数字孪生结合 AI 助力管理复杂系统

在 1990 年代初担任 Digital Equipment Corporation 工程师期间，Karen Panetta 与他人共同发明了首个 CPU 的数字孪生。

她说：“当你制造计算机芯片时，包含数十亿个晶体管，你不可能用探针和电线逐个检查它们。假如我们能构建一个数字孪生模型，并在不同条件下人为使其发生故障，从而借此发现制造缺陷，那该多好！”

Panetta 现任塔夫茨大学工程学院研究生教育院长，同时也是计算机视觉领域的开拓性创新者。而如今，数字孪生与 AI 正在以一种相辅相成的方式结合，不仅放大了各自的潜力，也为企业创造了此前难以实现的新机遇。例如，数字孪生现已与 AI 配合应用，用于模拟疾病和人体器官、监控重大基础设施项目、分析 IT 基础设施等众多场景。

她表示：“网络安全将是首个以非常强大方式应用此技术的市场。”企业会构建其系统的数字孪生，并利用它来收集不断传入的数据。“现在，你可以接入不同的工具或供应商，试验各种入侵手段。”

数字孪生与 AI 的结合潜力巨大，而目前企业中已有许多实际应用案例。数字孪生的一大价值在于，它作为一个平台能从多个系统中整合数据，并以合理的方式进行融合。但现实情况是，数据之间仍然存在孤岛现象。Gartner 分析师 Alfonso Velosa 指出：“尽管大家都宣称拥有统一的客户或患者视图，但数据依旧是从各个专有孤岛中提取出来的，而这正是数字孪生所擅长的。”

他还表示：“数字孪生还整合了领域知识，并与特定的业务需求相契合。将数字孪生与 AI 结合，则预示着这一技术进入了下一次进化。”

Velosa 补充道：“在 Gartner，我们现称之为智能仿真。我们预计它将成为未来十二大颠覆性技术之一。”

Gartner 在四月预测，到 2032 年，智能仿真将支撑超过 25% 的战略业务决策；而到 2027 年，首家企业将能借助仿真孪生能力量化高达 10 亿美元的运营节省。

此外，据 Hexagon 去年年底发布的调查显示，在汽车、建筑、工程、施工、石油与天然气以及城市规划等领域中，高达 80% 的高管表示 AI 令他们对数字孪生更加感兴趣。

AI 如何为数字孪生注入强大动力

McKinsey 表示，设计和构建数字孪生可能较为困难，但大语言模型能够辅助编写代码，从而加速开发过程。生成式 AI 模型还可在保留关键信息的同时进行数据压缩，使数字孪生能够更好地管理所需的大量数据。此外，这些模型可以生成供数字孪生仿真的场景，或作为数字孪生的自然语言界面，从而便于用户使用。

Hexagon 补充称，在众多用途中，有 59% 的领导者表示 AI 用于处理前端数据，56% 用于优化用户界面，27% 用于辅助决策。

以数字孪生的用户界面为例，虽然其呈现的信息比原始数据流更直观，但这并不一定意味着任何人能立刻洞悉事态发展。

卡耐基梅隆大学教授 Ari Lightman 表示：“生成式 AI 可用于审视整个仿真过程，并将其转化为便于人类理解的摘要。它不仅能提醒我可能遗漏的重要信息，还能以我能够理解的方式对信息进行归纳总结。”

AI 还可允许用户通过自然语言与系统互动。电信网络的一个近期案例显示，某数字孪生模拟断网情况，以观察流量重定向，并借助大语言模型作为接口，使高管更易使用该数字孪生。

PwC 新兴技术负责人 Scott Likens 说：“过去，你需要数据科学家来构建仿真模型；而现在，你可以通过一个轻量级接口将人类语言转换为系统所需的操作。并且，由于这些仿真模型内置了推理与规划功能，它们可以自行重写仿真，从而提供更多变化方案。”

采用 AI 驱动数字孪生的组织之一是俄勒冈州尤金市的 4J 学区。该学区的高级网络工程师 Ben Shapiro 负责支持超过 16,000 名学生及 50,000 多台设备。数字孪生使得即使是初级技术人员也能轻松了解网络现状。该学区使用来自 Juniper Networks 的 Marvis Minis 网络数字孪生，并结合 Mist AI 应用。同时，平台内嵌的生成式 AI 聊天机器人更使操作简便。他表示：“Marvis 改变了技术支持的普及方式。我的目标是让前线初级技术支持人员能自行判断问题，而无需上报给我。”

不过，目前 Marvis Minis 尚不支持运行仿真，不过未来此功能或将推出。他说：“利用 Mist 收集的数据和遥测信息，确保网络具备面向未来的能力，将是一件非常酷的事。不再仅凭猜测，而是有数据支撑，并能为管理层提供量化依据。”目前，他只能依靠直觉判断。

由 AI 驱动的人体数字孪生

高度智能的生成式 AI 模型的出现，为数字孪生开辟了此前无法实现的新应用场景。例如，企业长期以来利用机器学习对客户进行细分，并预测不同客户群体的需求。而借助生成式 AI，企业现可为单个客户构建一个真实的虚拟化身。

Gartner 的 Velosa 表示：“市场或产品团队现在可以访谈这个虚拟化身，并询问‘你会购买这套新书系列还是这个邮轮套餐？’或者‘在这六个选项中你偏向哪一个？’他们就像同数字化身直接对话一样。”

为什么仅仅停留在构建单个虚拟化身？数字孪生还可用于模拟整个焦点小组。正如数字咨询公司 Publicis Sapient 数据策略及 AI 董事总经理 Simon James 所言：“这有点像在模拟陪审团前试行某项策略。如果企业在测试潜在广告，它可以邀请来自不同人口统计群体的代表性客户的数字孪生组成虚拟焦点小组。例如，Publicis Sapient 可能会接到某潜在客户的信息咨询请求。”

James 说：“我可能会召集一个由不同 CIO 组成的小组，其中一位会非常注重成本，而另一位则可能对技术细节非常了解。让他们阅读你的文档，并提出问题。”他补充说，目前还难以量化这一流程是否为公司赢得了更多业务。

他说：“我们追求每一个优势。我认为这能为你提供一些视角，而这些视角如果你独自作业或仅凭小团队可能无法获得。获得外部视角有时是非常有用的。”

卡耐基梅隆大学的 Lightman 表示，AI 还可用于模拟个体员工，例如制造工厂中的工人。“在制造业中，你需要对人类活动进行建模和分析。你既有进场的维修工，也有日常运营人员。”不过，这种应用也存在一定风险。例如，工人是否拥有申诉渠道？Lightman 质疑：“他们是否可以拒绝被模拟？也许他们并不希望自己的行为被数字化呈现。”

他说：“对于我试图数字化的一些操作，可能会引发工人的犹豫。我认为各个组织在采集数据及其用途上应更加透明。”

流程或整个企业的数字孪生

为了将 AI 融入业务流程，企业必须对自身的工作流程有深入了解。

ABBYY 流程 AI 产品营销经理 Jon Knisley 表示：“我们并不了解企业的实际运作方式，而这正是流程数字孪生可能发挥极大价值的地方。”

AI 将很快被用于剖析企业内部真实的工作内容，这在过去一直难以实现。虽然流程挖掘曾被寄予厚望，但实际业务流程往往不一致、缺乏文档记录，甚至存在偏差。

Knisley 说：“我们的工作主要围绕流程数字孪生——通过分析日志数据和用户活动数据，将其转换为对实际正在发生工作的呈现。我们虽拥有出色的安全、营销和财务数据，却始终缺乏优质的流程数据。”他认为，流程数据的缺失是阻碍企业真正实现数据驱动的最后一大障碍，“这正是终极目标。”

借助 AI，企业不仅可以为这一任务注入智能，还能将交易数据和日志数据与其它信息源整合。例如，同一家公司内不同团队可能因资源和限制不同而以不同方式处理相同任务；又或者在某一流程中，个体参与者可以拥有一定自主权。

James 表示：“数字孪生通常用于模拟供应链或配送中心。而 AI 的加入，则使系统不再仅仅遵循固定规则，而是能赋予链上各参与者一定的自主操作权。你甚至可以在系统中嵌入具备感知和思考能力的节点。”例如，一个大学城的店长可能会注意到周六早晨店内客流量达 40%，他说：“因此，我必须保证不出现缺货情况。”整个系统也能因此变得更智能。

James 补充道：“采用 AI 驱动的方法，你可以让整体框架自行确定最佳策略。这一直是深度学习网络涌现的一大特性。你无需明确教它如何下棋，但它能够自发摸索出赢得比赛的终极策略。”

数字孪生如何助力 AI

而不仅仅是 AI 让数字孪生变得更好，数字孪生也能反过来促使 AI 表现得更优。

PwC 的 Likens 表示：“我们正在利用数字孪生为大语言模型生成信息。”他补充道，当合成数据来源于数字孪生时，其质量往往更高。“我们看到了数字孪生生成所需缺失数据的机会，而且这些数据更符合实际环境，因为它们基于真实数据。”

Keysight Technologies 软件测试自动化总经理 Gareth Smith 认为：“数字孪生就是一个系统的工作模型。它会以模仿物理系统预期响应的方式进行反馈。”这意味着，数字孪生所生成的合成数据在用于训练 AI 模型时，比传统合成数据技术所提供的数据更加丰富和全面。

今年或将变得更加重要的另一个数字孪生潜在应用，是帮助理解和扩展自主 AI 系统。自主 AI 使企业能自动化处理复杂的业务流程，例如解决客户问题、制定提案，或者设计、构建和测试软件。一个自主 AI 系统可能由多个数据来源、工具和 AI 代理组成，并以非确定性的方式相互作用。这种系统极具威力，同时也伴随巨大风险。因此，数字孪生可以监控自主系统的行为，确保系统不偏离正轨，并测试和模拟其对新情境的反应。

McKinsey 在四月的一份报告中指出，如今 75% 的大型企业正积极投资数字孪生以扩展 AI 解决方案。McKinsey 合伙人 Alex Cosmas 表示：“在未来十年，成功的财富 1000 强企业将利用数字孪生来运营业务并测试最大胆的战略。”

这些数字孪生将成为企业运营的复制品和完整价值链的仿真模型。正如 Cosmas 所言，它们将是充满活力、不断扩展的资产，能够解决越来越多的问题。

他补充道：“领导者将能在模拟环境中测试无数决策和各种可能情景，而不会冒扰乱核心业务的风险。最妙的是，这些数字孪生应从一开始就实现自我盈利并产生正向投资回报。”