现在数字孪生发展的怎么样了

美国空军研究实验室最初提出数字孪生这个概念，只是单纯的为了降低飞机的维护成本，因为当时飞机的维护费用实在是太贵了，美国空军70%的日常开支都用于飞机的维护。我们拿美国最引以为傲的F2飞机为例，一架飞机的成本是1.5亿美元，但是它的维护成本就达到了5.5亿美元，是飞机造价的四倍。

飞机每小时飞行时间的成本为6万美元，这使其成为世界上最昂贵的飞机之一。美国空军急需一种预测性的维护方法来减少停机维护时间和成本，并且试图通过更加准确的寿命预测方法来延长飞机的服役周期，因此数字孪生这项技术应运而生。

但是，数字孪生这项技术提出之后，却并不被专业人士所看好，因为这项技术，实现起来实在是太难了。具体需要的技术包括多物理场耦合建模，微观、宏观多尺度的损伤建模、结构有限元和损伤模型的集成，不确定性的量化建模和控制，以及大型共享数据库的操作、高分辨率结构分析功能等等。

不要说十年前了，现在这些问题我们都处于浅尝辄止的状态。因此美国空军就预测说，数字孪生想要落地，需要克服很多的困难，这可能是一个涵盖十年甚至更长时间的发展计划。

让数度孪生火起来的不是美国空军，而是西门子、通用电器、达索等等这些老牌的仿真公司。因为数字孪生这样概念和他们的核心技术实在太像了，仿真一直是它们的强项，在仿真的基础上增加一个物联网，不就是数字孪生了吗？事实上正是如此，我们翻阅这些公司的解决方案，那么这类公司的数字孪生通用做法通常是通过仿真模型来构建工厂的虚拟场景，通过把实时数据打通，利用真实的数据驱动仿真模型，为物理场景提供一个最优的工艺流程和运营策略。就比如说SC的数字来收变压器案例，首先，数字孪生仿真平台构建了变压器的模型，根据需要搭建了外观模型、变压器的温度模型、功率损耗模型。通常这第一步就挡住了很多人，因为构建这些模型是需要非常深厚的专业积累的，然后呢基于压器给到的传感器数据实时动态的调整这些模型，使得模型与真实的变压器保持一致。这套技术是相对比较成熟的拟化变压器，有几百个传感器来感知它的运行状态，基于仿真模型来确定当前变压器的健康状态。

那么这条路虽然能够对用户有所帮助，但是走起来却很难，最关键的原因是没办法解决自身产品化的问题。因为每个场景都不一样，遇到的情况也千差万别，无法形成通用的解决方案，比如说变压器的路子我们走通了，那么换一个其他的工况或者说其他的行业，那这些经验是非常难以复用的，进而导致每个项目单价都很高，但是它的利润却很少。

其次呢，想要实现这样的数字孪生，没有几十年的仿真建模技术是难以达到的，是需要所在行业对机理模型有着非常深厚的沉淀的。让数字孪生在国内大火的实际上则是互联网派的数字孪生，那么他们的产品形态大部分都是以paas平台加上可视化的大屏，Paas平台主要提供各式各样的案例模板，可复用的模型资源、数据面板组件以及封装的动画API、数据API等等，商业模式则是以项目授权、SDK授权为主。那么这类公司对数字孪生的价值理解其实从广告宣传语就可以看出来，大屏、可视化、低代码、重点关注的场景几何建模、动效展示和数据展示，也就是空间形态的数字孪生。

在一八年到二二年这段时间，这类的公司呢，如雨后春笋般冒出，就连之前专门做BIM、GIS这类的传统厂商也披上了数字孪生的外衣来蹭一杯羹。但是好景不长，这些华丽外表的数字孪生又遇到了一些新的问题。因为这类公司虽然解决了可复用产品化的问题，也带来一些非常致命的问题，中看不中用，单纯的构建一些模型，接入一些传感器数据，只是给领导汇报的时候让领导开心，但是对用户的帮助却非常有限。

这几年呢，用户也逐渐反应过来了，使得这类与业务结合不紧密的通用行业数字孪生越来越难走。

那么我们总结一下，上面提到了两条路，一条路是传统仿真企业基于多年的仿真沉淀构建了数字孪生体，这条路过于难走，就是因为人们当前对于机理的研究还远远不够。

那么第二条路是大屏可视化，因为对于用户帮助非常有限而逐渐停滞。那么数字孪生又该走向何方呢？gpt的成功让很多厂商看到了希望，因为在很多场景中积累了大量的数据，我们可以跳过机理模型，直接通过数据来找到蕴含在现实世界的规律，通过海量数据训练的模型抛开了基本模型定向设计的毛病。并且还没有掘出对自己不利的实验数据和结果，通过全量化的数据对数据呢进行建模，挖掘数据背后的关系，实现跳过机理模型弯道超车的效果，那么这个技术路线也在非常多的场景达到了比较好的应用效果。