大家可能對《黑客帝國》或者《模擬人生》游戲中的數字孿生場景記憶猶新。如今，云基礎設施、邊緣計算、物聯網、分布式數據管理平臺和機器學習能力的迅猛發展，已經讓數字孿生從科幻作品轉化成更趨主流的真實業務功能。

但要想在企業之內落地數字孿生，技術人員首先需要跨越鴻溝，更好地理解自己的業務和運營技術體系。Syntax公司數據管理與創新合作伙伴Jens Beck表示，“CIO和IT領導者們必須意識到，OT是一個不同于IT的世界，而完美的數字孿生必須能將兩者結合起來。”

長久以來，企業一直將OT和IT分別對待，但如今的制造業、建筑業、零售業等需要打通物理與數字兩端通道的公司必須努力將二者統一起來。數字孿生正是實現這種連接的手段，掌握著優化生產、提高質量的鑰匙。更重要的是，利用真實數據配合機器學習來改進產品、服務和業務流程，也將帶來以往難以想象的戰略收益。

下面，我們將分享與各領域專家的交流心得，總結出嘗試建立數字孿生時需要完成的七個初始步驟。

1、研究部署

在集思廣益并深入探索任何一個新的技術領域之前，我們首先應當研究早期采用者的業務狀況、用例和收益。對于數字孿生，這項技術在制造、建筑、醫療保健等領域已經不乏現實案例，甚至包括人腦本身。

希望在新興技術領域有所作為的領導者，需要收集這些故事來營造探索熱情。這些故事在鼓舞人心之余也能指明潛在的發展方向，并以務實的態度用業務成果吸引支持者。如果您的直接競爭對手已經成功部署了數字孿生，那么援引對方的用例也能給公司內部帶來緊迫感。

2、找到改變游戲規則的機會

數字孿生的實現成本非常昂貴。例如，一支研究小組為一棟商業辦公樓開發數字孿生的成本約在120萬到170萬美元之間。因此在開發數字孿生之前，團隊應當明確記錄產品愿景、考慮業務原理并估算財務收益。

有時候，能夠改變游戲規則的方案更能成功吸引投資。TCS首席信息官Abhijit Mazumder就分享了一個安全，“2020年，TCS與地方上一家非政府組織合作，希望解決COVID-19疫情帶來的問題。企業數字孿生能夠模擬整個過程，預測影響疫情傳播的因素——包括病毒特征、人口異質性和流動模式。城市的數字孿生相當于「計算機模擬」性質的實驗，能夠在不損害公共健康和安全的情況下，幫助探索出有效的干預措施。”

3、考慮生命周期管理

數字孿生的開發需要時間和成本，更需要持續支持以確保模型能始終交付準確的結果。John Snow Labs首席技術官David Talby就分享了探索數字孿生前需要掌握的三項基本原則：

• 有明確的業務用例——不要為了搞技術而搞技術；
• 確保模型、服務或模擬中的數字孿生群體，真正對應現實世界中的人群；
• 準備好MLOps工具集，快速可靠地實現數字孿生模型的開發和部署。

Talby的主要建議是預先考慮到整個生命周期中的各項要素，特別是用于支持機器學習模型和設備自動化部署的功能。

4、運用系統設計工具

在設計好業務案例和生命周期之后，團隊應當考慮使用哪些工具開始自己的計劃和實驗。IndustrialML公司CEO Arjun Chandar建議使用CAD軟件或仿真工具，“立足設計工程開展數字孿生試驗，并估算物理環境對新產品的影響。”

下面來看專業領域中常用的系統設計工具示例：

• Autodesk數字孿生，用于建筑、工程和結構；
• Bentley基礎設施數字孿生，用于信號塔和供水系統等；
• 通用電氣數字孿生，用于設備、網絡和制造流程；
• 西門子數字孿生，用于消費品的設計、開發和制造；
• 博世數字孿生，用于智能建筑，包括空間管理和預測性維護。

這還只是其中幾個例子。對于從事數字孿生工作的技術人員來說，熟悉運營團隊所使用的工業平臺將是非常重要的一課。

5、定義使用者和機會空間

當技術人員著手推進一項技術計劃時，首先需要確定誰是最終用戶、最終平臺供誰使用。IT領導者則應定義誰能從數字孿生中受益最多，而且通常來講主要受益者應該是從事運營工作的人員。

Beck表示，“數字孿生的主要功能在于合并OT/IT數據，并在必要時通過數據分析或AI/機器學習將這些數據集融入上下文。但它的真正力量，是讓工程師、維護人員和其他技術人員等OT端成員能夠檢索數據點，畢竟只有他們才完全理解這些數據點。”

下一步則是了解使用者的角色，確定他們的工作流程和操作中有哪些部分能從數字孿生的數據收集、機器學習預測和場景規劃中受益。

Chandar解釋道，“在制造和運營方面，IT領導者可以為其物理生產區域建模以模擬產品流程，也可以對組裝或物流步驟建模以將新產品組合在一起。所有這些用例都可以擴展，由生成式AI補充傳統的有限元分析機制，并以虛擬方式測試新產品。在實際部署工廠生產線之前，可以對新產品的生產流程進行數字化分析和模擬，并為所有制造流程建立起數字版本的表示。”

6、構建可擴展的數據平臺

數字孿生將生成PB甚至更大規模的數據，必須保護和分析好這些數據，并借此維護機器學習模型。其中一大關鍵架構考量，就是設計出用于收集物聯網實時數據流的數據模型和流程，同時輔以數字孿生端的數據管理架構。

TigerGraph公司等來解決方案負責人Harry Powell表示，“在為中等規模的組織創建數字孿生時，需要厘清數百萬個數據點和相互關系。要查詢該數據，則須遍歷或跳過數十個鏈接，理解數千個對象間的關聯。”

不少數據管理平臺都支持實時分析和大規模機器學習模型。但是，用于模擬數千甚至更多實體（例如制造組件或智能建筑）行為的數字孿生還需要能夠查詢實體及其相互關系的數據模型。

Powell表示，“目前，企業正在使用圖數據庫創建數字孿生，用以支持各種運營分析并收集具備可操作性的及時商業情報。具體的數字模型構建可以較為宏觀，只包含業務中最重要的組成部分，例如整個工廠、倉庫和供應線；也可以比較細化，涵蓋廠區內的單一設備、貨架和運送卡車。”

7、培養云與新興技術能力

要想構建數字孿生平臺、集成來自無數物聯網傳感器的數據并打造可擴展的數據平臺，首先需要確保IT部門具備大規模技術基礎設施的核心部署能力。在IT團隊考慮用例并試驗數字孿生功能的同時，IT領導者就必須考慮到生產級數字孿生所需要的云、基礎設施、集成和設備方案。

Beck對配套基礎設施提出了這樣的建議，“為了擴展數字孿生，IT負責人應該相對傾向選擇云平臺，同時繼續保留一部分邊緣技術，例如超大規模設施、物聯網設備管理和數據科學等。”

除了基礎設施之外，Mazumder還建議發展能力以支持新興設備和分析能力。“數字孿生的成功，離不開強大的數字核心、離不開AI/機器學習和AR/VR等云原生應用的支持。無論具體選擇哪種基礎設施，這一切都將成為組織處理數據、實現應用功能的關鍵。”

總結

數字孿生擁有巨大潛力，但此前缺乏先進技術能力的企業一直無法滿足其規模性與復雜性要求。如今情況開始變化，積極學習并主動與運營部門開展合作的IT領導者，將有機會為組織帶來前所未有的數字孿生能力。