点击蓝字 关注我们↑↑↑
DIGITAL TWIN
如果您不希望错过文章，就加个星标吧！
本期阅读
文章信息
论文《Artificial cognitivesystems: the next generation of the digital twin. An opinion》于2021年9月收录于《Digital Twin》期刊，本文由英国Bristol大学David Jones完成。基于数字孪生和人工认知系统之间固有的相似性，以及在校准这两种方法时已经可以看到的见解，本文提出了一个论点，即人工认知系统为工业 4.0 的更高层次的认知挑战提供了解决方案，并且数字孪生研究应相应地朝着人工认知的方向发展。
DOI: 10.12688/digitaltwin.17440.1
引用本文：
Jones D. Artificial cognitive systems: the next generation of the digital twin. An opinion. [version 2; peer review: 2 approved]. Digital Twin 2021, 1:3 (https://doi.org/10.12688/digitaltwin.17440.2)
文章阅读（摘译）
Artificial cognitivesystems: the next generation of the digital twin. An opinion
David Jones
Department of Mechanical Engineering, University of Bristol, Bristol, BS8 1TR, UK
Department of Computer Science, Llandiam Building, University Aberystwyth, Ceredigion, SY23 3DB, UK
摘要
数字孪生技术常被视为工业4.0的解决方案，尽管在许多领域确实如此，但过度依赖现有的机器学习方法可能无法满足工业4.0对高阶认知能力的需求，如适应性、因果推理和规划等。随着机器学习局限性的逐渐显现，强人工智能范式正在兴起。人工认知系统作为强人工智能范式的一部分，旨在开发能够模仿生物系统学习和与世界交互的计算系统。本文提出，人工认知系统能够为工业4.0中的高阶认知挑战提供解决方案，因此数字孪生研究应朝着人工认知的方向发展。这一论点基于数字孪生与人工认知系统之间的内在相似性，以及将两者结合所展现出的潜在洞见。
关键词
数字孪生，人工认知系统，工业4.0
1、引言
随着数字孪生技术的研究与实际应用不断扩展，该领域正基于现有技术解决方案（如物联网传感器、数据库、仿真、建模和机器学习等）构建多种应用场景。尽管在某些案例中，这些应用场景能够实现数字孪生的预期效益，但人们仍需质疑数字孪生是否能够仅依赖这些现有底层技术来满足工业4.0的需求。机器学习便是一个典型的例子。通常，数字孪生被描述为一种从物理实体收集数据并应用现有机器学习技术的结构。尽管这种结构被冠以数字孪生的名义，但其本质上与数字孪生前时代的应用场景并无显著差异。尽管这种方法在某些方面具有优势（例如将所有虚拟流程整合到一个应用中），但也存在诸多问题。机器学习领域的前沿研究开始质疑当前技术是否能够提供解决工业4.0所提出的复杂现实挑战所需的人工智能能力。如果机器学习无法应对工业4.0的挑战，而数字孪生又依赖于机器学习，那么数字孪生同样将难以满足工业4.0的需求。
在肯定机器学习成功的同时，Pearl和Mackenzie指出，机器学习在适应性、鲁棒性、可解释性以及因果推理等方面存在局限性。机器学习技术依赖于基于历史数据训练的统计方法，因此只能学习过去发生的情况。这种方法无法处理超出历史应用场景的信息，也无法随着应用场景的变化而动态调整。机器学习的成功主要局限于诸如语音识别和图像分析中的行人检测等狭窄的应用场景，这些场景通过大数据和高性能计算解决了高度受限的问题。Pearl认为，复杂的现实问题需要强人工智能的支持，即能够高度模拟人类思维的人工智能方法。这些方法旨在模仿人类学习和适应环境的能力。
将这一观点应用于制造系统时，可以清晰地看到Pearl的论点在人类工作场景中的体现。工作的常规性与非常规性分类表明，涉及手指灵活性等常规性任务最容易被计算机取代，而诸如规划等非常规性任务则最不易被取代。工业4.0提出的挑战包括“在管理和操作层面应用机器学习和人工智能进行决策”“基于实时数据的生产调度优化方法”“应用人工智能解决复杂问题（如机器人拆解问题）”“协作机器人”以及“逆向物流”等。同样，Monostori从信息物理生产系统的角度讨论了工业4.0，并列举了“上下文自适应及（至少部分）自主系统”“协作生产系统”“动态系统的识别与预测”“鲁棒调度”“虚实系统融合”以及“人机共生”等挑战。尽管虚实系统融合与人机共生可能为潜在解决方案提供了一些启示，但这些挑战再次指向了当前由人类执行的高阶非常规任务，而现有机器学习技术尚无法提供足够的解决方案。本质上，实现工业4.0的挑战在于当前技术无法胜任的非常规任务。
如果这些非常规任务需要通过计算机实现，则需要依赖强人工智能的承诺。Pearl在因果推理领域的研究属于更广泛的人工认知系统范畴。这一领域隶属于人工智能范畴，旨在通过计算模拟生物系统及神经生理系统的发展方式。通过实现计算因果推理和目标驱动的自主学习等能力，人工认知系统领域正从自然界汲取灵感，开发出有望实现强人工智能的系统。同样，数字孪生若要实现工业4.0的目标，也必须具备强人工智能的能力。
尽管基于现有技术的数字孪生应用场景展现出一定的潜力，但本文作者认为，数字孪生研究还应着眼于人工智能研究的未来。本文旨在通过提出将人工认知系统融入数字孪生的研究论点，推动该领域的兴趣与研究。为此，下一节将首先概述这两种范式的起源，随后探讨数字孪生与人工认知系统之间的相似性。这两部分表明，尽管这两种范式属于不同的研究领域，但它们基于相似的概念。接下来，本文将探讨人工认知系统领域的一些灵感，这些灵感可能为数字孪生研究提供解决方案。最后，本文呼吁推动该领域的研究，例如在基于数字孪生的解决方案中评估认知架构的潜力。
2、数字孪生和人工认知系统之间的相似性
数字孪生与人工认知系统是两个独立的范式，其起源相隔数十年。数字孪生最初作为管理产品生命周期的手段，逐渐发展成为工业4.0的潜在解决方案；而人工认知系统则始于创造能够模拟人类思维的机器，并最终定位于机器人学领域。重要的是，人工认知系统研究旨在实现强人工智能，而这正是解决工业4.0挑战所需的关键能力。
数字孪生与人工认知系统都是紧密耦合的物理与虚拟实体。也就是说，两者都包含一个处于物理环境中的物理实体，其状态通过一系列测量方法被捕获。这种状态在实体和环境的虚拟表示中得以实现。两者通常还包含物理执行器，并能够实现对物理环境的改变，例如移动和执行任务。数字孪生被描述为具有单向数据连接或双向数据连接。即，物理与虚拟实体仅通过测量方法从物理到虚拟进行同步，或者同时存在从物理到虚拟和从虚拟到物理的连接，从而实现双向同步。而人工认知系统则具有双向数据连接。
在人工认知系统中，虚拟实体被认为是“具身”于物理实体中的，其虚拟表示是“内部状态（通常以符号形式封装）与真实世界中对应实体之间的一对一映射”。相比之下，数字孪生的虚拟实体被描述为“全面、超现实、高保真、多源数据、从微观原子级别到宏观几何级别的完整表示”。尽管两种范式都包含虚拟表示，但在人工认知系统中，这些表示是系统感知世界的方式，而数字孪生通常（尽管并非总是）期望对物理实体进行完全的三维表示。
这两种范式的存在都是为了利用物理和虚拟媒介的优势。物理实体和物理环境是“现实世界”中的实际物理对象，因此为操作提供了真实状态。虚拟实体和虚拟环境是对物理实体的表示，其保真度足以支持学习、仿真、建模、优化等虚拟过程的高精度执行。在人工认知系统中，物理与虚拟的紧密结合以及目标驱动的自学习技术和软件架构，是开发复杂行为（如抓取和操作）的关键。在数字孪生中，物理与虚拟的紧密结合则是获取物理信息并能够在虚拟环境中执行诊断、规划和测试的关键，而无需直接影响物理实体或环境（直到这些分析被验证并实施）。人工认知系统将物理与虚拟视为单一实体（这是具身性理论的核心），而在数字孪生文献中，关于虚拟与物理是否被视为单一实体（即数字孪生），或者仅虚拟实体是否被视为数字孪生（物理实体的对应体），尚未达成共识。
3、人工认知系统见解
本文的核心论点是，人工认知系统为数字孪生及工业4.0的挑战提供了深刻的见解和潜在的解决方案。本节通过概述一些适用的人工认知系统范式，并探讨数字孪生如何从进一步研究这些概念中受益，来论证这一观点。
3.1 解决问题
人工认知系统旨在通过目标驱动的自主学习、通过传感器网络感知环境并持续适应环境来解决问题和运行，这与人类的行为方式非常相似。为实现这一目标，人工认知系统研究分为两大阵营：涌现主义（emergence）和认知主义（cognitivism）。以预防性维护为例，在涌现主义方法中，人工认知系统会被赋予最小化故障的目标。通过学习，系统将确定故障状态，并随着时间的推移不断学习和更新该状态——这是传统机器学习方法无法自主实现的。将这种方法应用于数字孪生，相当于学习故障状态，并持续自动调整该状态以补偿因机器老化（如机械磨损）而导致的故障点漂移。
认知主义方法是涌现主义的替代方案，它认为知识是通过对实体内部状态的符号化表示来捕获的，这些符号是实体感知环境时的抽象表示。这些符号去除了不必要的信息，有效地为系统当前状态赋予标签，并基于这些标签而非原始数据执行行为。在制造系统中，这相当于理解“五轴数控机床不可用”，而不是持续分析和检查原始传感器读数。这种更高层次的符号化表示为数字孪生在高层次规划方面提供了保真度优势。如果需要决定是否将任务分配给五轴数控机床（CNC），符号化解释会直接给出否定的答案，而原始传感器测量则需要进一步处理才能做出决策。符号化表示在决策点降低了数据复杂性，从而减少了决策所需的处理复杂性。作者认为，这些符号化表示还可以帮助降低制造领域中其他挑战的复杂性，例如调度和供应链管理。
3.2 因果关系与直觉
尽管预测性维护策略已经存在，并且上述人工认知系统的例子可能会提高这些策略的鲁棒性，但机器仍然可能遭受不可预测的灾难性故障。当这些故障发生时，通常需要人类来诊断故障原因。Pearl的因果推理理论指出，传统的统计方法及其在机器学习算法中的实现只能检测相关性。
对情境的整体理解与人类直觉能力有相似之处。在制造环境中，人类的直觉在预测决策后果和确定事件原因等情境中被认为是非常有用且有价值的。这些事件通常复杂且需要采取行动，而直觉的作用是在不完全掌握事件所有细节的情况下采取有益的行动。人工直觉领域的研究通过模仿人类直觉决策能力，提高了拾取和放置机器人的性能。人工直觉被用于减少问题解决所需的处理时间，同时仍能产生有益的行动。尽管拾取和放置机器人的挑战比供应链管理的例子简单，但作者认为，计算因果推理和人工直觉将对工业4.0的挑战产生积极影响。能够基于经验或共享经验学习因果关系的计算机将能够利用更全面和直观的理解，从而在复杂事件中快速采取或建议有益的行动。
3.3 行为
Grieves提出数字孪生作为缓解复杂系统中不可预测、不良涌现行为的一种手段。通过数字孪生，高保真虚拟表示能够在虚拟空间中识别不良行为，这些虚拟空间使人类能够与虚拟实体交互，使其显得“真实”。Grieves在这一领域的工作与人工认知系统研究之间存在有趣的相似之处。Grieves将数字孪生视为缓解不可预测、不良涌现行为的手段，而人工认知系统则将目标驱动的涌现视为在复杂系统中获得理想行为的关键范式，例如机器人通过模仿人类发展过程学习抓取能力。
具身性的核心原则意味着行为是在实际物理实体上学习的，从而允许控制系统在其操作和与外界交互的实际硬件上开发或适应。这相当于儿童通过试错和模仿其他行走者学习走路。尽管目前尚不清楚如何将这一原则应用于整个工厂，但可以合理推测制造商不会愿意花费数年时间培训其生产线。人工认知系统为解决这一问题提供了方案。可以设想一种系统，其中控制系统在设计过程中通过涌现或认知主义方法开发（或自我开发），然后用于教授最终产品。
3.4 保真度
原始数据与系统状态的符号化表示之间的对比，也与数字孪生范式中的另一个开放性问题——适当保真度——相吻合。Grieves最初的概念描述了一种具有高保真虚拟表示的数字孪生系统。然而，实现这些高保真表示存在技术（计量和数据带宽）挑战。在设计中的物理与虚拟工件的集成版本控制等应用场景中，解决方案是采用适当的保真度水平。
从人类思维的角度来看，决定是否将任务发送到五轴数控机床的适当保真度水平是“五轴数控机床不可用”，因此不应发送任务。这种认知主义方法在人工认知系统中的符号化表示抽象了问题的保真度，使其适合所做的决策。作者认为，这些系统状态的符号化表示可能会引导数字孪生架构满足工业4.0的高层次规划挑战，无论是通过复制人工认知系统方法，还是通过紧密模仿符号抽象策略来实现。
3.5 资源配置
与此相关的是，人工认知系统方法还可以为系统状态更新的频率提供见解，即物理实体与虚拟实体的状态同步程度。Newell关于认知操作执行时间的研究指出，生物操作（神经生理系统）在10^−4到10^−2秒内运行，认知操作在10^−1到10^1秒内运行，理性操作在10^2到10^4秒内运行，而社会操作在10^5到10^7秒内运行。将这些映射到数字孪生中，原始传感器数据的处理将位于生物频段，系统控制将位于认知频段，规划和故障查找将位于理性频段，而与外部实体的通信（报告或维修请求）将位于社会频段。
本质上，这种人工认知系统方法提供了一个受生物学启发的框架，用于优先考虑和分配这四种操作的资源。作者认为，数字孪生的大数据挑战可能会受益于这种方法。例如，边缘计算技术可能更适合高频传感器读取和控制系统，将计算能力物理上更接近物理实体，从而消除维持高保真同步所需的高带宽挑战。相比之下，传统的基于分布式服务器的数据库和连接可能更适合数据聚合以及规划和报告所需的高层次解释。
3.6 仿真、建模与预测
人工认知系统在仿真、建模和预测方面的两种方法是内部仿真（internal simulation）和功能想象（functional imagination）。这两种方法都基于物理实体的内部/虚拟表示运行，因此能够根据其对物理实体和环境的内部/虚拟表示来建模状态。
内部仿真利用这种表示来预测未来的系统状态。事实上，这种预测能力是认知系统架构（如HAMMER）学习的核心。功能想象是人工认知系统能够“想象”或模拟系统状态，并预测响应特定行为生成的未来状态的过程。Marques等人提出了实现功能想象的五个必要条件，认为人工认知系统必须能够：1）表示替代感官状态，2）预测未来感官状态，3）执行行动/行为以实现目标，4）根据目标评估行动/行为，5）根据目标选择行动/行为。
尽管在仿真、建模和预测领域已有许多优秀的研究成果，但这些成果通常针对更广泛系统中的特定挑战，并依赖于相关参数的先验选择。因此，尽管取得了改进，但这些改进的范围往往有限，并且可能对模型外部的参数产生不可预见的后果。
数字孪生的核心思想是物理实体及其环境的整个状态应被同步，而人工认知系统方法的学习和预测则基于所有可能的内部状态模型。重要的是，系统通过考虑所有参数的所有可能状态来学习在给定场景中哪些参数是相关的，而不是由设计者规定或受当前技术限制。预测未来未知状态的能力是人类规划和适应能力的核心，因此它也将成为机器具备规划和适应能力的关键。
4、人工认知系统在制造中的案例
在呈现本文内容时，必须承认已有尝试将人工认知系统整合到工程和制造领域。在理论贡献和提案论文方面，多项研究表明，人工认知系统在制造中的应用已被多次论证。尽管本文在某种程度上重复了这些论点，但关键区别在于数字孪生作为实现这些系统的平台。数字孪生与人工认知系统之间的相似性意味着学术界和工业界正在创建具有潜力扩展为包含人工认知的平台。实际上，本节中提到的示例需要开发技术平台，而如今，数字孪生本质上已经提供了这一技术平台。
5、结论
本文旨在推动数字孪生研究向现有的人工智能领域——人工认知系统方向发展。这是基于对数字孪生被反复视为实现工业4.0的解决方案，同时却依赖于机器学习等现有技术的观察。
研究人员开始认识到机器学习的局限性，并指出需要强人工智能来解决诸如适应性和规划等问题——这些问题正是实现工业4.0所必须解决的。尽管在工程领域已有支持使用人工认知系统方法的论点，但这一方法尚未得到广泛采用。
本文提出在数字孪生范式内开展人工认知系统研究的论点。数字孪生与人工认知系统有许多相似之处，而人工认知系统的见解将为数字孪生和工业4.0的挑战提供解决方案，或至少激发新的解决方案。
在问题解决、因果关系、涌现行为、保真度、资源分配以及仿真、建模和预测等领域的见解表明，基于内部状态的、受生物学启发的目标驱动涌现行为方法具有显著优势。结合根据当前情况自主过滤和抽象状态、随时间调整学习内容以及确定状态之间因果关系的能力，这一优势进一步得到验证。现在，研究人员需要利用这些机会，推动下一代数字孪生的发展，使其真正能够实现工业4.0的各个方面。
关注公众号，后台回复“DT03”即可下载原文
DigiTwin2025
相关阅读
本公众号致力于分享高质量的数字孪生与数字工程相关学术研究与知识资讯，以促进学术交流与知识传播。推送的论文内容主要来源于公开出版或在线发布的学术资源，版权归原作者所有，仅供学术交流，未经授权不得商用。如有侵权，请联系删除。
如您有优秀论文需推荐，或者成果发布、企业进展、科研交流等需求，请在公众号后台留言，或发送邮件到digitaltwin@buaa.edu.cn，与我们取得联系。感谢您的持续关注与支持！
