Michael Grieves：智能数字孪生与复杂系统的开发和管理

Intelligent Digital Twins and the Development and Management of Complex Systems

Michael Grieves

Digital Twin Institute, Cocoa Beach, FL, 32931, USA

摘要

数字孪生的定义和实施处于当今产品组织研究的最前沿。日益复杂系统的演进需要通过数字孪生来组织和管理其信息。此外，人工智能（AI）的发展也将增加系统的复杂程度，这些复杂系统对 AI 的学习及搜寻能力提出了紧迫的要求。数字孪生需要优化这一过程，并提高其智能性。本文探讨了智能数字孪生将如何演进并协助复杂系统的开发和管理。

1. 引言

2. 数字孪生

为了更好地理解数字孪生（Digital Twin, DT），我们先来回顾其基本定义。如图1所示，数字孪生模型由三个主要元素组成：

物理孪生体（Physical Twin）：位于左侧，表示实际或预期的物理元素，存在于物理世界中。

数字孪生体（Digital Twin）：位于右侧，表示虚拟或数字世界中的对应物。

数字线程（Digital Thread）：连接物理孪生体和数字孪生体的数据和信息通信通道。

图1 数字孪生模型

数字孪生模型最早于2002年提出，但当时并未命名（Grieves, 2002）。如图2所示，它被简单地标注为“产品生命周期管理（PLM）的理想模型”。PLM代表产品生命周期管理（Product Lifecycle Management），是当时新兴的一种以产品为中心（而非以功能为中心，如工程、制造、支持）的产品开发方法。其核心在于，产品的信息覆盖产品的四个生命周期阶段：创建、制造、运维和处置。

图2 数字孪生最初概念

在整个产品生命周期中，其逻辑集中信息的本质是“数字孪生”。它于 2010 年由美国宇航局的约翰·维克斯 (John Vickers) 命名（Piascik et al., 2010）。然而，在2016 年被进一步定义和分类（Grieves and Vickers, 2017）之前，它仍然是一个高水平、无差别的模型。这些类型与产品生命周期的不同阶段相关，如图 3 所示。

图3 产品生命周期的4个阶段

这些类型是：

数字孪生原型 (DTP)，

具有变体或所有可构建产品的原型产品

 数字孪生实例 (DTI)，

单个产品本身或所有构建的产品

 数字孪生聚合 (DTA)，

所有 DTI 或所有已构建产品的聚合

2.1 数字孪生类型和产品生命周期

如图 4 所示，数字孪生类型与生命周期的各个阶段相关联，并在整个生命周期中持续存在。数字孪生开始于新产品生命周期的开端，并在整个生命周期中持续存在，甚至在物理孪生不再存在时扩展到报废阶段。

图4 贯穿整个生命周期的数字孪生模型

2.1.1 创建阶段

产品生命周期从创建阶段和数字孪生原型 (DTP) 的开发开始，这是数字孪生模型的典型特征，也是所有产品数字孪生的源头。DTP 需拥有构建这一代产品及其所有变体所需的所有信息。

此处所需的信息通常是需求、CAD 模型、物料清单 (BoM)、行为仿真、嵌入式软件以及完整描述新产品所需的任何和所有信息。此外，它还包含构建此新产品所需的任何信息，例如流程清单、制造系统清单、质量控制信息和制造仿真。

需要注意的是，数字孪生不需要是一个单独的信息存储库。由于它是信息，DTP 可能包含指向该信息的现有存储库的链接。当前和未来的产品生命周期管理系统可能包含大多数（如果不是全部）这些信息结构。然而，重要的是这些信息被链接到以产品为中心的视图中。

理想情况下，这一阶段将使用这种类型的数字孪生完成越来越多的工作，标志着创新制度的结构性变化。我们正在从经典的工业创新体制迅速转变为数字创新体制（Lyytinen, 2021）。网络资源比构建实物材料便宜，让我们有更多资源进行创新。随着实物材料继续变得更加昂贵，相对应的网络资源将变得更便宜。因此，我们希望通过 DTP 将越来越多的物理工作转移到虚拟工作中。

理想的未来状态是我们希望设计产品、测试产品、制造产品以及支持和维护产品。只有尽可能地完善它，我们才能真正用昂贵的原材料来制造。随着我们的产品成为更复杂的系统，这将变得更加重要。

完全理解系统和物理测试所有变化的能力已经成为一项不可能完成的任务。只有在这个阶段我们开始能够使用数字孪生，我们才能充分理解和测试这些新的复杂产品。

2.1.2 制造阶段

当我们进入制造阶段，即实际生产这些产品时，我们仍然会继续使用数字孪生平台（Digital Twin Platform, DTP）。如果我们在创建阶段的工作完成得当，制造阶段便只需按照在该阶段制定的制造计划执行，以实现物理产品的生产。

当我们开始根据计划制造实际产品时，我们将生产出独特的物理实体，即“物理孪生体（Physical Twins）”。正是在这一阶段，我们为每个物理产品创建数字孪生实例（Digital Twin Instances, DTIs）。捕获这些信息至关重要，因为它提供了单个物理产品的“竣工状态（as-built）”，这些信息将在物理孪生体生命周期的后续阶段中，为产品变更提供依据。

由于我们现在拥有了实际的物理孪生体，我们不再依赖于设计几何形状的公差范围，而是实际测量已构建的物理产品。我们将记录以下内容：

• 实际构建的产品；

• 对该特定物理孪生体进行的测试；

• 重要组件和装配体的序列号；

• 嵌入该实例的软件版本。

我们仍希望将数字孪生平台（Digital Twin Platform, DTP）的信息与数字孪生实例（DTI）关联起来，同时避免不必要的信息重复。

2.1.3 运维阶段

当产品完成并投入使用时，我们显然进入了运维或使用阶段。数字孪生实例连接到特定的物理孪生，并将在该物理孪生的整个生命周期中保持连接。

我们不仅希望捕获产品的物理变化，而且还希望捕获复杂的产品行为特征。同时需要考虑这个系统（我们的产品）收到的输入后产品在实际使用中的表现如何？对于飞机，不同的飞行剖面是什么，飞机如何响应和执行？

正是在这个阶段，我们创建了我们的数字孪生聚合，这是我们构建的所有产品的关键。收集、聚合和关联输入信息与性能输出将使我们能够评估和预测性能。收集有关某些传感器读数与后续组件故障的相关性的足够信息，将允许我们在看到相同模式的传感器时更换组件。如果我们能够捕捉到组件和性能下降的模式，就可以将其输入到未来产品的学习循环中。

虽然数字孪生的概念涵盖了整个产品生命周期，这些单独的产品类型与生命周期的各个阶段保持一致。数字孪生的价值，尤其是对于复杂的产品，在于它以产品为中心而不是以功能为中心。来自这些产品的信息将在整个产品的生命周期内被填充和消耗，而不是孤立在任何单一功能中。

2.1.4 处置阶段

处置阶段是产品生命周期中经常被忽视的阶段。对处置阶段的关注度主要随着政府监管活动的变化而波动。当政府监管力度较大时，处置阶段会受到高度重视；反之，当监管活动较少时，这一阶段则容易被忽视。

然而，从商业角度来看，关注这一阶段并应用数字孪生概念具有重要的意义。正是在这一阶段，具体的物理孪生体（physical twin）将不复存在，但数字孪生（digital twin）却几乎没有理由遭受同样的命运。在物理孪生体被处置后，维持数字孪生的成本几乎为零。

在处置阶段，数字孪生的存在主要有两个原因。首先，安全高效处置物理孪生体所需的信息通常源自创建阶段，这些信息可能是在数年、数十年甚至一个世纪或更早之前生成的。这些信息应存储在数字孪生中，并指导处置者对物理孪生体进行拆解和安全处置，特别是针对有毒组件。

循环经济（Circular Economy）的目标是尽可能回收产品的各个部分（Zeiss等，2020）。即使不考虑环境因素，回收产品材料并将其重新用于新产品的能力通常也具有显著的经济意义。

第二个原因是，在达到物理寿命终点的产品中可能存在有趣的设计和产品特征。如果数字孪生未能延续，这些信息将随着物理产品的处置而丢失。利用这些信息可以为未来的设计提供参考，并避免“重新发明轮子”所耗费的成本和时间。信息再次成为对浪费物理资源的替代。如果丢失可能对新产品有用的信息，将是一种遗憾，也是一种本可避免的成本。

2.2 “数字孪生不存在，除非有实物产品” 的谬论

有一种误区认为，数字孪生（Digital Twin）在物理产品存在之前并不存在。这种观点可能源于对数字孪生概念的简单误解，也可能是对“孪生”隐喻的过度解读。

隐喻在人类思维中具有强大的力量，能够激发复杂的心理建构甚至整个心理空间。隐喻不仅仅是简单的比较，而是一种生成性工具，能够帮助人们形成丰富的理解、新的视角和生成性想法，从而开辟以前未曾想到的机会领域（Grieves, 2000）。

“孪生”隐喻仅包含两个关键属性：双重性和高度相似性。在这一误区的讨论中，隐喻并不要求时间线上的同时性，也不要求一种孪生体必须在另一种孪生体之前存在。

也就是说，并不要求孪生体仅在其对应物同时存在时才存在，也不要求物理孪生体必须在数字孪生体存在之前存在。唯一的要求是，孪生体的对应物在其生命周期的某个时间点存在。这意味着数字孪生可以在物理对应物存在之前存在，也可以在物理对应物消失后继续存在。

因此，认为数字孪生必须在物理实体存在之后才能存在的观点是错误的。数字模型及其相关信息是否构成数字孪生的关键区别在于：该模型是否旨在成为物理产品，并且其物理对应物是否被实现。

正是这种意图和实现该意图的工作将数字模型与数字孪生区分开来。如果物理对应物从未实现，那么数字模型就永远不是数字孪生。数字模型永远不会成为数字孪生，因为既没有意图，也没有能力，将其变成实体产品。

从概念提出之初，数字孪生就旨在存在于产品生命周期的所有四个阶段：创建、制造、运维和处置（Grieves, 2006）。正如一句俗语所说：“没有人会走进工厂，敲打一些金属，然后希望一架飞机会出现。”数字孪生的一个重要价值在于，它在物理产品存在之前就已经存在。

为了消除对“孪生”隐喻的这些误解，以下是数字孪生不需要物理产品先存在的五个主要原因：

1. 数字孪生框架应涵盖整个产品生命周期。

2. 数字孪生在设计阶段尤其有价值。

3. 数字孪生在物理产品存在之前确实存在——只是名称不同。

4. 如果数字孪生在物理产品存在之前不存在，它将退化为功能孤岛。

5. 数字孪生仅在物理产品存在后才存在的概念既不优雅也不完整。

即使对于那些声称数字孪生在物理产品存在之前不存在的人而言，实际情况是，他们的组织在物理产品存在之前就已经有了数字孪生。这些产品信息确实存在于整个产品生命周期中。在这些情况下，它只是被赋予了不同的名称，例如数字模型、数字设计、数字系统模型等。然而，它具有数字孪生原型（Digital Twin Prototype, DTP）的大部分（如果不是全部）特征。

尽管创建阶段可能相对于产品整个生命周期（可能长达数十年）较短，但这一阶段的决策对未来的产品成本具有重大影响。据估计，产品成本的80%在创建阶段就已确定（Iansiti, 1998）。虚拟测试的能力正在不断增强，其成本仅为物理测试的一小部分，且耗时更短。这有可能降低成本、提高质量并缩短上市时间。

将DTP重命名为其他名称并将其排除在数字孪生框架之外的一个主要问题是，这会鼓励并维持功能孤岛。如果这种不同名称的事物在工程阶段存在，而制造阶段却没有物理产品实例的数字孪生，那么这些信息往往不会在工程和制造之间共享。

数字孪生的强大之处在于，它在整个产品生命周期中以产品为中心。信息的填充和消耗不受功能领域的限制。如果数字孪生仅在进入制造阶段后才存在，其效果将大大减弱。特定数字孪生实例（Digital Twin Instance, DTI）的大量信息都包含在DTP中。

最后，如果数字孪生不能涵盖整个产品生命周期，这既不优雅也不完整。正如第2节所述，数字孪生的意图是拥有一个贯穿整个生命周期的框架。这是自数字孪生概念提出以来的初衷。要求数字孪生仅在物理产品存在后才存在，与这一方法不一致。拥有不同类型的数字孪生（DTP、DTI和数字孪生聚合体DTA）使我们能够拥有一个一致的框架，同时区分数字孪生在产品生命周期不同阶段的表现形式。

3. 数字孪生与时间

数字孪生（Digital Twin）中讨论最少且可能最被低估的一个方面是其与时间的关系。在物理世界中，我们被困在当下。如果我们想向前推进时间，我们可以做到，但只能以时钟的每一秒为单位进行。如果我们想回到过去，则无能为力。

几个世纪以来，人们对预测未来事件的能力一直充满兴趣。著名数学家拉普拉斯（Laplace）曾说过：“给我宇宙中所有粒子的位置和速度，我就能预测未来”（Laplace, 1917）。然而，正如后文将指出的，这仅适用于无生命的宇宙。

但在虚拟世界中，我们不受这种时间限制，并且在实现拉普拉斯的愿景方面取得了巨大进展。我们可以通过两种机制回到过去：

1. 反向运行模拟：从当前时间点向后运行模拟。模拟并不关心是向前还是向后运行，时间箭头在模拟中是双向的。

2. 捕获状态变化：通过记录产品随时间变化的状态，我们可以简单地在当前的数字孪生中逆转这些状态变化，以重现过去的任何时间点。

要进入未来，我们只需向前运行模拟。我们可以选择时间增量和持续时间。例如，在核爆炸模拟中，我们可以将时间增量设置为纳秒，持续时间设置为秒；在车辆碰撞测试中，可以使用稍大的时间增量；而在确定飞机机身的耐久性和潜在退化时，可以将时间增量设置为年，持续时间设置为数十年。这里有两个关键要求：

1. 对物理过程的理解：我们需要了解随时间发生的物理现象。

2. 足够的计算能力：我们需要足够的计算能力来在所需的时间增量和持续时间内模拟这些物理现象。

这两种能力都在以前所未有的速度提升。

图5展示了在创建阶段数字孪生原型与时间的关系。T0 表示我们拥有一个完整的数字孪生体的时间点，该孪生体可以转化为具有完整功能的物理产品。Tx 表示产品生命周期中的当前时间，Tx+y 表示未来的某个时间点。我们可以从 Tx 向前或向后移动时间。

图5 数字孪生与时间

建模和仿真结合了驱动这些模拟的物理现象和假设。在创建阶段，我们希望虚拟地创建产品、测试产品、制造产品以及维护和操作产品。我们希望能够模拟短时间内的现象（如碰撞测试）以及长时间内的现象（如确定飞机机身数十年的耐久性）。

当我们得到不理想的结果时，可以通过仿真回溯时间，查看预期结果与实际结果之间的偏差。然后，我们可以修改设计，以获得理想的系统结果。

创建阶段的目标是解决这些复杂产品的所有问题和挑战，只有当我们完全解决这些问题后，才会进入物理制造阶段。

操纵时间的能力使我们能够更好地理解复杂系统。这种能力在数字孪生的应用中具有重要价值，尤其是在创建阶段，通过虚拟测试和优化设计，显著降低了开发成本和时间。

4. 复杂系统

在讨论复杂产品或系统时，我们首先需要明确“系统”的定义。根据Grieves（2012）的定义：

系统是由两个或更多组件组成的整体，这些组件通过组合产生一个或多个结果，而这些结果无法通过单个组件单独实现。

系统由三个组成部分构成：输入、操作和输出。输入是驱动系统行为的因素，主要包括材料、力和信息。这些输入通过系统的操作进行处理，产生的输出则用于系统内部和外部。

系统的分类层次如下（Baldwin等，2011）：

简单系统（Simple Systems）

复杂系统（Complicated Systems）

系统之系统（System of Systems, SoS）

高度复杂系统（Complex Systems）

协作系统之系统（Collaborative SoS）

自适应系统（Adaptive Systems）

复杂自适应系统（Complex Adaptive Systems）

在本文中，我们将超越复杂系统的系统归类为高度复杂系统(

complex systems)。也就是说，系统可分为三类：简单系统、复杂系统和高度复杂系统。简单系统和复杂系统密切相关，主要区别在于范围的大小。

简单系统的输入、操作和输出都易于识别。简单系统几乎不需要信息输入，系统状态也较少。例如，杠杆和支点构成的系统就是一个简单系统。

复杂系统具有与简单系统相同的特征，但主要区别在于复杂系统包含更多相互作用的组件。尽管其输入、操作和输出可能不易识别，但系统可以分解为离散的子系统。这些子系统易于理解，子系统之间的接口较少且简单。复杂系统的状态较多，但这些状态仍然易于识别。

复杂系统的信息输入较少，通常通过物理材料的变化（如拨动开关、拉动杠杆等）实现。机械系统与复杂系统在很大程度上（甚至完全）重叠。例如，机械手表就是一个复杂系统的典型例子。

关于复杂性的定义，学术界尚未达成完全一致。虽然复杂系统（complicated systems）是简单系统的扩展，但高度复杂系统（complex systems）则与之截然不同。当系统的可能状态数量难以掌握或状态数量过于庞大而无法计算时，复杂性便开始显现。

与复杂系统类似，高度复杂系统的关键特征在于其包含大量组件。然而，高度复杂系统的组件之间还具有多个接口点和多对多的通信渠道（Mitchell, 2009）。复杂性还与系统的行为相关：具有更多可能行为的系统比行为较少的系统更为复杂（Siegenfeld & Bar-Yam, 2019）。

有学者提出，复杂性主要体现在信息处理上，这是高度复杂系统与简单系统和复杂系统的根本区别。信息输入（无论是进入系统还是系统内部的信息交换）驱动了系统的复杂性（Stacey等, 2017）。系统内部复杂的信息处理也使得系统状态的预测变得困难。

复杂性驱动了对数字孪生的需求。虽然界限并不十分明确，但当系统的可能状态数量和信息交换与处理达到一定水平时，产品便被认为是高度复杂的。正如我常说的：“喷气式战斗机需要数字孪生，而回形针则不需要。”

5. 复杂系统与涌现行为

现代高度复杂系统被认为具有涌现行为（emergent behavior）（Grieves & Vickers, 2017）。然而，这种说法并不完全准确。涌现行为通常被理解为系统在运行过程中逐渐表现出的新行为。但实际上，在大多数人造系统中，新行为并非真正“涌现”，而是从一开始就存在于系统中。真正“涌现”的是产品开发者对系统潜在行为的理解。

系统具备实际涌现行为的条件通常出现在以下两种情况之一。第一种情况较为常见。它涉及人与系统的交互，这种交互会改变系统中的某些元素，从而影响其行为。然而，如果我们将人类视为系统之外的实体，那么这同样不能被视为真正的涌现行为。如果人类以系统设计者从未预料到的方式与系统交互，或者人类对系统进行了更改，那么系统总是会以那种方式运行。这种行为与其说是涌现的，不如说是人类行为的确定性结果。

第二种情况，系统展现出实际涌现行为的场景是在做出决策或调整未被设计入系统的参数时。在一个极端，这些决策可能是完全随机的，例如通过生成随机数来组合不同的过程。另一个极端则是人工智能（AI），它实际上是将类人智能（目标导向）融入系统，以做出更好的决策来实现结果。

具有这种随机性的系统将是实际的涌现系统。然而，只有具备人工智能的系统才会展现出目标导向的涌现行为。

6. 人工智能与建模/仿真

AI 和 M&S(Artificial Intelligence and Modeling and Simulation)是同一枚数字硬币的两面。AI专注于通过计算机复制人类的智能，而M&S则专注于通过计算机复制物理宇宙的其余部分（不包括人类智能）。AI和M&S共同为虚拟世界中的数字孪生提供了一种智能形式。

这两种能力都在很大程度上依赖于计算的进步。自 1970 年以来，以芯片上晶体管数量为代表的计算性能正如摩尔定律所预测的那样呈指数级增长。如图 6 中的对数图所示，计算性能大约每 18 个月翻一番。2020年晶体管密度达到540亿。如果继续保持这个速度，到 2030 年将达到大约 6 万亿个晶体管。

图6 摩尔定律——晶体管密度的对数图

虽然难以完全理解这种计算能力的意义，但我们可以非常有信心地认为，本文提出的想法不会受到计算能力的限制。

6.1 人工智能

人工智能或 AI 这一术语是由麻省理工学院的约翰麦卡锡在20世纪60年代提出的，旨在创建“会思考的计算机”（Moravec 1988）。今天AI这一术语被广泛使用。2021年，在谷歌上搜索“AI”一词，会返回约40亿条结果。在讨论中，AI涵盖了从专家系统算法到基于计算机的自我意识智能实体（Kurzweil, 2005）的广泛范围。

我们可以将智能定义为在最小化资源的同时追求目标。自然界通过适者生存来实现目标追求，但自然界并不会最小化资源。自然界试图产生所有可能的组合，并让环境选择最适应的个体，淘汰其余。自然界可能需要数亿年时间和近乎无限的资源来完成这一过程，而人类则没有这种奢侈。

6.1.1 人工智能现状

计算机可能复制人类智能的想法至少可以追溯到上世纪中叶。最著名的例子是图灵测试，由艾伦·图灵（Alan Turing）于1950年提出（Turing, 1950）。该测试的基本思想是，如果人类观察者通过一系列问题无法区分另一个人类和计算机，则认为计算机通过了图灵测试。

然而，图灵测试被认为不够严谨，因为它依赖于可能容易被欺骗的观察者。因此，人们提出了其他测试，例如Winograd模式挑战（Levesque等, 2012）。该测试通过提出模棱两可的问题，依赖于人类的常识，而当前的深度学习系统难以（甚至无法）复制这种能力。

例如，考虑一个简单的句子：“猫坐在垫子上，它打了个哈欠。”即使是年幼的人类也能立即给出正确答案，而计算机目前很难回答这类问题，需要大量的本体论和深度学习编程。

此外，关于我们是否真的希望计算机复制人类智能的问题也存在争议。事实上，计算机是否能够复制人类智能本身就是一个严肃的问题。一个常被忽视的事实是，人类大脑和计算机的硬件结构截然不同。

计算机硬件基于数字电路实现，而人类大脑则由相互连接的神经元组成，具有专门处理不同心理功能的区域（Seung, 2012）。认知科学领域有一种理论认为，人类的思维方式深受其与感官和运动过程的嵌入连接影响（Ramachandran, 2011）。

本文的目的并非全面讨论什么构成或不构成人工智能，而是探讨使数字孪生表现出智能的元素。对我们而言，智能是指在理解上下文的基础上做出预测，以支持目标追求，同时最小化物理资源的使用。

AI可能并不复制人类智能，而是以不取代人类但增强人类能力的方式实现目标追求和问题解决。证据在于，计算机认为简单的任务（例如两个9位数的乘法）对几乎所有人类来说都很困难，而人类认为简单的任务（如验证码识别或上述模棱两可的句子）对计算机来说却很困难（Tegmark, 2017）。

然而，好消息是，智能数字孪生（IDT）对AI的实际需求并不是具备类似人类的智能。我们已经有足够多的人类。AI的目标是通过处理大量数据并呈现相关信息来增强人类智能。正如接下来将讨论的，数字孪生从其诞生之初就提出，增强而非取代人类智能是其核心特征。

6.1.2 提示可用性

从数字孪生概念的早期阶段开始，就提出数字孪生应理解上下文并为用户提供主动协助。数字孪生自诞生以来就具有以下特性：唯一性、对应性、可追溯性、反射性和提示可用性（Grieves, 2006）。

唯一性（Singularity）意味着产品信息有单一表示，不存在重复或不一致的版本。对应性（Correspondence）指的是产品同时兼具物理与虚拟两种形态。一致性（Cohesion）指的是产品信息的所有表述或视角均须遵循物理定律，与其基于原子的物理孪生体保持一致。可追溯性（Traceability）是指数字孪生能够跟踪产品在生命周期各阶段的历史。反射性（Reflectiveness）则是指当物理孪生体发生变化时，其数字孪生实例（DTI）也会相应变化。所有这些特征目前都是数字孪生的一部分。

数字孪生尚未完全实现的最后一个特性是提示可用性（Cued Availability），而这正是智能数字孪生（IDT）的价值所在。提示可用性是数字孪生将根据用户正在执行的任务向用户提供信息的概念。提示可用性只是能够“在我们需要时拥有正确的信息和流程”（Grieves 2006）。数字孪生将了解用户的操作信息，并根据场景提供额外的支持。

6.2 建模与仿真

在向艾伦·图灵致歉的同时，必须强调的关键要求是让计算机模拟宇宙中的一切，除了人类智能。如果如上所述，我们能够完全模拟无生命的宇宙，同时通过人工智能（AI）获得辅助，那么我们将在整个产品生命周期中获得巨大的价值。

建模与仿真旨在在数字或虚拟环境中表示物理产品及其行为。在此背景下，模型是物理产品的静态表示。当前技术允许模型以三维形式复制，并在尺寸上具有完全的保真度。行为则以数学形式建模，描述作用于物理产品的力以及物理产品生成并作用于环境的力。

仿真是动态的。仿真增加了时间维度，描述了产品在力的作用下如何变化，以及产品生成的力如何作用于环境。仿真还展示了在力的数学行为模型作用下材料几何形状的变化。例如，车辆碰撞测试的仿真以用户定义的时间尺度展示了汽车在撞上障碍物时所有组件的变形。

仿真依赖于两点：

• 对物理环境的知识和/或数据的不断增加。

• 计算能力：以所需的规模和保真度计算物理现象。

这意味着过去在建模和仿真产品方面存在局限性。几十年前，只能仿真简单的产品系统。随着摩尔定律的持续作用，如今即使是复杂的产品系统也可以被仿真。

问题是，我们如何判断建模与仿真（M&S）的效果？十多年以前，我提出了一些虚拟性测试来回答这个问题。虚拟性测试借鉴了图灵测试。

Grieves 虚拟性测试的原始公式包含三个不同的测试：视觉测试、性能测试和反射测试。测试的形式是相似的。观察者接触了物理和虚拟版本。如果他或她无法分辨出两个版本之间的区别，那么测试就通过了。

在视觉测试中，观察者查看放置在物理房间中的产品的视频屏幕及其数字孪生版本。观察者可以要求进行任何空间操作，例如从任何角度查看产品，或要求拆卸产品并查看任何单个组件。例如，对于汽车，观察者可以要求打开车门查看内部，或打开引擎盖查看发动机舱。如果观察者无法区分物理版本和数字孪生版本，则视觉测试通过。

性能测试更具挑战性。观察者同时查看物理产品和数字孪生版本，并要求对两者施加力并观察结果。例如，对于飞机，可以启动两台飞机的喷气发动机，并让它们在物理和虚拟跑道上起飞（内部力测试）。观察者还可以要求飞机在飞行中进行陡峭俯冲，观察作用在飞机上的力（外部力测试）。如果观察者无法区分物理和虚拟性能，则性能测试通过。

第三个测试是反射性测试。反射性定义为物理产品的任何变化都会反映在其数字孪生中。观察者比较物理孪生和数字孪生版本，确保两者之间没有差异。例如，对于石油钻井平台，如果观察者比较每个阀门设置、每个仪表和每个泵的序列号，两者之间没有差异，则反射性测试通过。

这些测试旨在成为理想测试，它们始终与为用户提供价值的用例相关联。只有那些能够提供价值的内容才会被纳入测试。例如，如果拆卸产品并比较物理孪生和数字孪生版本没有价值，则不会进行此类测试。

十多年后的今天，这些虚拟性测试已经可以轻松通过。十多年前，我们接近通过视觉测试，而如今物理产品及其数字孪生的可视化已经具备了大多数用例所需的保真度和粒度。

行为测试和反射性测试是在物联网（IoT）普及之前提出的。当时的问题在于如何获取适当的传感器数据以维护数字孪生版本。如今，借助智能产品，我们能够轻松获取所需的传感器信息，从而通过这些测试。需要注意的是，这些测试仍然由用例驱动，只有为用户提供价值时，才会投入资源维护数字孪生。

在此基础上，我提出一个新的虚拟性测试：预测测试（Grieves Test of Prediction）。这是一个更难的测试。在此测试中，观察者要求将数字孪生版本推进到未来的某个时间点，并等待相应时间。当时间到达后，观察者比较物理孪生和数字孪生的状态。如果两者基本一致，则预测测试通过。

6.3 人工智能与建模/仿真相结合
AI的自然栖息地是虚拟世界。它更适合处理虚拟世界的信息，而不是处理物理世界的有形结构和环境。在处理物理世界时，人工智能依靠传感器来捕捉上下文中物理世界状态的变化，并依靠物理执行器来引起有形结构的变化。

举个简单的例子，坐在滑行道上等待起飞的飞机的飞行员一眼就可以评估他们所处的情况：跑道的状态，其他飞机的位置，发动机的状态， 天气状况、空气控制的可信度以及许多其他因素。人工智能系统所需的传感和编程具有所有相同的信息并完全取代飞行员，即使不是不可逾越的任务，也是一项艰巨的任务。

这并非意味着人工智能在协助驾驶员方面没有作用，即便是在普通的滑行道上亦是如此。实际上，人工智能确实能发挥作用。凭借其能够获取的信息和进行的评估，人工智能够预防诸如1977年特内里费747空难等灾难，那场空难是由于驾驶员的悲剧性误算导致的（Weick, 1990）。人工智能本可以及时向驾驶员发出警报，表明碰撞不可避免，从而中止起飞。

人工智能在国内最流行的地方是建模/仿真的虚拟世界。事实上，它的行为更像自然而不是像人类。在虚拟世界中，人工智能是寻求目标的，但对最小化资源的要求却非常宽松。随着计算能力的持续指数级增长，模拟更多可能组合并评估其结果的能力变得更快且成本更低。例如对车辆进行物理碰撞测试成本高昂，但得益于摩尔定律，虚拟车辆的碰撞测试会随着时间的推移变得越来越便宜。这意味着可以以最低成本完成越来越多不同的测试。

7. 智能数字孪生

传统上，数字孪生具有被动性的特征。数字孪生被描述为产品信息的存储库。信息被填充到数字孪生中，并从其中被提取使用。用户可以对数字孪生进行查询，利用其中的信息来替代浪费的实体资源。

智能数字孪生 (IDT) 具有以下特征：

• 主动性

• 在线性

• 目标导向性

• 预见性

  
  

7.1 主动性

智能数字孪生（IDT）的一个关键特征是其主动性。当前对数字孪生的普遍理解是其被动性。它通常被视为产品信息的存储库。为了获取这些信息，用户需要主动查询或搜索他们所需的信息。尽管预测功能是当前数字孪生的一部分，但通常是在用户发起请求的框架内，由用户选择特定的预测内容。

IDT则主动协助工作，并在需要时提供信息。如前所述，其目的并非取代人类和人类智能，而是对其进行增强。

7.2 在线性
回顾图1中的数字孪生模型，其三个要素之一是数字孪生与其环境之间以及物理孪生与其环境之间的通信链路。通信是双向的。我们将数据从物理端传输到虚拟端，信息则从虚拟端传输到物理端。
物理端与虚拟端之间的通信频率很少被提及。即使被提及，也通常与特定的用例相关。例如，安全气囊的部署需要即时通信，而维护更新则可以批量处理，并可能延迟数天。

然而，即使是即时的安全气囊部署通信也是被动的。它需要物理安全气囊系统将数据发送到其数字孪生，以便触发某些操作。在物理端执行某些操作之前，数字孪生与其物理对应物之间的通信是离线的。

为了使数字孪生具有主动性，它必须在线。这意味着数字孪生（DT）持续扫描物理孪生（PT）及其环境。主要的初始化操作从数字孪生模型的物理端转移到主动的数字孪生端。根据生命周期的不同阶段，物理端包括环境、物理孪生以及相关的人类参与者。数字孪生从一个被动的存储库演变为一个主动的存储库和持续的代理助手。

7.3 目标导向性

在当前数字孪生模型中，人类提供了所有的目标导向功能。而在IDT中，目标导向功能由其与人类用户共同承担。这意味着在产品生命周期的各个阶段，目标的创建和表达将成为一个关键方面。

需要为不同阶段定义明确的目标。在创建阶段，目标是与开发符合定义要求的产品相关。在构建阶段，目标是使用最少的物理资源（即时间、能源和材料）生产这些产品。

在操作/维护阶段，目标是持续运行，尽量减少停机时间，并满足创建阶段设定的性能要求。在处置阶段，目标是安全有效地处置和回收产品。

智能数字孪生的目的是协助和增强人类实现这些始终存在的目标，而非改变这些目标。

7.4 预见性
智能数字孪生（IDT）具有预见性。这是人类本能会做的事情，尽管有时并不十分成功。作为目标导向/资源最小化的主体，人类试图展望未来并调整当前行动以实现未来目标。一个常见的例子是驾驶。人类不断评估周围车辆并调整方向和速度以避免碰撞。然而，事故的频发表明人类在这方面并不总是做得很好。

IDT至少在两个主要领域可以为人类提供重要帮助：一是执行复杂计算以准确建模和模拟物理事件，二是防止人类偏见影响决策。

我在之前的研究中讨论了这种能力，并将其命名为“前沿运行模拟”（Front Running Simulation, FRS）（Grieves, 2019）。FRS试图预测未来并“跑在”物理孪生的前面。FRS是一种持续运行的模拟，利用复杂产品的数字孪生进行。

我们已经在建模与仿真部分详细讨论了FRS的第一个特征。数字孪生的一个核心特征是能够对物理事件进行虚拟建模和仿真。它依赖于前面讨论的数字孪生操纵时间的能力。

对于具有预见性的IDT，我们希望IDT能够在产品执行其职责时持续运行产品的模拟。图7在图5的基础上增加了物理孪生的维度。在每个新定义的T0时刻，物理孪生会将其新的当前状态信息输入IDT。

图7 先验运行仿真

IDT随后将运行新的仿真，不仅利用该物理孪生的历史和当前状态，还利用该类产品数字孪生聚合体（Digital Twin Aggregate, DTA）中的信息。IDT将从该时间点开始运行新的模拟，以预测产品在当前状态和环境下未来的表现。

这将使IDT能够预测如果产品继续按照当前路径运行可能发生的未来不良事件。随着计算能力的指数级提升，IDT可以运行多种场景，并使用贝叶斯概率计算不良事件发生的概率，从而帮助人类评估风险。

FRS的第二个特征是防止人类偏见污染甚至阻碍良好决策。人类有两种常见的偏见，往往会导致灾难性决策。这些偏见是确认偏见（confirmation bias）和乐观偏见（optimism bias）（Kahneman, 2011）。

确认偏见是指人类倾向于只重视那些证实其已有观点的信息。乐观偏见则是指人类倾向于认为乐观结果的发生概率远高于实际概率。这些偏见导致的灾难案例比比皆是，例如前面讨论的特内里费空难、巴西附近的法航447空难（Palmer, 2013）、BP墨西哥湾漏油事件（Graham et al., 2011）以及许多其他事件（Perrow, 1984）。

基于此，IDT可以为人类提供宝贵的帮助。IDT能够以准确且无偏见的方式处理所有可用的数据和信息。它可以通过修改参数、计算概率并基于当前条件和行动为人类提供结果估计，从而探索多种场景。

7.5  贯穿整个生命周期的智能数字孪生

数字孪生的价值始终由用例驱动。问题始终是：来自数字孪生的信息能否替代浪费的时间、精力和材料等物理资源？如果可以，并且收集、处理、存储和检索信息的成本小于浪费物质资源的成本，那么就应该创建和使用该信息。

图8 显示了按产品生命周期阶段组织的常见数字孪生用例。这绝不是一个全面的统计，但它显示了数字孪生在当今现代产品组织中的使用范围。

我们的目的是将尽可能多的工作从物理世界转移到虚拟世界，并在经济上有意义。虚拟资源将继续以指数速度变得更便宜。物理材料将变得更加昂贵。

图8 数字孪生案例

7.5.1 创建阶段

创建阶段显然是产品开发中最重要的部分。正是在这个阶段，我们开始了新产品的生命周期。理论上，在这个阶段开始时没有任何东西存在。没有数字孪生，当然也没有物理孪生。

现实情况是，我们很少从一张白纸上着手开发革命性的新产品。大多数情况下，我们从一些已经存在的组件开始，这些组件可能会被重新用于新产品。很多时候，我们都在开发旧产品的下一代。

如果如前所述，我们想要虚拟地创建产品、虚拟地测试产品、虚拟地制造产品并虚拟地支持和维护产品，那么创建阶段就是尽可能多地使用虚拟能力。正是在这个创造阶段，连接 AI 和 M&S 的智能数字孪生可以提供巨大的价值。

我们的首要任务是创建我们希望该产品具有的需求。这些要求将推动数字孪生原型的开发，为未来的物理产品奠定基础。此 DTP 被定义为我们可以制造的所有产品及其所有变体。

一旦有了要求，本质上就是新的产品系统，就构成了新 DTP 的基础。我们使用具有智能数字孪生特征的产品生命周期管理系统 (PLM) 工具，希望这种能力是主动的、在线的、目标寻求和预期的，几乎可以将其视为超级数字孪生。

这就是提示可用性发挥作用的地方，主动的智能数字孪生希望为产品开发人员提供帮助。当开发人员处理新产品时，从需求到完整的产品设计和制造实现，IDT 可以为他或她提供帮助。IDT 可以监控工作并向设计师展示他或她甚至可能不知道他们需要的材料。这需要不断的在线访问。

IDT 可以评估形状并展示已经设计好的事物的示例以提供帮助。它可以寻找与先前设计的零件相似甚至相同的设计并呈现这些设计，因此不会被重新创建。它可以使用要求持续对设计进行分析，以便及早确定满足要求的设计，并在不符合要求时提供早期警告。

IDT 需要具有前瞻性。IDT 可以寻找不同设计师和工程师之间的接口问题，从而消除零件不配合的问题。可以运行相关组件的早期仿真，以确保按预期工作方式工作。查看用例列表，总有一些用例会受益于 IDT 维护信息并提供分析作为产品设计师和工程师的早期警告。

这个阶段的目标寻求是由需求驱动的。我们的目标是生产出满足要求特征的新产品，同时最大限度地减少资源的使用。我们通过 M&S 功能进行测试，以检查在我们进行测试阶段和建模以及仿真操作/维持性能时是否满足要求。

在这个阶段，我们不仅需要创建满足设计要求的产品，还需要创建一个生产过程，以生产我们数字产品的物理表示。这意味着我们将需要工厂生产过程的数字孪生，以确定该生产过程将产生我们想要的物理产品。同样，工厂的 M&S 将使我们能够确定生产过程将有效且高效地生产物理孪生。

7.5.2 制造阶段

在制造阶段，重点是创建一个物理孪生，尽可能地复制数字孪生原型的变体。在这个阶段，我们还希望创建制造的特定物理孪生的数字孪生实例。我们希望这个制造过程尽可能地复制在创建阶段开发的模拟/仿真制造过程。

如表1 所示，制造设施的范围从简单到复杂。从简单的角度来看，一台机器可能就是制造过程。它可能不需要 DT，更不用说 IDT。在复杂的一端，有大量机器执行不同的过程，我们需要在一致的系统中组织机器的 DT。

 表1 制造等级

在后一种情况下，我们想要使用的智能数字孪生是工厂本身的 IDT。我们希望工厂的 IDT 是活跃的和在线的，希望 IDT 持续监控工厂车间是否存在影响我们正在制造的产品的生产力或质量的问题。

工厂复制的概念是关于我们工厂的信息总是即时且同时可供任何授权用户使用（Grieves 2014）。工厂复制要求智能数字孪生始终在线。我们追求的目标是尽可能高效地生产优质零件。IDT 将通过提示可用性建议改进我们的流程，因为它决定了我们实际生产产品的方式与我们认为我们将生产产品的方式。

预期方面与 FRS 一起发挥作用。通过不断仿真工厂的未来状态，我们可以提前预测瓶颈等问题，并采取补救措施来防止这些问题的发生。有了正确的信息，我们可以在工厂的宏观层面和单个设备的微观层面做到这一点。我们希望能够从基于 MTBF 的定期维护转变为基于性能指标的预测性维护。这意味着我们会在问题发生之前解决问题，而不是定期进行维护。

这就是数字孪生与工业 4.0 的不同之处。工业 4.0 的目标是缩短从不良事件到补救的时间（Schuh 等人，2016 年）。如果我们可以收集有关工厂设备的足够信息，我们应该能够预测故障并在故障发生之前修复它们（Nikolopoulos 2020）。

另一个预期方面是寻找弱信号或异常。这些是人类经常忽略的信号，但表明出现问题（Weick 和 Sutcliffe 2007）。IDT 将考虑到寻找弱信号很重要来处理此信息，以便 IDT 可以检测将导致未来故障的条件并及早发现它们。

7.5.3 运维阶段

在运维阶段，智能数字孪生有很多机会。如今，现代喷气式战斗机、大型钻井平台和复杂的医疗设备等复杂产品超出了人类的处理能力，无法准确了解这些产品的作用。此阶段的 IDT 需要积极寻找性能问题，将它们与预期性能进行比较，并调整软件以补偿性能下降，尽早提醒人们注意问题，或者至少为后代识别问题 的产品。至少，我们希望关闭操作/维持阶段和创建阶段之间的循环。为此，我们将产品实际性能的数据提供给创建这些产品的设计师和工程师。

虽然经典的数字孪生可以收集大量此类信息，但它是定期收集的，在收集数据和将该信息传输到其数字孪生之间可能存在较长的滞后时间。在线意味着我们将不断收集信息。

目标寻求建立在产品需求中，因此 IDT 的目的是不断将实际性能与需求相匹配，并进行所需的任何调整以获得所需的性能。这也意味着 IDT 将随着产品在生命中的成熟而学习，以便它可以补偿退化。然后将该信息提供给数字孪生聚合，以便将其传播到其他 DTI。

由于人工智能被整合到这些产品中，复杂系统的新兴方面使 IDT 变得至关重要。根据定义，这些系统的初始产品设计人员无法预测所有系统响应。IDT 将需要为这些紧急系统提供监视能力。当 AI 更改系统参数时，这些更改需要传输到其 DTI。至少，DTI 将记录所做的更改，以分析是否出现问题，以及物理孪生是否已损坏或毁坏。在理想情况下，智能 DTI 会预测不利情况并进行干预以防止其发生。

8. 结论

数字孪生已成为21世纪的一项顶级技术举措。将工作从物理世界转移到虚拟世界的能力将使产品更快、更好、更便宜。随着产品复杂性和新兴能力的不断增加，数字孪生的信息能力将在整个产品生命周期中变得至关重要。数字孪生从产品概念诞生的那一刻起就已存在，因为产品的信息总是先于其物理形态出现。

为了应对日益复杂的产品挑战，数字孪生需要不断演进。人工智能（AI）和建模与仿真（M&S）的进步将使智能数字孪生（IDT）成为可能。数字孪生将从信息存储库的角色转变为向人类用户提供持续指导的工具。

智能数字孪生的特征包括主动性、在线性、目标导向性和预见性。这些特征将使得IDT在计算能力指数级增长的推动下，能够通过从当前状态不断模拟可能的未来，利用其时间操纵能力来预测未来。IDT的前沿运行模拟（FRS）将至少提供对其关联物理孪生的监控，并理想地预测不良状态，从而防止这些不良事件的发生。

将工作从物理世界转移到虚拟世界将成为21世纪的一个标志。人工智能和建模与仿真将推动智能数字孪生的发展，并极大地协助人类开发具有新兴能力的产品。智能数字孪生不会取代人类，而是作为人类的助手和增强工具，帮助人类更好地应对复杂挑战。

关注公众号，后台回复“DT15”即可下载原文

第五届数字孪生国际会议（DigiTwin 2025）将于2025年10月14日-10月18日在德国加尔米施-帕滕基兴举行。

DigiTwin 2025计划设置分论坛如下：

• 数字孪生智能制造

• 数字孪生增材制造

• 数字孪生智能服务

• 数字孪生设计

• 数字孪生智慧城市

• 数字孪生物流

• 数字孪生能源/环境工程

• 数字孪生医疗健康

大会秘书邮箱：digitaltwin@buaa.edu.cn