將數字孿生（digital twin）與人工智慧 （ai） 相結合，可以減少甚至消除產品製造過程中的「臆測」機率，降低因不合理的想法實施帶來的損失。那麼，到底什麼是數字孿生，它又是如何使現實中的生產過程變得更加高效的？cxo talk採訪了西門子公司研發執行副總裁諾伯特·高斯博士。
西門子公司研發執行副總裁諾伯特·高斯博士將數字孿生定義為「物理實體全方位的數位化表示」。數字孿生技術可以加快產品上市時間、降低製造成本，並能夠幫助企業開發更加有利的產品組合。
高斯博士闡述了「基於人工智慧的**」是如何代替「建立多個物理原型」來實現新產品設計的。他還分享了西門子公司在產品生命週期內如何將「物理產品的數位化版本」與人工智慧相結合。該產品生命週期包括設計、部件、製造、運營以及服務和維護。
此外，高斯博士還分析了過去十年中，西門子為了引入數字孿生自動化所面臨的各種挑戰，最後，他向考慮使用數字孿生技術的企業提出了一些建議。
簡單來說，數字孿生是物理產品全方位的數位化表示。這個概念關鍵在於「物理產品全方位」，這意味著它涵蓋了產品的整個生命週期。比如，它涉及產品的設計，包括從機械的角度來設計產品，它還關係到裝置的嵌入式軟體，以及與其相關的流體力學、電氣等等很多方面。
當然，數字孿生也描述了如何製造產品，以及產品在操作、使用和維護期間的各種行為，總之，它應該是囊括整個產品生命週期的。
想象一下，如果我們在數字世界中擁有能夠真正全面表示物理產品的數字孿生體，在有需要的時候我們就可以在數字世界中執行任何任務，使我們的工作效率加倍提公升。比如，在數字世界中我們可以通過模擬**來測試各種想法和方案，相比傳統的物理原型設計，在時間、資金、人力等各方面都能夠實現最大化的節約。
數字孿生之所以能夠應用到產品開發生命週期的所有階段，是因為它能夠實現許多不同模型的**，而不僅僅是乙個模型。為此，企業可以在任何有需要的階段採用適當的模型進行應用。
通常來說，「生命週期」是從產品設計或者工廠設計開始的。
在這個階段，你可以嘗試各種可能的想法。你可以構建產品的cad模型，並對這些模型進行**測試。在這個過程中，你可以不斷的對模型進行優化，並尋找最佳的模式。或許，你還要尋求最終物理產品所要使用的嵌入式軟體，在這個階段你同樣可以採用模擬**的方式來測試，而無需真正的在物理實體上進行詳細編碼的方式去實現。
你可以在很多領域進行**，比如，cad建模、軟體**、流體力學計算、電路模擬……在產品設計階段，人們有很豐富的模型來使用。
然後，下乙個階段我稱之為「產品製造」階段，也就是產品進入生產製造的乙個階段，你同樣有很多的**工作可以開展。
比如說，你可以對產品的生產過程進行**或者設計，這是為產品的「可製造性」進行探索。這允許你在數字空間中構建乙個反饋迴圈，通過模擬其製造方式來設計其可製造性。
一旦完成了製造過程的設計，你就可以著手對設計方案進行設施了。比如，對這些資訊進行自動化的前饋，進而自動化的生成plc**。再比如，通過這個過程你就可以完成「前饋-反饋」系統的設計。
在產品製造階段，你還可以對製造過程進行優化。
這時候，您或許需要乙個相當準確的製造基地本身的模型，以便優化產品生命週期的這個階段。
接下來的乙個階段就是「運營」，這是產品生命週期中最長的階段。
在運營過程中，你還需要以最佳方式讓整個系統高效運轉。例如，你可能希望優化燃氣輪機的效率或最大限度地減少燃氣輪機的排放。或者，你還希望最大限度地減少大型電機的計畫外的停機時間，等等。
在運營過程中，你應該採用不太複雜的模型。尤其當你需要進行實時調整和優化的場景下，系統無法承受複雜模型帶來的數小時的處理時間。這時候，你需要想辦法降低模型的複雜性。同時，對於要優化的關鍵元件，運營模型還必須非常準確。你可以嘗試著降低模型的邏輯複雜性，以便可以為優化運營進行線上和實時的模擬。
最後還有乙個很重要的階段，那就是服務和維護。
在這個階段人們通常需要採用資料驅動的模型。需要說明的是，人工智慧在**性維護場景下，從某種角度來看，只不過是另一種由資料驅動和定義的模型。這種模型也是產品生命週期中最後階段需要使用到的。
重要的是，通過這個思路你會發現這種虛實結合的數字孿生理念是乙個真正的前饋迴圈組合，越來越多的過程和操作你都可以通過自動化來完成。這也是從服務到製造、從服務到設計下一代產品、從工廠到設計等的良性反饋迴圈。
在公司層面上，西門子15年前就開始了數字孿生的探索。至少在10幾年前，公司已經在這方面做了大量的投入，以確保產品在差異巨大的生命週期各個階段的表示完全一致性，比如找到嵌入式軟體在產品的機械設計階段和流程設計階段的聯絡，以及它在不同的階段的表現，並最終將這種聯絡體現到數字孿生體系中去。在這個體系中，還有乙個非常重要的組成部分，就是我們銷售的產品。根據垂直領域劃分市場的不同，它們的壽命在10到30年之間。
現在，從消費者角度來看，我們都已經習慣了每兩三年更換一次裝置。但是，我們仍然必須確保我們數字孿生體系下生產和銷售的產品在 10 年、15 年甚至 20 年後仍然能夠準確的表示，因此我們確實需要管理產品的生命週期。我們必須能夠更新相關的軟體，並在數字孿生體中表現出這些變動。我們必須確保已構建的數字孿生體能夠不斷的隨著產品及其環境的變化而變化。你可以這麼理解，如果你建造乙個更大的工廠，你需要有乙份工廠的設計圖紙，如果圖紙上對一些地方進行了改動，那麼當我們真正的建造這個工廠的時候，這些變化也需要根據新的圖紙來落實。
這種數字孿生的實施理念和流程已經在西門子公司建立起來了，也是公司的乙個重要投入。當然，這不僅僅是將定義這些模型的能力引入公司，更重要的是這些模型和流程已經固化到公司現實中的工具箱和套件中了。
人工智慧是一種技術，我認為它在數位化領域和數字孿生技術一樣都很重要。數字孿生之所以重要，是因為數位化就意味著需要構建物理產品的數字表示形式。然後是人工智慧，因為數位化確實與來自油田、工廠等任何地方的產品資料有關，並且從這些資料中挖掘價值，這個過程離不開人工智慧。這就是這兩種技術在數位化過程中脫穎而出的原因。
二者「走」到一起，而且實際上，它們也總是經常被人「相提並論」，在某些角度來看不足為奇。我之前提到，當涉及到維護，特別是**性維護、預防性維護時，你確實需要基於資料構建模型，這些模型當然有很多都是人工智慧的範疇。同時，我們也能看到人工智慧模型和其他的物理實體的數位化模型其實都是數字孿生的一部分，所以，從這一方面來說，人工智慧實際上一直是數字孿生的一部分。雖然我知道，對大多數人來說，這是乙個不同的概念，而且它們確實是分屬不同的領域，但是現在在數位化領域它們確實走到了一起。
人工智慧在數字孿生的應用不止在維護這方面，還包含很多的其他應用。比如，我們可以將人工智慧應用在模型降階方面。模型降階是一種已知技術，但在某些情況下，我們需要更高的複雜性和非線性模型，而這些模型使用傳統技術很難線性化。比如，我們可以使用神經網路生成乙個相當準確地表示電機的模型。
我們把非常複雜的設計模型放到神經網路中，借助深度學習可以把10億個自由度的模型，削減到100個自由度，但是，經過削減的這100個自由度的模型，仍然能夠提供我們所需要的模型能力。比如，我們不能直接測量大型電機的關鍵狀態，也不能實時模擬這個狀態，但我們通過這種降維方式仍然能夠知道電機的運轉狀態。
我們還在「生成式設計」中使用人工智慧。現在，生成式設計或者叫衍生設計、創成式設計的方法並不新鮮。但是，借助人工智慧，我們嘗試做的不僅僅是生成式機械設計，還做到了電路的設計。這樣一來，我們就能拓寬所探查的設計空間，進而能夠獲得更多的設計選項。
通常來說，所有經過生成式設計生成的設計方案都必須進行模擬，這些模擬非常耗時。我們不是使用人工智慧來進行方案模擬，而是使用人工智慧預先選擇可用性最高的設計選項。例如，在有限元模擬中收斂。我們首先利用人工智慧來探索生成式設計的設計空間，然後使用人工智慧來減少我們需要模擬的方案數量，我認為這種應用具有巨大的潛力。我們已經在多個領域這樣做了，我相信它真的可以幫助我們拓展更多的應用。
實際上，我不認為有"最好的"應用場景這一說法。我確信數位化關乎產品的整個生命週期，當然，也取決於具體垂直行業領域。因為在一些垂直行業裡面，並不是在所有階段，你都需要應用數字孿生。比如有些產品運轉和運營都很簡單，這時就沒有必要對其進行實時內聯**。從本質上講，對於每個市場、每個產品所有者來說，他必須明白在整個生命週期中產品都需要某種數位化的表示，以加快產品上市時間、降低製造成本，同時能夠獲得更廣泛有效的投資組合，以便於為市場提供更好的產品和服務。當然，這依賴於通過各種方式獲取到的各種各樣的資料，比如感測器、服務報告……許多資料來源，直到現在，其實在很多情況下，這些資料並沒有真正被利用，也沒有被挖掘出足夠多的價值，但是在數位化時代，這些資料，以及從中獲取的價值能夠也需要反饋到未來的產品線。
我再次強調一次，我不認為哪些行業或者場景更加適合數字孿生。但同時，我們也不得不認識到採用數字孿生需要考慮自身處於哪個市場、屬於哪種產品線等，這聽起來像是有些矛盾。但是，就目標而言，數字孿生必須涵蓋整個產品生命週期。
最關鍵的決策是如何開啟數字孿生的旅程。在這方面我們沒有乙個藍圖，告訴乙個公司應該在哪個產品、在哪個生命週期階段進行。這時候，我們建議企業仔細分析所處的市場走勢，以及如何找到自身與競爭對手的差異化優勢，這包含當前的差異化競爭優勢，以及如何打造未來的差異化競爭優勢，及其原因等等。我認為數位化本質上是數字孿生，當你認清了差異化優勢的時候，那裡就是你啟動數字孿生的地方。
企業都有競爭對手，重要的是企業能夠找到自身的核心市場，也就是能夠成為行業領導者的領域，能夠認清對企業自身來說，什麼才是最重要的。這是我們需要區分或想要區分為我們的產品的企業戰略。當然，企業戰略還有其他很多方面，但是，從投資組合戰略的角度來看，就目前來看在投資組合上企業能夠獲得差異化競爭優勢的突破口，我認為只有通過在投資組合中的數位化部分也處於領先地位，這才有可能打造未來的差異化競爭力。
工業數字孿生功能架構和技術架構
工業數字孿生發展經歷了三個階段，其發展背後是數位化技術在工業領域的演進與變革。第一階段，概念發展期。2003年，美國密西根大學michaelgrieves教授首次提出了數字孿生概念，概念提出的基礎是當時產品生命週期管理 plm 等工業軟體已經較為成熟，為數字孿生體在虛擬空間構建提供支撐基礎。第二階段...
使用神經網路識別手寫數字
神經網路和深度學習為影象識別 語音識別 自然語言處理等問題提供了目前最好的解決方案。本書主要會介紹神經網路和深度學習背後關鍵的概念。更多關於本書的細節，請參考這裡。或者您可以直接從第一章開始學習。本專案是neural networks and deep learning的中文翻譯，原文作者 mich...
使用神經網路識別手寫數字
最近在看michael nielsen的 neural network and deep learning 嘗試復現書中的 但這本書的 貌似用的python2.0,所以在執行的時候，報了好多錯誤，在這裡進行記錄一下。1 載入mnist資料集出錯 unicodedecodeerror ascii co...