实现真正的数字孪生需要解决什么问题

钢铁侠在实验室当中通过增强现实对战机进行结构设计、升级等工作，完成一整套流程的虚拟仿真后，再交付下游进行生产，既降低了试错的成本，又提升了工作的效率。不过理想很丰满，现实很骨感，想要在现实当中实现钢铁侠电影里的流畅丝滑的数字孪生驱动，以目前的技术条件，至少呢还需要跨越三座大山，三座大山分别是搭建高保真数字孪生模型、人工智能的算法支撑和流畅的人机交互。

第一个难题，搭建我们需要的数字孪生模型。虽然我们一直在强调数字孪生是结果，满足应用需求或者解决实际问题才是我们的目的，不应该为了搭建数字孪生模型而搭建模型。但是从目前来看，我们只是对不是特别实用的外观模型研究的比较透彻，BIM/GIS/可视化这块我们有非常多的厂家和从业者，但是他们的痛点也非常明显，与业务结合的太浅，只好看但是不能用，图个新鲜还好，但是真正帮助现场人员解决实际问题就很难了。

电影模型西门子、达索、ANSYS做的不错，但是不是我们的，同时机理模型用在运维上也有很多的局限性，因为机理模型它用了太多的假设和前提，比如说充分光滑、完全均匀等等，这种假设造成了无法调和的误差，使得我们分析的并不准确。那么对于数据模型短板也是非常明显，虽然数据非常多，但是缺少异常数据和缺陷数据，越是我们需要的重大的缺陷数据我们越是没有，比如说我们要建立一个设备的故障诊断模型，但是设备故障一般都是小概略事件，加上相关的案例报告记录不全，导致非正常状态的数据样本十分匮乏，这就造成了模型训练的问题。

第二座大山是想要人工智能。现在的人工智能看起来无所不能，但是实际上在工业领域和智慧城市领域落地的时候，才发现它几乎什么也不能干，瞬间变成了人工智障。这里总结出人工智能的两大短板：第一是实用性欠缺，第二是认知能力不足。人工智能需要大量的多元化的以标记的数据，那么数据并不总是现成的，如果你从事过这方面的工作，你就会知道我们实际场景当中没有那么多的高质量的数据来给AI来用。即使有那么多的数据，我们当前的人工智能的认知能力也是不足的，这与算法本身有关，当前人工智能可以出色的完成有边界的任务，但是如果遇到意想不到的输入，它就会把事情搞砸。

第三部分关于人际交互的话就不展开讲了，我们目前几乎大部分数字孪生的案例和项目都是依赖于鼠标操控工厂、操控城市，距离虚拟现实啊、混合现实啊、增强现实啊还有一段距离。