2019年3月开始，“数字孪生”这一前沿概念在国内全面火了起来。说来好笑，驱动这一改变的不是其他，正是波音737Max的一系列事故。随后，国内的互联网巨头、证券公司纷纷开始“跟进”这个概念， 进一步推高这一概念的热度。
令人意外的是，在国内的各类宣传中，“数字孪生”本身的定义、定位往往都是混乱的。举一个最简单的例子，早已成熟的数字化辅助设计（CAD），往往也会被套上“数字孪生”的概念。
这种做法虽然算不上错误，但肯定是误导。
究竟“数字孪生”的准确定义是什么？这种技术策略又能给我们带来什么？今天我们就来简单梳理一下。
前沿领域的早期“孪生”尝试
1968-1972这短短的4年里，曾是人类航天探索的最高潮，只因为“阿波罗计划”。
短短的几年内，人类利用有史以来最强大的火箭不断向太空延伸足迹，并最终实现了登月创举。可如果你真的要对整个阿波罗计划十数次任务进行重要性排列，充满奇迹的“阿波罗13号”绝对紧随首次登月成功的“阿波罗11号”之后。
作为一个同样计划要让宇航员登上月球，进一步开展科学研究的任务，“阿波罗13号”遇到了极其危险的意外事故：设计的瑕疵导致宇航员在宇宙中引爆了部分氢气和氧气罐，直接威胁到了整个飞船的能源供应，以及宇航员的氧气供应。
就在太空中的宇航员不断努力将飞船控制稳定下来的同时，地球表面的阿波罗计划指挥中心也忙碌了起来，因为他们获得了一个全新的任务——为太空中的宇航员们探路，提前寻找解决方案。
“阿波罗13号”的备份宇航员直接全部被召回，直接进入指挥中心中完全跟太空中“阿波罗13号”飞船一样的模拟设备中进行模拟。研究太空中的宇航员如何才能利用远比原计划少的能量返回地球。与此同时，另外一队工程师则直接拿来了飞船上包括指令手册在内的各种材料，研究如何指挥宇航员在太空中现场制作一个二氧化碳过滤器。
凭借着地球上“孪生”环境的不断试验，一系列解决方案很快被拿出来，并且编写成具体而详细的指令传达给太空中的宇航员，一个个难题也在“宇地协同”下迎刃而解。凭借着宇航员以及地面人员的勇气和智慧，最终宇航员成功返航。
不夸张地说，假如没有地球上这个“孪生”飞船的保驾护航，太空中的这几名宇航员肯定早就凉透了。这也正是“孪生”策略的魅力所在。
数字化，让“孪生”真正成为可能
公正地说，“阿波罗13号”的例子是非常极端的。一来虽然地球上的宇宙飞船的确跟宇宙中的看起来一模一样，但两者的环境参数依旧是完全不同的（宇航员会在NASA的特殊设计游泳池中，和飞船模型一起，一同模拟训练无重力环境），这本身并不算是一次完美的“孪生”。
其次是“孪生”没有起到其终极终极终极目的——确保整个任务万无一失，“阿波罗13号”事故的原因应该提前能被发现才是。
这一个“宏大且理想化”的目标，足足在经历了接近50年之后的今天，才开始变得有希望实现。背后仰仗的主要有两样东西，一是人类自身数字化的使用能力，另外一个是长期探索总结出来的、将现实世界变成一串串数字的手段。
通过这两种能力，数字孪生就有了“以数字化的形式对某一物理实体过去和目前的行为或流程进行动态呈现”的能力，你可以直接利用这个基础能力改变产品设计或者是生产流程。又或者可以结合更多数据，在虚拟世界中进行远超现实的推演能力。通过在物理世界和数字世界之间全面建立准实时联系，以往很多不可预测的情况，将会通过计算提前被发现，并寻找到具体解决方案。
更形象地说，通过这一系列做法，你就好像坐上了一个数字化的“时空穿梭机”，在真实世界相对固定的情况下，完全能够通过平行且相同的数字化虚拟世界，来看到时间轴上的未来与过去，进而用一些决定来改变未来的结果。
听起来是不是特别像计算机在“算命”？估计你听了还是觉得很玄幻，我们还是来看两个具体案例。
第一个案例是GE（通用电气）的巨型风力发电机“Haliade 150-6MW”，这种单台风扇直径就达到150米（整个风力发电机高度接近两百米），单台发电功率就能够达到6兆瓦，大约能够提供给5000个家庭使用。
这个庞然大物为了可以最大化将风力转化电能，整个发电机舱连叶片都可以绕着底座做360度的旋转，看起来就跟你家落地扇开了扫风差不多。事实上，光是底座之外的这些设备，总重就超过了500吨。而推动这些重量旋转的动力，是7个直流电机。
因为在整个风力发电过程扇叶必须及时朝向风，而且工作负载很大，这些电机的消耗其实很大，自然而然地产生了替换电机的需求。但每一台电机应该何时被替换就成为了一个新难题。
一来这些庞大的风力发电机造价高昂，因为一个电机坏了导致整个风力发电显然是不被允许的，更何况在恶劣天气下电机失灵，分分钟会导致整个风力发电机被损毁；二来，虽然理论上我们可以缩短所有电机更换间隔，哪怕电机目前工作状态十分良好，也提前更换。但由于这些风力发电机都部署在近海的海面之上，维护的人力成本和时间成本都很高，忙起来电机肯定是换不过来的。
结果，GE的工作人员就开始尝试用“数字孪生”的思路来解决这个问题。
他们先是在数字模拟软件中重构了整个电动机的物理结构，并且模拟出了它工作时的热量分布情况。同时，通过电机的其他一系列参数，工程师还直接在“数字孪生”系统中直接模拟出了电机的电流、以及电机输出的扭矩大小。
左侧是随时间推移电机中的温度大小，右侧是电机自身的剩余寿命
然后就是计算了，在这个“数字孪生”系统中，工程师直接将模拟的“电流大小”输入系统，模拟计算出电机的温度，然后又结合模拟的“电机所需的扭矩大小”，进而算出进一步的温度变化，最终根据温度的变化，算出电动机的寿命预期曲线。
将这套曲线导出，就可以直接用现实中电机的电流大小，以及温度来反向分析他们的剩余工作寿命了。
这跟传统的“先数据统计，再寻找”规律的做法，真的是要简单上许多。不仅省去了一整个数据收集的时间，同时也因为整个计算非常理想化，进而比数据统计的方式来的更加准确。
通过应用这套寿命曲线分析方法，所有的电机寿命就一目了然了，你可以准确地知道哪台电机的寿命还剩3年，有哪台电机因为过热正在寿命锐减，甚至根据每台电机的寿命预测，直接对你未来的电机维护工作作出具体而仔细的规划（何时需要准备多少新电机、电机维护的顺序是什么、是否会出现短时间大量电机需要更换，需要寻找更多人手之类）。
另外一个例子也跟海洋相关，地点是荷兰的鹿特丹。
作为欧洲最大的港口，鹿特丹港每年停靠超过14万艘船只，每年处理4.61亿吨货物。 从2017年起，鹿特丹港已经开始和IBM携手进行全面数字化改造，整个建筑群的陆地和水中安装了传感器。 位置包括泊位、码头墙、道路、工作站，等会任何可能影响港口效率和安全的地方。
这些实时设备由物联网（Internet of Things）提供动力，将接收所有类型的数据，包括水温、潮汐状况、海水盐度、水流、风向和速度、装卸作业，以及可用的泊位和时间。
通过这些数据，鹿特丹港直接建立了一个“数字孪生”版本，直接对未来港口的运行进行多方面的预测。例如哪些船正在前往港口，大概多久能到；又例如集装箱堆货场应该如何移动集装箱才是最高效等等。
这一套系统已经开始体现作用。很多货船在鹿特丹的停靠时间已经节省了至少1小时的停泊时间，这一部分的时间就可以为船舶经营者节省约8万美元，另一方面，也可以停泊更多的船舶。
仍处于吃螃蟹阶段的“数字孪生”
就目前整体而言，“数字孪生”的发展仍处于初期，这个概念从2000年左右提起之后，还处在慢慢变成现实的阶段。
如何完整地在虚拟世界中模拟出真实世界？仍是一个十分艰巨的任务。
上面这两个例子算是目前全球“数字孪生”案例的标杆，风力发电机这个应用案例看起来非常小，但它已经对发电机材料的物理特性、基础的物理热力学、基础的物理电学这一系列现实规律有要求，你必须要在虚拟、全数字化的世界里面能够轻易地构建出整个系统。
目前来说，这一类的数据仿真软件，都是国外主导的。一来本身基础物理特性规律的探索就需要时间，然后又要再到软件中复现，这本身就不是简单的事情。
从另外一个层面说，“数字孪生”也不能算是一个自我发展的技术方向，更准确地说，它是直接瞄准人类完全数字化未来的理想应用，当下表现如何完全取决于人类的数字化进展。
说回国内的“数字孪生”，提这个概念的公司不少，但他们的应用往往缺少两个基础特性：一个是从现实世界获得的数据量严重不足，其次是压根不能够根据数据和模拟，探索出规律、预测未来趋势、甚至是给出解决方案，形成不了完整的“数据孪生”链条。
就例如国内某互联网巨头近些年来多次提到的“城市大脑”概念，虽说未来超级城市走向“数字孪生”是一个必然的趋势，但动辄方圆上百公里的城市，如果想要完整数字化，数据量必将达到一个惊人的地步。如何收集、存储、处理数据，目前看起来仍旧是个幻想。
更有意思的是在宣传概念之后，这些公司的实际进展。还是以上面提到的“城市大脑”为例，这个项目虽然在全国多座城市都有落地，但最具代表性的依旧是那家互联网巨头自己所在的华东某市。
最有成效的落地项目是智能红绿灯方案，即通过车流的多少来控制红绿灯的时长，最终尽可能在最短的时间内通过最多的车辆。但实际上，这个方案至今实际上也只“覆盖”的一条马路的几个红绿灯。
除了真正落地的红绿灯项目之外，他们也完整接入了整座城市的交通摄像头数据，进行各种图像识别和大数据操作。这个过程中的确用到了不少的AI、大数据、云能力，但从应用上来说，依旧是停留在公安的偶然调用。充其量只能算是一个增强版的交通传感系统，而不是真正的“数字孪生”。
更值得吐槽的是，这座城市在2019年全国的城市拥堵排名中，以“开车1小时堵30分钟”的表现直接拿下了第二名。这个成绩不要太美丽。
当然，从大趋势来看，“数字孪生”的前景依旧光明无限，尤其是提倡“万物连接”时代的5G正在到来，后者即将催生的更大规模、更加覆盖人类生活场景的传感器系统，将会成为“数字孪生”最好的发展土壤。
评论