机器学习+数据挖掘，正在某种程度上激活数字孪生
大部分工业生产设备，本质上就是投入生产材料，产出生产结果的数据运算。其中资源使用数量、良品率、生产效率、生产结果，这些最关键节点也都是数据。如果我们放弃直接可视，保留物理特性的数字孪生，而仅仅把数据系统孪生出来，似乎在技术上并不需要面对特别的挑战。
随着云计算和数字化升级这些理念的兴起，越来越多的云服务商和企业数字化服务商，开始基于数据采集，提供数据层面的系统孪生服务，比如甲骨文很早就提供类似能力。
但是对于企业来说，比较尴尬的地方在于，我的机器被孪生之后，我到底能够得到什么呢？看到屏幕上一大堆数字在跑，这个似乎对于企业的意义并不大。所带来的提升无非两点，一个是企业管理者和工程师可以更精准的看到全局数据；二是企业数据有了备份，一旦出问题可以查询。
这两点当然也是有意义的，但与不菲的服务费相比，似乎就值得思考一下了。
而AI的到来，确切说就是数据挖掘技术与机器学习技术的融合，正在激活这种简陋版数字孪生的新活力。
在传统意义上，一间工厂里的各种原材料、设备、人员和质量检测，是分别独立的生产系统，相互合作更多凭借工人经验。所谓生产线，往往也是要给上一流程环节保留最大化生产时间，再进入下一流程中。
这就像一个大雾天的路口，因为害怕撞车，所以必须等前一辆车过去很远，后一辆车才敢开过去。极大的生产效率也就在其中被浪费。而假如我们利用机器学习技术，利用数字孪生体系中模拟生产环节的连接，也就可以剥开生产环节间的认知迷雾，用上帝视角来指挥车间里的交通。
当然，机器学习+工业数据的想象力远远不止于此。能耗问题、配料问题、次品出现原因，等等工业生产中的问题都可以用类似能力来解决。
所以说，AI带来的想象力，重新激活了数据孪生的企业应用价值。包括3D模拟机器，在很多AI算法的帮助下，预测受损点和检修时间也在成为可能。
结果这个故事变成了这样：在我们期待的全物理拟态数字孪生依旧遥远的今天，数字孪生却可能基于工业IoT+AI的落地，产生另一重价值。并且这个发展机遇，正在反向影响数字工业里的很多产业关系。
试用版数字孪生，同样让工业IoT亢奋不已
最后让我们聊一下，数字孪生技术今天在AI+工业里带来的一些改变。在聚焦越来越多活力的B端智能技术市场中，数字孪生的价值在于为企业提供一个可以备份、转移、在虚拟世界进行学习和逻辑分析的参照系。很多智能工业平台中都引入了数字克隆的部分，而为企业提供数字孪生基础上的增值服务，也在变得越来越多样。
在工业IoT体系中，比较主流的智能化要经历这样一个流程：
首先基于数据收集和传感体系，在尽量完善的部分搭建数据采集系统；
然后基于IoT云进行数据上传，这样企业就有了数字化基础；
而后采用数字孪生解决方案，在虚拟平台中搭建抽象化的工业设备镜像；
继而根据具体目标，利用深度学习算法一类的技术完成对数据的智能分析，给出优化生产流程的可行性分析；
最后基于分析结果，进行各环节的技术优化与人工优化。
这当然仅仅是个基础逻辑，在解决具体问题时，企业要经历千变万化的特殊问题处理。而数字孪生在整个工业智能化体系中，带给企业以很多新的可能性。比如：
1、工业IoT的门槛被降低。远程分析、数据集中监控等工业生产的互联网化方案成为可能性。一家企业不见得必须雇佣强大的数据专家或者AI学者，而可以通过数字孪生的方式远程找到工业优化方案。
2、定制化生产更加容易。通过数字孪生技术搭配AI，企业将更加容易解决定制化工业产品的设计与生产关系问题。精细化生产和快流程生产都变得更加容易。
3、企业的“经验”也可以被孪生。今天很多企业不愿意尝试数字化转型，原因在于企业中很多生产流程是一步步探索，手耳相传的抽象经验。盲目数字化可能会造成工人的不适应，反而降低生产效率。而数字孪生带来的另一个可能，是基于机器视觉和数据吸收装置，企业可能将生产经验、流程习惯等无法具现化的东西，在数据平台上孪生出来。达成行业经验与工业实体的数字融合。
虽然目前我们只能用到试用版的简装数字孪生技术，甚至很可能不叫这个名字。但是放在一个技术体系的改观里，这项技术确实可能带给实体经济以不小的启迪。虽然影子飞机那样的数字孪生可能还有在等上若干年，但是又有什么所谓呢。
就让预测归预测，实干归实干，很多技术并不一定要等到完全成熟才可以应用，这个非典型案例里，或许能让我们获得一种比较典型的技术可能性。