的人工智能，那可能得等到8102年，但如果想用人工智能完成个人脸识别啥的，那么2018就可以。

数字孪生也是如此，虽然理想中的工业数字孪生，甚至城市数字孪生并不靠谱，但如果我们把它当做一个思路，愿意承认不完整的数字孪生同样有价值，那么在这两年的产业服务市场中，或许会有意外发现。

比如说，依靠数据挖掘+物联网云+AI这条技术轨迹，达成的工业数据的数字孪生，正在展现出巨大的潜力——并且不用等到明年再说。

这个逻辑的关键节点在于：我们为什么一定要像科幻电影里一样，在屏幕上看到一个可拆卸可组装，保留全部物理特性的机器呢？我们只要通过虚拟世界的测算和分析，让机器散发出更大的生产力就好了。

机器学习+数据挖掘，正在某种程度上激活数字孪生

大部分工业生产设备，本质上就是投入生产材料，产出生产结果的数据运算。其中资源使用数量、良品率、生产效率、生产结果，这些最关键节点也都是数据。如果我们放弃直接可视，保留物理特性的数字孪生，而仅仅把数据系统孪生出来，似乎在技术上并不需要面对特别的挑战。

随着云计算和数字化升级这些理念的兴起，越来越多的云服务商和企业数字化服务商，开始基于数据采集，提供数据层面的系统孪生服务，比如甲骨文很早就提供类似能力。

但是对于企业来说，比较尴尬的地方在于：我的机器被孪生之后，我到底能够得到什么呢？

看到屏幕上一大堆数字在跑，这个似乎对于企业的意义并不大。

所带来的提升无非两点：一个是企业管理者和工程师可以更精准的看到全局数据；而是企业数据有了备份，一旦出问题可以查询。

这两点当然也是有意义的，但与不菲的服务费相比，似乎就值得思考一下了。

而AI的到来，确切说就是数据挖掘技术与机器学习技术的融合，正在激活这种简陋版数字孪生的新活力。

在传统意义上，一间工厂里的各种原材料、设备、人员和质量检测，是分别独立的生产系统，相互合作更多凭借工人经验。所谓生产线，往往也是要给上一流程环节保留最大化生产时间，再进入下一流程中。

这就像一个大雾天的路口，因为害怕撞车，所以必须等前一辆车过去很远，后一辆车才敢开过去。极大的生产效率也就在其中被浪费。而假如我们利用机器学习技术，利用数字孪生体系中模拟生产环节的连接，也就可以剥开生产环节间的认知迷雾，用上帝视角来指挥车间里的交通。

当然，机器学习+工业数据的想象力远远不止于此。能耗问题、配料问题、次品出现原因，等等工业生产中的问题都可以用类似能力来解决。

所以说，AI带来的想象力，重新激活了数据孪生的企业应用价值。包括3D模拟机器，在很多AI算法的帮助下，预测受损点和检修时间也在成为可能。

结果这个故事变成了这样：在我们期待的全物理拟态数字孪生依旧遥远的今天，数字孪生却可能基于工业IoT+AI的落地，产生另一重价值。并且这个发展机遇，正在反向影响数字工业里的很多产业关系。

试用版数字孪生，同样让工业IoT亢奋不已

最后让我们聊一下，数字孪生技术今天在AI+工业里带来的一些改变。在聚焦越来越多活力的B端智能技术市场中，数字孪生的价值在于为企业提供一个可以备份、转移、在虚拟世界进行学习和逻辑分析的参照系。很多智能工业平台中都引入了数字克隆的部分，而为企业提供数字孪生基础上的增值服务，也在变得越来越多样。

在工业IoT体系中，比较主流的智能化要经历这样一个流程：首先基于数据收集和传感体系，在尽量完善的部分搭建数据采集系统；然而基于IoT云进行数据上传，这样企业就有了数字化基础；而后采用数字孪生解决方案，在虚拟平台中搭建抽象化的工业设备镜像；继而根据具体目标，利用深度学习算法一类的技术完成对数据的智能分析，给出优化生产流程的可行性分析；最后基于分析结果，进行各环节的技术优化与人工优化。

这当然仅仅是个基础逻辑，在解决具体问题时，企业要经历千变万化的特殊问题处理。而数字孪生在整个工业智能化体系中，带给企业以很多新的可能性。

比如：

1. 工业IoT的门槛被降低。远程分析、数据集中监控等工业生产的互联网化方案成为可能性。一家企业不见得必须雇佣强大的数据专家或者AI学者，而可以通过数字孪生的方式远程找到工业优化方案。
2. 定制化生产更加容易。通过数字孪生技术搭配AI，企业将更加容易解决定制化工业产品的设计与生产关系问题。精细化生产和快流程生产都变得更加容易。
3. 企业的“经验”也可以被孪生。今天很多企业不愿意尝试数字化转型，原因在于企业中很多生产流程是一步步探索，手耳相传的抽象经验。盲目数字化可能会造成工人的不适应，反而降低生产效率。而数字孪生带来的另一个可能，是基于机器视觉和数据吸收装置，企业可能将生产经验、流程习惯等无法具现化的东西，在数据平台上孪生出来。达成行业经验与工业实体的数字融合。

虽然目前我们只能用到试用版的简装数字孪生技术，甚至很可能不叫这个名字。但是放在一个技术体系的改观里，这项技术确实可能带给实体经济以不小的启迪。虽然影子飞机那样的数字孪生可能还有在等上若干年，但是又有什么所谓呢。

就让预测归预测，实干归实干，很多技术并不一定要等到完全成熟才可以应用，这个非典型案例里，或许能让我们获得一种比较典型的技术可能性。

作者：脑极体，微信公众号：脑极体

本文由 @脑极体 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议。