大家可能对《黑客帝国》或者《模拟人生》游戏中的数字孪生场景记忆犹新。如今，云基础设施、边缘计算、物联网、分布式数据管理平台和机器学习能力的迅猛发展，已经让数字孪生从科幻作品转化成更趋主流的真实业务功能。
但要想在企业之内落地数字孪生，技术人员首先需要跨越鸿沟，更好地理解自己的业务和运营技术体系。Syntax公司数据管理与创新合作伙伴Jens Beck表示，“CIO和IT领导者们必须意识到，OT是一个不同于IT的世界，而完美的数字孪生必须能将两者结合起来。”
长久以来，企业一直将OT和IT分别对待，但如今的制造业、建筑业、零售业等需要打通物理与数字两端通道的公司必须努力将二者统一起来。数字孪生正是实现这种连接的手段，掌握着优化生产、提高质量的钥匙。更重要的是，利用真实数据配合机器学习来改进产品、服务和业务流程，也将带来以往难以想象的战略收益。
下面，我们将分享与各领域专家的交流心得，总结出尝试建立数字孪生时需要完成的七个初始步骤。
1、研究部署
在集思广益并深入探索任何一个新的技术领域之前，我们首先应当研究早期采用者的业务状况、用例和收益。对于数字孪生，这项技术在制造、建筑、医疗保健等领域已经不乏现实案例，甚至包括人脑本身。
希望在新兴技术领域有所作为的领导者，需要收集这些故事来营造探索热情。这些故事在鼓舞人心之余也能指明潜在的发展方向，并以务实的态度用业务成果吸引支持者。如果您的直接竞争对手已经成功部署了数字孪生，那么援引对方的用例也能给公司内部带来紧迫感。
2、找到改变游戏规则的机会
数字孪生的实现成本非常昂贵。例如，一支研究小组为一栋商业办公楼开发数字孪生的成本约在120万到170万美元之间。因此在开发数字孪生之前，团队应当明确记录产品愿景、考虑业务原理并估算财务收益。
有时候，能够改变游戏规则的方案更能成功吸引投资。TCS首席信息官Abhijit Mazumder就分享了一个安全，“2020年，TCS与地方上一家非政府组织合作，希望解决COVID-19疫情带来的问题。企业数字孪生能够模拟整个过程，预测影响疫情传播的因素——包括病毒特征、人口异质性和流动模式。城市的数字孪生相当于「计算机模拟」性质的实验，能够在不损害公共健康和安全的情况下，帮助探索出有效的干预措施。”
3、考虑生命周期管理
数字孪生的开发需要时间和成本，更需要持续支持以确保模型能始终交付准确的结果。John Snow Labs首席技术官David Talby就分享了探索数字孪生前需要掌握的三项基本原则：
- 有明确的业务用例——不要为了搞技术而搞技术；
- 确保模型、服务或模拟中的数字孪生群体，真正对应现实世界中的人群；
- 准备好MLOps工具集，快速可靠地实现数字孪生模型的开发和部署。
Talby的主要建议是预先考虑到整个生命周期中的各项要素，特别是用于支持机器学习模型和设备自动化部署的功能。
4、运用系统设计工具
在设计好业务案例和生命周期之后，团队应当考虑使用哪些工具开始自己的计划和实验。IndustrialML公司CEO Arjun Chandar建议使用CAD软件或仿真工具，“立足设计工程开展数字孪生试验，并估算物理环境对新产品的影响。”
下面来看专业领域中常用的系统设计工具示例：
- Autodesk数字孪生，用于建筑、工程和结构；
- Bentley基础设施数字孪生，用于信号塔和供水系统等；
- 通用电气数字孪生，用于设备、网络和制造流程；
- 西门子数字孪生，用于消费品的设计、开发和制造；
- 博世数字孪生，用于智能建筑，包括空间管理和预测性维护。
这还只是其中几个例子。对于从事数字孪生工作的技术人员来说，熟悉运营团队所使用的工业平台将是非常重要的一课。
5、定义使用者和机会空间
当技术人员着手推进一项技术计划时，首先需要确定谁是最终用户、最终平台供谁使用。IT领导者则应定义谁能从数字孪生中受益最多，而且通常来讲主要受益者应该是从事运营工作的人员。
Beck表示，“数字孪生的主要功能在于合并OT/IT数据，并在必要时通过数据分析或AI/机器学习将这些数据集融入上下文。但它的真正力量，是让工程师、维护人员和其他技术人员等OT端成员能够检索数据点，毕竟只有他们才完全理解这些数据点。”
下一步则是了解使用者的角色，确定他们的工作流程和操作中有哪些部分能从数字孪生的数据收集、机器学习预测和场景规划中受益。
Chandar解释道，“在制造和运营方面，IT领导者可以为其物理生产区域建模以模拟产品流程，也可以对组装或物流步骤建模以将新产品组合在一起。所有这些用例都可以扩展，由生成式AI补充传统的有限元分析机制，并以虚拟方式测试新产品。在实际部署工厂生产线之前，可以对新产品的生产流程进行数字化分析和模拟，并为所有制造流程建立起数字版本的表示。”
6、构建可扩展的数据平台
数字孪生将生成PB甚至更大规模的数据，必须保护和分析好这些数据，并借此维护机器学习模型。其中一大关键架构考量，就是设计出用于收集物联网实时数据流的数据模型和流程，同时辅以数字孪生端的数据管理架构。
TigerGraph公司等来解决方案负责人Harry Powell表示，“在为中等规模的组织创建数字孪生时，需要厘清数百万个数据点和相互关系。要查询该数据，则须遍历或跳过数十个链接，理解数千个对象间的关联。”
不少数据管理平台都支持实时分析和大规模机器学习模型。但是，用于模拟数千甚至更多实体（例如制造组件或智能建筑）行为的数字孪生还需要能够查询实体及其相互关系的数据模型。
Powell表示，“目前，企业正在使用图数据库创建数字孪生，用以支持各种运营分析并收集具备可操作性的及时商业情报。具体的数字模型构建可以较为宏观，只包含业务中最重要的组成部分，例如整个工厂、仓库和供应线；也可以比较细化，涵盖厂区内的单一设备、货架和运送卡车。”
7、培养云与新兴技术能力
要想构建数字孪生平台、集成来自无数物联网传感器的数据并打造可扩展的数据平台，首先需要确保IT部门具备大规模技术基础设施的核心部署能力。在IT团队考虑用例并试验数字孪生功能的同时，IT领导者就必须考虑到生产级数字孪生所需要的云、基础设施、集成和设备方案。
Beck对配套基础设施提出了这样的建议，“为了扩展数字孪生，IT负责人应该相对倾向选择云平台，同时继续保留一部分边缘技术，例如超大规模设施、物联网设备管理和数据科学等。”
除了基础设施之外，Mazumder还建议发展能力以支持新兴设备和分析能力。“数字孪生的成功，离不开强大的数字核心、离不开AI/机器学习和AR/VR等云原生应用的支持。无论具体选择哪种基础设施，这一切都将成为组织处理数据、实现应用功能的关键。”
总结
数字孪生拥有巨大潜力，但此前缺乏先进技术能力的企业一直无法满足其规模性与复杂性要求。如今情况开始变化，积极学习并主动与运营部门开展合作的IT领导者，将有机会为组织带来前所未有的数字孪生能力。
