其實(shí)孿生這個(gè)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(jìn)行狀態(tài)建模，希望解決宇航員如何安全返回地球這個(gè)終極難題。而近年來(lái)爆火的產(chǎn)品生命周期管理（PLM）領(lǐng)域數字孿生理念則來(lái)自Grieves于2000年初提出的概念，外加Vickers于2010年首次提出的“數字孿生”詞匯。如今的客戶(hù)希望能不斷推廣數字孿生的應用范圍，涵蓋復雜設備的工程設計、3D沉浸式環(huán)境、預防性維護、工業(yè)設施運營(yíng)、精準醫療、數字農業(yè)、制造、城市規劃以及一夜之間紅遍全球的元宇宙應用場(chǎng)景。

　　然而，不少用于表示現實(shí)情境的傳統虛擬模型在很多方面似乎與數字孿生存在交集，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(hù)頗感困惑，也迫使他們快速澄清概念、以求推動(dòng)新的業(yè)務(wù)價(jià)值。這里需要澄清一點(diǎn)，數字孿生不只是給傳統方法換上新鮮的營(yíng)銷(xiāo)術(shù)語(yǔ)，而是隨著(zhù)過(guò)去幾年大規模計算、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)。因此在邁向數字孿生之旅前，我們先要搞清數字孿生究竟是什么，如何將現有建模方法整合至數字孿生當中，又該怎樣立足業(yè)務(wù)用例開(kāi)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(hù)從容駕馭數字孿生，我們AWS開(kāi)發(fā)出一套框架，希望從業(yè)者能夠理解自身用例并實(shí)現所追求的商業(yè)價(jià)值。該框架的第一部分是對數字孿生做出簡(jiǎn)明定義，第二部分則是分組索引，幫助客戶(hù)對現有用例做出分類(lèi)，據此了解數字孿生的規模化構建與部署需要哪些服務(wù)、技術(shù)、數據和模型。

　　在今天的文章中，我們將專(zhuān)注討論數字孿生的定義、分級索引以及各個(gè)層級所對應的示例。后續文章則將以電動(dòng)汽車(chē)為例，幫助大家具體理解各個(gè)層級的細節情況。

　　在與客戶(hù)交流對于數字孿生概念的理解方式時(shí)，我們總結出一系列具體場(chǎng)景，包括物理組件分析、設備預測性維護、流程性能優(yōu)化、具備自動(dòng)化運營(yíng)能力的工廠(chǎng)3D虛擬演練環(huán)境等。這些場(chǎng)景的共同點(diǎn)在于，數字孿生是指對物理世界中某種實(shí)物的數字化呈現，可使用實(shí)時(shí)數據進(jìn)行更新，且用于推動(dòng)業(yè)務(wù)成果。以此為基礎，我們對數字孿生做出以下定義：

　　數字孿生（DT）是指單一物理系統的動(dòng)態(tài)數字表示，它使用數據動(dòng)態(tài)保持更新，從而模仿物理系統的真實(shí)結構、狀態(tài)與行為，旨在推動(dòng)業(yè)務(wù)成果。

　　數字孿生中的四大關(guān)鍵要素分別是物理系統、數字表示、物理-數字間連通性、以及業(yè)務(wù)成果。先來(lái)看第一大要素，即物理系統本身，它可以是單一物理實(shí)體、多個(gè)物理實(shí)體的集合、物理過(guò)程、甚至是人。物理系統也不一定是工業(yè)系統，也完全可以是生物、化學(xué)、生態(tài)或者任何其他系統。第二個(gè)要素，即模型本身的數字表示，它指的不僅僅是數據集合或者數據模型，同時(shí)也要體現物理系統的結構（或配置）；或者作為表達物理系統當前狀態(tài)的載體，例如物聯(lián)網(wǎng)數據儀表板。換言之，它應該是用于模擬物理系統行為的模型，例如當我們提供一個(gè)輸出，模型就返回一個(gè)較為準確的響應輸出。這就引出第三大要素，連通性，這里強調的是“活動(dòng)”連接能力。模型必須使用來(lái)自物理系統（例如傳感器）的數據進(jìn)行定期更新，這樣才有資格被稱(chēng)為數字孿生。經(jīng)過(guò)驗證的模型也能夠提供物理系統在特定時(shí)刻下的行為快照，但數字孿生的特點(diǎn)是能把模型所模擬的物理系統行為從靜態(tài)時(shí)刻擴展到隨時(shí)間變化的動(dòng)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(shí)時(shí)更新，也有一些只需要每周更新。最后，數字孿生必須能夠帶來(lái)業(yè)務(wù)產(chǎn)出——也就是某種形式的經(jīng)濟或者商業(yè)價(jià)值。

　　數字孿生與現有建模方法（例如CAD等傳統3D建模方法、基于物理效應的模擬、3D/AR/VR虛擬環(huán)境、基于傳感器數據流的物聯(lián)網(wǎng)儀表板、以及仿真游戲環(huán)境等）之間的主要區別，就在于數字系統與物理系統之間始終存在一條信息流。目前的常見(jiàn)誤解認為，數字孿生其實(shí)就是一種更復雜、保真度更高的虛擬表示。恰恰相反，數字孿生的關(guān)鍵在于定期更新，這才是直接影響數字孿生構建方式、乃至整個(gè)生命周期中數據收集思路的核心。數字孿生必須使用數據流來(lái)了解系統的當前狀態(tài)，通過(guò)對系統的最新觀(guān)察進(jìn)行學(xué)習與自我更新（至少可更新），進(jìn)而預測系統的當前及未來(lái)行為。

　　例如，燃氣輪機葉片的數字孿生能夠獲取來(lái)自物聯(lián)網(wǎng)的溫度與壓力數據，借此預測裂紋長(cháng)度等在設備正常運行期間根本無(wú)法觀(guān)察的變量。定期維護的視覺(jué)管道鏡檢查結果則不斷為數字孿生提供更新素材。以此為基礎，數字孿生開(kāi)始預測不同運營(yíng)條件及維護場(chǎng)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度計劃與維護方案。之后，來(lái)自數字孿生的裂紋3D渲染圖及其他上下文相關(guān)指標將通過(guò)儀表板向用戶(hù)直觀(guān)呈現，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)境本身并不能算數字孿生，但它們卻都可以成為數字孿生解決方案中的重要可視化單元，也往往代表著(zhù)客戶(hù)在數字孿生探索之旅中邁出的第一步。

　　從數字孿生的定義可以看出，我們已經(jīng)摸清了數字孿生規模化開(kāi)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數據收集、物聯(lián)網(wǎng)連接、建模方法與大規模計算。在過(guò)去20年間，這些技術(shù)各自發(fā)展、互不干涉；但到2020年這個(gè)全新十年，這些技術(shù)開(kāi)始融合并共同成為規模化數字孿生的實(shí)現基礎。

　　先來(lái)看基于傳感器的數據測量。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據測量現在已經(jīng)成為新的可行方案，也將推動(dòng)傳感器得到進(jìn)一步普及、數據收集量持續提升。其次則是測量數據的傳輸能力——如果無(wú)法傳輸，那么后續分析與行動(dòng)決策自然無(wú)從談起。我們單以無(wú)線(xiàn)網(wǎng)絡(luò )連接為主線(xiàn)，那么2010年初的行業(yè)標準還只是3G傳輸，速率不足1 Mbps。在接下來(lái)的十年間，3G被傳輸速率達到100 Mbps的4G標準所取代。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(wàn)倍以上。而10 Gbps恰好是物聯(lián)網(wǎng)設備的里程碑式閾值，已經(jīng)允許我們以近實(shí)時(shí)（低于10毫秒延遲）收集物聯(lián)網(wǎng)數據。

　　數字孿生的價(jià)值在于使用這些數據獲取可操作洞見(jiàn)，而價(jià)值的實(shí)現離不開(kāi)先進(jìn)的建模方法與大規模計算，對應的正是第三與第四大要素。這里的“模型”一詞在不同場(chǎng)景下有著(zhù)不同的定義，對于涉及預測未來(lái)狀態(tài)與規劃假定場(chǎng)景的應用，我們需要采取科學(xué)的建模技術(shù)以預測各種現象（行為），包括流體動(dòng)態(tài)、結構變形、生化過(guò)程、天氣與物流等。而隨著(zhù)可用算力的爆發(fā)式增長(cháng)，機器學(xué)習、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(shí)現大規模部署。而在另一類(lèi)場(chǎng)景下，模型則主要負責提供可視化、逼真的沉浸式環(huán)境。過(guò)去十年來(lái)，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實(shí)、虛擬現實(shí)乃至元宇宙成為可能。

　　最后，云計算的普及真正讓規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級增長(cháng)，這既要歸功于芯片本身的性能發(fā)展、也有賴(lài)于將無(wú)數芯片相互連接所形成的大規模可擴展云計算環(huán)境。由此，大規模按需計算開(kāi)始成為一種“即服務(wù)”式商品，而且不只是政府部門(mén)和大型企業(yè)，小型初創(chuàng )公司甚至是個(gè)人都能獲得必要的計算資源，進(jìn)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(hù)的討論中，我們發(fā)現市場(chǎng)上存在著(zhù)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)與數據。為了幫助客戶(hù)們駕馭這一需求，我們開(kāi)發(fā)出一份包含4個(gè)層級的數字孿生水平指數：1/描述性，2/信息性，3/預測性，4/活動(dòng)性。其中第4級-活動(dòng)性的定義如前文所述。第1級到第3級則適用于復雜程度各異的不同用例，每個(gè)用例各自對應自己的商業(yè)價(jià)值。概括來(lái)講，這套水平指數類(lèi)似于自動(dòng)駕駛汽車(chē)領(lǐng)域的L0-L5分級，其中L0代表純手動(dòng)駕駛、L1為自適應巡航，而L5則是無(wú)需旗艦的純自動(dòng)駕駛。作為客戶(hù)，您可以將自己的用例與適用的級別匹配起來(lái)，借此理解有助于加速業(yè)務(wù)價(jià)值與未來(lái)份額增長(cháng)的特定服務(wù)及應用模式。

　　L1-描述性側重于工程設計與物理系統（結構）的視覺(jué)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、系統動(dòng)力學(xué)、液體動(dòng)力學(xué)與結構力學(xué)計算等。描述性的目標在于理解物理系統及其組件的設計原理。

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

　　L2-信息性側重于集成來(lái)自物理系統的物聯(lián)網(wǎng)傳感器與維護數據，并以與上下文相匹配的方式將結果呈現給最終用戶(hù)，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，最終用戶(hù)能夠理解物理系統的當前狀態(tài)，并引入某些簡(jiǎn)單分析功能以自動(dòng)觸發(fā)警報。在工業(yè)領(lǐng)域，L2級別的數字孿生可以與企業(yè)資產(chǎn)管理（EAM）或企業(yè)資源規劃（ERP）系統相集成，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、維護歷史并預測即將出現的工單。

　　L2級別的典型用例主要側重于監控和警報、根本原因分析與人員培訓。例如，L2級用例涵蓋物聯(lián)網(wǎng)儀表板或3D渲染圖、顯示齒輪箱溫度數據，并在風(fēng)力渦輪機運行時(shí)根據既定規則發(fā)出警報。此外，還可以將工程數據與服務(wù)歷史以增強現實(shí)（AR）的形式進(jìn)行疊加，幫助技術(shù)人員在維修時(shí)，通過(guò)移動(dòng)設備/平板電腦或佩戴的AR眼鏡將真實(shí)場(chǎng)景與遠程傳輸的數據融合起來(lái)，甚至隨時(shí)接收遠端技術(shù)專(zhuān)家的指導。這聽(tīng)起來(lái)似乎有點(diǎn)科幻，但在當下已經(jīng)完全可以實(shí)現。AWS的合作伙伴之一Scope AR就已經(jīng)在為航空航天、能源、制造和醫療保健等行業(yè)的客戶(hù)提供這種基于增強現實(shí)的視覺(jué)知識傳遞服務(wù)。

　　L3-預測性專(zhuān)注于對無(wú)法測量的數值做出預測（例如虛擬傳感器、基于機器學(xué)習的異常檢測等），并使用預測模型了解不同行為在持續操作下所對應的未來(lái)狀態(tài)。這些模型可以基于純科學(xué)原理推斷、純數據驅動(dòng)（例如使用AI/ML分析），也可以是二者相結合。

　　L3級別的典型用例包括運營(yíng)規劃與預測性維護（資產(chǎn)績(jì)效管理）、以及群組管理等。例如，L3中的混合模型可以預測健康狀態(tài)（虛擬傳感器）等量化指標，并預測按當前方式持續運行時(shí)的剩余使用壽命（RUL）。模型提供的預測還能夠在L1層級中結合上下文情境實(shí)現可視化（例如2D儀表板/3D/AR/VR）。這里以農產(chǎn)品市場(chǎng)為例，AWS為我們的客戶(hù)Descartes Labs提供支持，幫助該實(shí)驗室使用衛星圖像分析北美大陸范圍內的農作物健康狀況，同時(shí)結合價(jià)格、供需及其他市場(chǎng)數據生成商品市場(chǎng)預測。利用這些洞見(jiàn)結論，客戶(hù)將根據這些預測決定最佳對沖或交易策略，將信息轉化為價(jià)值數百萬(wàn)美元的交易利潤。

　　L4-活動(dòng)性則專(zhuān)注于模型的可更新能力，特別是在單一實(shí)體級別上提供可操作性洞見(jiàn)結論。當然，在必要時(shí)這種洞見(jiàn)水平也可以推廣到群組級別。L4層級代表著(zhù)數字孿生的高峰，到這里也就實(shí)現了我們提出的數字孿生完整定義。L3-預測性與L4-活動(dòng)性之間的主要區別，在于模型本身能否根據物理實(shí)體及環(huán)境的數據進(jìn)行持續更新。從業(yè)務(wù)角度來(lái)看，L4級別的數字孿生模型能經(jīng)由更新不斷適應物理系統在時(shí)間尺度上的行為變化，而L3數字孿生則僅適用于實(shí)時(shí)預測（即短期未來(lái)的情況）。之所以會(huì )這樣，是因為使用歷史數據訓練出的預測模型不可能準確反映物理系統上出現的、不存在于訓練數據集內的趨勢。在實(shí)踐活動(dòng)中，這種不準確模型給出的遠期預測會(huì )引發(fā)大量誤差，致使預測結果隨時(shí)間推移而愈發(fā)無(wú)用。

　　L4級數字孿生的典型用例包括情境（假設）分析與關(guān)于最佳行動(dòng)的說(shuō)明性指導。例如，L4級數字孿生能夠對風(fēng)力渦輪機齒輪箱的剩余使用壽命做出預測。軸偏移、軸承磨損、潤滑膜厚度等模型參數都將根據物聯(lián)網(wǎng)數據定期更新，確保能夠準確反映設備的整體退化狀態(tài)。之后，操作人員即可利用這套模型確定最佳預防性維護計劃。

　　如今，我們的大部分客戶(hù)還處于數字孿生之旅的早期探索階段。他們正努力將不同來(lái)源的數據連接起來(lái)，并將匹配上下文的可視化分析結果呈現在儀表板或沉浸式環(huán)境（L2級數字孿生）當中。迄今為止，第一批應用方案已經(jīng)出爐，但往往高度定制化、只適用于少數高價(jià)值用例（例如噴氣式發(fā)動(dòng)機、動(dòng)力裝置及工業(yè)設施的運行）。在未來(lái)幾年中，希望AWS IoT TwinMaker等服務(wù)的上線(xiàn)能夠幫助客戶(hù)降低成本、簡(jiǎn)化部署，全面推動(dòng)上下文可視化用例的廣泛普及。此外，我們還希望讓高級預測建模方法（L4級數字孿生）在高價(jià)值用例中逐步落地。當下，這些方法主要存在于學(xué)術(shù)文獻當中，只有少數利基團隊在進(jìn)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(gè)人制作出適合自己的L4級活動(dòng)數字孿生。