数字孪生系统如何选择合适的硬件

数字孪生系统非常依赖于硬件的性能，如何选择合适的硬件呢？取决于项目本身的规模体量，还有精细程度。接下来呢我会拿两个区别比较大的数字孪生领域做一个对比。

最近数字孪生的形式发生了非常大的一个变化，可能是因为碳中和的目标的缘故啊，整个世界都把数字孪生往气候的方向去推。之前呢是有讲过我国目标到2025年建设七大江河数字孪生领域，还有欧盟的目的地地球计划在2030年打造完整的地球数字孪生。

在我看来，这不仅仅是数字孪生的整一个领域方向上发生巨变，从技术上也可以说是一个历史性的节点。为什么这么说呢？欧盟的目的地地球计划的数字孪生技术负责人wedi博士曾表示，他们这个地球数字孪生最终将会产生3520亿个信息点，以及每天以1PB的数据来实现对地球约1-4resolution的模拟。

而这样的体量差不多要一个具有两万个GPU的系统才能全面去运行，造成这样原因是数字孪生对计算机的资源依赖性极高，而这个依赖取决于很多因素：

第一是系统本身规模和复杂程度。我们做工厂的数字孪生，它就局限在一个厂房内，里面的设备是固定的，生产流程呢也是固定的，所以我们复刻的模型生产线也是固固定。相比之下呢气候数字孪升的范围就大了，所涉及的模型也是动态且复杂的。它不仅要模拟大气、冰川、陆地等模型本身，还需要模拟它的物理和化学过程，这个过程实际上是热量水分动量和化学物质的模型和时间上的变化。

此外，工厂内的设备各自独立，做的数字化大多是在数据上的关联和共享，而大气、海洋、波浪等是紧密耦合的，它之间的模型关系更加复杂。

除了模型还有数据，我们监测工厂的设备收集的每一个传感器的实时数据，它是固定且有迹可循的。但是气候由于模型或结构的不确定性以及物理过程的随机性，导致它需要汇总数十年的历史数据才能精确模拟真实的物理场景，而且这些数据大多是来于卫星气象站、海洋浮标等体量都非常的庞大。报告显示啊，包括天气预报和气候预测在内的地球系统建模事业每年将产生数10个PB的数据，而且这个数据还在呈指数级增长。

第二呢是resolution的问题，这里翻译过来呢就是指分辨率。对于气候数字孪生来说，地球系统存在空间和时间上跨尺度的相互作用，从分子尺度的微米，再到行星尺度的数千公里，这是一个工厂一座城市无法比拟的，一点点微小的变化都可能是即将到来的气候灾难，所以分辨率成了数字孪生系统能否准确模拟预测的关键。

研究表明啊，要准确能够跟踪云和风暴至少需要米级别的分辨率，这比目前已经达到的一公里分辨率要多出一千亿倍的计算资源。而就目前已经指数增长的计算机资源状态下呢，到2060年仍然无法达到这个目标。

第三呢是AI的入场。英伟达在去年呢发布了一个AI数字孪生叫focusnet，是全球数据驱动的高分辨率天气模型，它可以在不到两秒的时间内提前整整一周去预测灾难性的大气河流的准确路径，比传统的天气预报模型快了4.5万倍。英伟达还表示，以这样惊人的速度，它甚至可以生成数千个模拟来预测可能发生的结果，可以说气候数字孪生比一般的工厂更加依赖于人工智能的摄入。

对气候数字孪生从一开始建立的目标就是数据的双向流动，是为了预测。

简单来说，就目前市面上大部分的数字孪生项目都停留在单向看的层面，而未来的数字孪生必然是双向算的这个层面，这一点只能由AI来做。

当然，想把AI训练到精确计算反馈的程度呢，同样需要巨大的计算资源，这就好比你用十张图来训练AI和用十万张图来训练是完全不同的结果，而更多的图片显然需要更大的算力来支撑，英伟达的AI就是在10TB的地球系统数据上面进行训练的。

其实数字孪生的发展最终必然会走向越来越大的量级，这个量级是对于庞大数据量的需求，对模型精细度的需求，对AI精准预测的需求，而这一切都能达到最大量级时，那么这个数字孪生系统的实用性必然是最高的。

有的时候，我们发现智慧工厂智慧城市它的计算资源可能没有达到那么高，可能是因为它开发的深度并不够。当然，这也可能是跟成本有很大的关系，巨大的计算资源势必会带来高昂的计算成本。

欧盟的目的地地球计划签订的三台超级计算机中单就是鲁米超级计算机就花费了超1.4亿欧元，合约十多亿的人民币，它占地有一百五十方，相当于一个网球场大小，总共拥有117个PB的存储空间和每秒2TB的最大带宽，所有的系统加在一起，重量接近150吨。