其实孪生这个概念并不算新鲜，最早可以追溯到美国的太空探索计划。上世纪六十年代的阿波罗13号任务就使用孪生技术对受损航天器进行状态建模，希望解决宇航员如何安全返回地球这个终极难题。而近年来爆火的产品生命周期管理（PLM）领域数字孪生理念则来自Grieves于2000年初提出的概念，外加Vickers于2010年首次提出的“数字孪生”词汇。如今的客户希望能不断推广数字孪生的应用范围，涵盖复杂设备的工程设计、3D沉浸式环境、预防性维护、工业设施运营、精准医疗、数字农业、制造、城市规划以及一夜之间红遍全球的元宇宙应用场景。

　　然而，不少用于表示现实情境的传统虚拟模型在很多方面似乎与数字孪生存在交集，其中包括工程模拟、CAD模型、物联网仪表板乃至游戏环境等等。这种混乱让客户颇感困惑，也迫使他们快速澄清概念、以求推动新的业务价值。这里需要澄清一点，数字孪生不只是给传统方法换上新鲜的营销术语，而是随着过去几年大规模计算、建模方法与物联网连接全面融合而刚刚获得可行性的新兴技术。因此在迈向数字孪生之旅前，我们先要搞清数字孪生究竟是什么，如何将现有建模方法整合至数字孪生当中，又该怎样立足业务用例开展逆向工程、为企业解决方案部署正确的技术。

　　为了帮助客户从容驾驭数字孪生，我们AWS开发出一套框架，希望从业者能够理解自身用例并实现所追求的商业价值。该框架的第一部分是对数字孪生做出简明定义，第二部分则是分组索引，帮助客户对现有用例做出分类，据此了解数字孪生的规模化构建与部署需要哪些服务、技术、数据和模型。

　　在今天的文章中，我们将专注讨论数字孪生的定义、分级索引以及各个层级所对应的示例。后续文章则将以电动汽车为例，帮助大家具体理解各个层级的细节情况。

　　在与客户交流对于数字孪生概念的理解方式时，我们总结出一系列具体场景，包括物理组件分析、设备预测性维护、流程性能优化、具备自动化运营能力的工厂3D虚拟演练环境等。这些场景的共同点在于，数字孪生是指对物理世界中某种实物的数字化呈现，可使用实时数据进行更新，且用于推动业务成果。以此为基础，我们对数字孪生做出以下定义：

　　数字孪生（DT）是指单一物理系统的动态数字表示，它使用数据动态保持更新，从而模仿物理系统的真实结构、状态与行为，旨在推动业务成果。

　　数字孪生中的四大关键要素分别是物理系统、数字表示、物理-数字间连通性、以及业务成果。先来看第一大要素，即物理系统本身，它可以是单一物理实体、多个物理实体的集合、物理过程、甚至是人。物理系统也不一定是工业系统，也完全可以是生物、化学、生态或者任何其他系统。第二个要素，即模型本身的数字表示，它指的不仅仅是数据集合或者数据模型，同时也要体现物理系统的结构（或配置）；或者作为表达物理系统当前状态的载体，例如物联网数据仪表板。换言之，它应该是用于模拟物理系统行为的模型，例如当我们提供一个输出，模型就返回一个较为准确的响应输出。这就引出第三大要素，连通性，这里强调的是“活动”连接能力。模型必须使用来自物理系统（例如传感器）的数据进行定期更新，这样才有资格被称为数字孪生。经过验证的模型也能够提供物理系统在特定时刻下的行为快照，但数字孪生的特点是能把模型所模拟的物理系统行为从静态时刻扩展到随时间变化的动态尺度，其中的具体更新频率则取决于行为的变化速度。某些用例需要近实时更新，也有一些只需要每周更新。最后，数字孪生必须能够带来业务产出——也就是某种形式的经济或者商业价值。

　　数字孪生与现有建模方法（例如CAD等传统3D建模方法、基于物理效应的模拟、3D/AR/VR虚拟环境、基于传感器数据流的物联网仪表板、以及仿真游戏环境等）之间的主要区别，就在于数字系统与物理系统之间始终存在一条信息流。目前的常见误解认为，数字孪生其实就是一种更复杂、保真度更高的虚拟表示。恰恰相反，数字孪生的关键在于定期更新，这才是直接影响数字孪生构建方式、乃至整个生命周期中数据收集思路的核心。数字孪生必须使用数据流来了解系统的当前状态，通过对系统的最新观察进行学习与自我更新（至少可更新），进而预测系统的当前及未来行为。

　　例如，燃气轮机叶片的数字孪生能够获取来自物联网的温度与压力数据，借此预测裂纹长度等在设备正常运行期间根本无法观察的变量。定期维护的视觉管道镜检查结果则不断为数字孪生提供更新素材。以此为基础，数字孪生开始预测不同运营条件及维护场景下的裂纹扩展率与剩余使用寿命（RUL），帮助操作员合理选择最佳调度计划与维护方案。之后，来自数字孪生的裂纹3D渲染图及其他上下文相关指标将通过仪表板向用户直观呈现，帮助人们快速了解裂纹的变化情况与剩余使用寿命。尽管CAD模型、物联网仪表板、3D渲染/沉浸式演练与游戏环境本身并不能算数字孪生，但它们却都可以成为数字孪生解决方案中的重要可视化单元，也往往代表着客户在数字孪生探索之旅中迈出的第一步。

　　从数字孪生的定义可以看出，我们已经摸清了数字孪生规模化开发及部署所需要的四项核心技术：基于传感器的物理系统数据收集、物联网连接、建模方法与大规模计算。在过去20年间，这些技术各自发展、互不干涉；但到2020年这个全新十年，这些技术开始融合并共同成为规模化数字孪生的实现基础。

　　先来看基于传感器的数据测量。以物联网传感器为例，其平均成本在2010年到2020年之间下降了50%，而且目前仍在不断走低。所以10年之前还成本高昂的数据测量现在已经成为新的可行方案，也将推动传感器得到进一步普及、数据收集量持续提升。其次则是测量数据的传输能力——如果无法传输，那么后续分析与行动决策自然无从谈起。我们单以无线网络连接为主线，那么2010年初的行业标准还只是3G传输，速率不足1 Mbps。在接下来的十年间，3G被传输速率达到100 Mbps的4G标准所取代。如今，速率高达10 Gbps的5G正逐渐成为常态，传输速度较10年前提高了1万倍以上。而10 Gbps恰好是物联网设备的里程碑式阈值，已经允许我们以近实时（低于10毫秒延迟）收集物联网数据。

　　数字孪生的价值在于使用这些数据获取可操作洞见，而价值的实现离不开先进的建模方法与大规模计算，对应的正是第三与第四大要素。这里的“模型”一词在不同场景下有着不同的定义，对于涉及预测未来状态与规划假定场景的应用，我们需要采取科学的建模技术以预测各种现象（行为），包括流体动态、结构变形、生化过程、天气与物流等。而随着可用算力的爆发式增长，机器学习、高性能计算与混合方法（例如受物理启发的神经网络）等成果终于可以实现大规模部署。而在另一类场景下，模型则主要负责提供可视化、逼真的沉浸式环境。过去十年来，用于创建及操作3D对象的空间计算算法快速发展，也一步步让沉浸式增强现实、虚拟现实乃至元宇宙成为可能。

　　最后，云计算的普及真正让规模化计算走入了寻常百姓家。我们看到云服务商掌握的算力正呈指数级增长，这既要归功于芯片本身的性能发展、也有赖于将无数芯片相互连接所形成的大规模可扩展云计算环境。由此，大规模按需计算开始成为一种“即服务”式商品，而且不只是政府部门和大型企业，小型初创公司甚至是个人都能获得必要的计算资源，进而创新、发明、服务并改善自己的生活与工作体验。

　　在与客户的讨论中，我们发现市场上存在着广泛的用例需求，而且往往需要配合不同的AWS服务、技术与数据。为了帮助客户们驾驭这一需求，我们开发出一份包含4个层级的数字孪生水平指数：1/描述性，2/信息性，3/预测性，4/活动性。其中第4级-活动性的定义如前文所述。第1级到第3级则适用于复杂程度各异的不同用例，每个用例各自对应自己的商业价值。概括来讲，这套水平指数类似于自动驾驶汽车领域的L0-L5分级，其中L0代表纯手动驾驶、L1为自适应巡航，而L5则是无需旗舰的纯自动驾驶。作为客户，您可以将自己的用例与适用的级别匹配起来，借此理解有助于加速业务价值与未来份额增长的特定服务及应用模式。

　　L1-描述性侧重于工程设计与物理系统（结构）的视觉表示。它可以是2D工程图（例如流程图或P&ID图）、建筑信息模型（BIM）或者复杂的高保真3D/AR/VR模型。其中还包含工程分析，例如一维分析、系统动力学、液体动力学与结构力学计算等。描述性的目标在于理解物理系统及其组件的设计原理。

　　其中的典型用例包括评估新设计、评估现有设施的重新配置、以及不同场景下的人员培训。例如，风力涡轮机系统分析、叶片上气流计算流体动力学（CFD）分析以及风力涡轮机内部3D/VR沉浸或沉浸式漫游等就属于L1用例。

　　L2-信息性侧重于集成来自物理系统的物联网传感器与维护数据，并以与上下文相匹配的方式将结果呈现给最终用户，典型用例包括2D仪表板或3D上下文可视化（例如状态信息可视化）。以此为基础，最终用户能够理解物理系统的当前状态，并引入某些简单分析功能以自动触发警报。在工业领域，L2级别的数字孪生可以与企业资产管理（EAM）或企业资源规划（ERP）系统相集成，基于物联网与资产管理体系在单一窗格中显示资产配置、维护历史并预测即将出现的工单。

　　L2级别的典型用例主要侧重于监控和警报、根本原因分析与人员培训。例如，L2级用例涵盖物联网仪表板或3D渲染图、显示齿轮箱温度数据，并在风力涡轮机运行时根据既定规则发出警报。此外，还可以将工程数据与服务历史以增强现实（AR）的形式进行叠加，帮助技术人员在维修时，通过移动设备/平板电脑或佩戴的AR眼镜将真实场景与远程传输的数据融合起来，甚至随时接收远端技术专家的指导。这听起来似乎有点科幻，但在当下已经完全可以实现。AWS的合作伙伴之一Scope AR就已经在为航空航天、能源、制造和医疗保健等行业的客户提供这种基于增强现实的视觉知识传递服务。

　　L3-预测性专注于对无法测量的数值做出预测（例如虚拟传感器、基于机器学习的异常检测等），并使用预测模型了解不同行为在持续操作下所对应的未来状态。这些模型可以基于纯科学原理推断、纯数据驱动（例如使用AI/ML分析），也可以是二者相结合。

　　L3级别的典型用例包括运营规划与预测性维护（资产绩效管理）、以及群组管理等。例如，L3中的混合模型可以预测健康状态（虚拟传感器）等量化指标，并预测按当前方式持续运行时的剩余使用寿命（RUL）。模型提供的预测还能够在L1层级中结合上下文情境实现可视化（例如2D仪表板/3D/AR/VR）。这里以农产品市场为例，AWS为我们的客户Descartes Labs提供支持，帮助该实验室使用卫星图像分析北美大陆范围内的农作物健康状况，同时结合价格、供需及其他市场数据生成商品市场预测。利用这些洞见结论，客户将根据这些预测决定最佳对冲或交易策略，将信息转化为价值数百万美元的交易利润。

　　L4-活动性则专注于模型的可更新能力，特别是在单一实体级别上提供可操作性洞见结论。当然，在必要时这种洞见水平也可以推广到群组级别。L4层级代表着数字孪生的高峰，到这里也就实现了我们提出的数字孪生完整定义。L3-预测性与L4-活动性之间的主要区别，在于模型本身能否根据物理实体及环境的数据进行持续更新。从业务角度来看，L4级别的数字孪生模型能经由更新不断适应物理系统在时间尺度上的行为变化，而L3数字孪生则仅适用于实时预测（即短期未来的情况）。之所以会这样，是因为使用历史数据训练出的预测模型不可能准确反映物理系统上出现的、不存在于训练数据集内的趋势。在实践活动中，这种不准确模型给出的远期预测会引发大量误差，致使预测结果随时间推移而愈发无用。

　　L4级数字孪生的典型用例包括情境（假设）分析与关于最佳行动的说明性指导。例如，L4级数字孪生能够对风力涡轮机齿轮箱的剩余使用寿命做出预测。轴偏移、轴承磨损、润滑膜厚度等模型参数都将根据物联网数据定期更新，确保能够准确反映设备的整体退化状态。之后，操作人员即可利用这套模型确定最佳预防性维护计划。

　　如今，我们的大部分客户还处于数字孪生之旅的早期探索阶段。他们正努力将不同来源的数据连接起来，并将匹配上下文的可视化分析结果呈现在仪表板或沉浸式环境（L2级数字孪生）当中。迄今为止，第一批应用方案已经出炉，但往往高度定制化、只适用于少数高价值用例（例如喷气式发动机、动力装置及工业设施的运行）。在未来几年中，希望AWS IoT TwinMaker等服务的上线能够帮助客户降低成本、简化部署，全面推动上下文可视化用例的广泛普及。此外，我们还希望让高级预测建模方法（L4级数字孪生）在高价值用例中逐步落地。当下，这些方法主要存在于学术文献当中，只有少数利基团队在进行相关研发。相信这些方法最终也将步入主流、融入我们的日常生活，允许每个人制作出适合自己的L4级活动数字孪生。