模擬、數位雙生與最佳化

數位雙生市場規模預計將在 2025 年达到 240–360 億美元 ，且年複合增长率超过 35% （Fortune Business Insights、Grand View Research），Gartner 預計該技術將在以下年份跨越鸿溝进入主流企業普及： 2026 年。然而， 75% 的數位雙生專案未能实現預期投資回报（ROI） （Context Clue，2025 年）。模擬軟體本身几乎從未是問題所在。

为何大多數數位雙生走向失败：模擬与决策之间的工程斷層

失败的模式如出一辙：企業購買了一套平臺，構建了 3D 模型，接入了若幹感測器，然後静待价值顯現。然而价值並未出現。問題不在于模擬軟體。問題出在模擬与决策之间的工程实現上：

• 校準 數位雙生以匹配真实運行資料。
• 保持動態同步 ，即使物理系統發生狀態漂移。
• 組合多物理場模型 ，打破不同供應商工具之间的壁垒。
• 構建最佳化閉環 ，严格遵循運維人員在現实中面临的硬性约束。

上述工程挑戰，正是我们咨询合作所要解决的核心問題。

讓采購方耗费數月彎路的平臺選型困局

2026 年的供應商格局高度碎片化且極易令人混淆。采購方如果選擇了一個 IoT 圖譜平臺却期望獲得基于物理學的最佳化能力，最終在花费數月發現能力脱節後，依然不得不硬生生拼接 FMU/FMI 协同模擬、ANSYS 求解器或自定义偏微分方程（PDE）程式碼。下述每款工具都各有所长，但沒有一款能覆盖全端需求。

真正至關重要的互操作性標準是 FMI（功能模型介面，Functional Mock-up Interface），目前已獲得超过 270 款工具的支持。 FMI 3.0 配合全新的 SSP 2.0 （系統結構与參數化）標準，实現了跨供應商边界的多物理場數位雙生組合，博世（Bosch）已將 FMI 視为首選的模型交換格式。然而，真正的协同模擬集成——讓 Modelica 熱模型、ANSYS CFD 求解器与自定义控製逻輯層在精確的時间步长协調下协同對話——需要沒有任何平臺能够自動化完成的工程工作。而这套深度集成方案，正是我们咨询合作的核心交付物。

校準是决定數位雙生生死存亡的關鍵

數位雙生的水準取决于其對所對應物理系統的校準精度。技術上的核心挑戰不在于初始校準 — 而在于隨着物理系統老化、感測器性能退化、工況條件變化以及維护事件改變系統行为時，持续維持校準精度。一個溫度感測器若在 六個月內漂移 0.5 度 ，就會在無聲無息中徹底破坏數位雙生做出的每一次預測，而絕大多數數位雙生部署對此毫無檢測機製。

我们的方法是利用以下技術構建校準基础設施： 贝叶斯參數估計 針對流式運行資料进行估計，並結合自動化異常檢測，在數位雙生預測与观測現实發生背離時精準識別。該系統能够区分三種背離原因：

最後这一項区分最为關鍵。每一個數位雙生都有其特定的 有效工作区间（Validity Envelope） — 即其預測結果可信賴的具體運行工況。我们的方法對該区间进行顯式表徵，並在現实世界工況接近其边界時触發自動化告警。基于超出驗證範围的外推行为做出的决策，比完全不使用數位雙生做出的决策危害更大，因为它们带來了虛假的盲目自信。

多物理場組合建模，而非單一求解器的过度簡化

真实的工業系統包含多物理場耦合：熱學、流體、結構、电氣和化學。單一模擬工具極少能在所有领域同時达到所需的保真度。請看两個典型案例：

• ​ 电網數位雙生 可能需要潮流模擬（PSS/E 或 PowerWorld）、用于變壓器老化的熱建模、天氣驱動的可再生能源發电預測，以及監管约束下的市場最佳化（参見 我们關于电網擾動的物理约束智能研究）。
• ​ 製藥工藝數位雙生 可能需要將用于混合的計算流體動力學（CFD）与反應動力學和傳熱學进行耦合。

強行將所有这些物理場塞进同一家供應商的求解器，意味着至少在一個领域牺牲保真度。我们的方法是在每個物理领域采用最適宜的求解器構建數位雙生，並通过具備精確時间步长同步与資料交換协議的 FMI 协同模擬將其連接起來。Modelica 生態系統（Dymola、OpenModelica、Modelon Impact）構成了系統级建模的主幹，在特定领域的保真度有严苛要求之處無缝接入專用求解器。最終打造出的數位雙生能够忠实还原各個领域的物理規律，而非將其粗暴折衷为單一的簡化表徵。

尊重現实硬性约束的最佳化工程

最佳化層是數位雙生創造价值的核心所在。我们的方法根據具體問題結構采用最为恰當的演算法，严格遵循運維人員在現实中面临的硬性约束，而不是在脱離实际的空中楼阁中求解（詳見 我们關于基于约束的生成式設計的白皮书）：

• 贝叶斯最佳化 — 適用于評估成本極高且參數空间较小的目標函數。
• 演化演算法（NSGA-III、MOEA/D） — 適用于多目標最佳化問題，此時决策者需要帕累託最优權衡曲面，而非單一解。
• 強化學習 — 適用于以數位雙生作为訓練環境的序列决策問題。
• 模型預測控製（MPC） — 適用于过程控製，由數位雙生的物理機理而非纯強化學習提供先驗資訊，这通常才是正確的技術路線。

其中關鍵的工程挑戰在于 模擬到現实迁移（Sim-to-Real Transfer）。在模擬環境中訓練的強化學習策略在迁移到物理系統時常常失效，原因在于三重複合因素：模擬器与現实之间的物理規律和動態響應不匹配；感知不確定性（模擬中的智慧體擁有完美的全知資訊，而現实系統使用的感測器充满噪聲）；以及策略在訓練期间從未遇到过的分布外狀態。

领域隨機化有所幫助，但無法解决結構性模型誤設問題。如果數位雙生的物理模型采用了錯誤的偏微分方程（PDE）或遺漏了耦合項，再多的隨機化也無法訓練出可在真实系統上有效運行的策略。我们的方法通过以下方式驗證模擬到現实的迁移： 漸进式部署：首先与現有控製系統並行運行于影子模式（Shadow Mode），隨後赋予受限控製權限，最終实現完全自主運行，並在全过程中持续監控預期与实际結果之间的背離。

AI 原生模擬前沿

人工智能与模擬技術的深度融合正在重塑可能性的边界。 NVIDIA Modulus 能够訓練物理資訊神經網路（PINN）代理模型，其運行速度比傳統求解器快數個數量级；Ansys 已將 Modulus 集成到其半導體模擬產品（Ansys Seascape）中，实現了在熱模擬方面 100 倍的速度提升 。物理學基础模型（組合神經算子、Physix）有望提供可複用的代理底座，從而降低每個 PDE 專屬求解器的開銷，而同样的閉環方法也驱動着 我们關于閉環 AI 材料發現的研究。

智慧體驱動的數位雙生（Agentic Digital Twins），即 AI 智慧體在數位雙生的模擬環境中自主運行，目前已在學術文献（AAAI 2025/2026）中完成形式化並在規模化場景中完成部署： 百事公司（PepsiCo）的 AI 智慧體可在物理改造前識別高达 90% 的潜在問題 ，在製造數位雙生中实現了 20% 的吞吐量提升 与 10–15% 的投資成本降低。我们已構建了 自主 AI 实驗室的可運行演示 ，智慧體在其中端到端操作模擬实驗閉環。

然而，市場炒作远超工程現实。2025 年的一篇學術論文指出了物理資訊神經網路在工程系統中的根本缺陷：有效工作区间狭窄、失效边界表徵不佳，以及缺乏物理可解释性。我们的方法是在適宜的場景使用 AI 代理模型（最佳化內部的快速內循環評估、面向業務幹系人的实時“假設分析”推演），並在精度起關鍵承重作用之處回退至高保真求解器。在代理模型与高保真求解器之间的權衡，是針對具體組件做出的工程决策，而非對某一平臺的站队绑定。

資料背後的真实成效

• 通用电氣（GE）的燃氣輪機數位雙生 每年節省 6400 万美元，同時带來 75% 的產品废品率降低 以及 38% 的質量投訴減少 （Skan.ai）。
• 應急維护与計劃性維护的經濟账對比極其懸殊：一份记錄在案的案例表明，單次應急維修耗資 140 万美元 ，相比之下，在計劃停機期间进行相同維修僅需 $95,000 （AIDAR Solutions）。
• 麥肯锡（McKinsey） 报告指出，數位雙生能够將產品研發週期缩短高达 50% ，並將質量提升高达 25%。
• 企業级落地实施通常耗資 50 万至 400 万美元 （視範围而定），並在第一年带來 20–30% 的運營成本缩減 以及 12–36 個月的投資回报期。
• 德勤（Deloitte） 研究發現， 42% 的企業在 2025 年放棄了大部分 AI 計劃，每個被放棄的專案平均沉沒成本达 720 万美元 。

这些半途而废背後的共通規律：以采購商業平臺为起點，而非以清晰界定工程問題为核心。

何時選擇數位雙生是錯誤决策

並非每個系統都需要數位雙生。我们始終围繞具體的决策問題來界定合作範围，如果數位雙生並非合適方案，我们會如实告知。在以下情況下，數位雙生是錯誤的工具：

• 物理系統本身足够簡單，第一性原理計算或統計过程控製即可解决决策問題 — 此時數位雙生徒增成本而無洞察增量。
• 企業缺乏为數位雙生提供实時資料的感測器基础設施 — 此時數位雙生沦为一次性離線模擬，而非動態運行的模型。
• 决策週期为月度或季度且系統變化缓慢 — 此時批量離線模擬運行的成本远低于維护一個保持同步的數位雙生。
• 首要目標是面向汇报展示的 3D 可視化而非運維最佳化 — 此時纯可視化平臺才是正確工具，而非基于物理機理的數位雙生。