图片来源：Haiyin Wang / Alamy Stock Photo

“数字孪生”一词直到 40 多年后才被创造出来2，但阿波罗模拟器已经是该术语背后概念的显着例子（尽管最近对此存在争议3).毕竟，这些模拟器代表了一组虚拟资产，这些虚拟资产应该模仿其相应物理资产（即航天器）的结构和行为，最重要的是，它们接收来自物理资产的数据反馈，为实现价值的关键决策提供信息。值得注意的是，这些模拟器不仅仅是“传统的模型模拟”：它们旨在获取和处理实时数据，以帮助任务控制员应对高风险情况并做出实时决策，从而直接影响物理资产。例如，上述阿波罗13号事件发生在短短几天内。

 

从那时起，围绕数字孪生的技术有了重大发展。我们经历了越来越多的数据被生成和提供，包括实时数据。我们已经实施了复杂的建模功能，并观察到数据驱动方法（包括机器学习）的急剧上升，这使我们能够利用数据洪流。虽然美国宇航局在阿波罗13号任务时使用了最先进的电信技术，但我们现在可以访问先进的物联网网络，可以大大加速数据移动。这样的例子不胜枚举。

 

另一个重要的发展是关于应用程序。可以说，工程和工业领域利用数字孪生的时间更长，例如用于航空航天工程中的飞机和航天器的开发、测试和维护，以及优化制造系统中的产品生命周期管理（在这种情况下，数字孪生的概念最早是由 Michael Grieves 提出的4，在这个词被创造出来之前）。然而，最近，许多其他不同的科学领域已经意识到数字孪生的潜力，从生物医学科学到气候科学和社会科学。例如，数字孪生可以改善精准医疗，更准确的天气和气候预测，以及更明智的城市规划。

 

毫无疑问，所有这些发展都为数字孪生带来了令人兴奋的新功能和机遇，但并非没有无数挑战。本期聚焦于这一新兴领域的这些最新发展，汇集了专家们对跨不同领域实施数字孪生时的要求、差距和机遇的看法。

 

Fei Tao及其同事在《透视》中讨论了数字孪生工业应用的进展和当前挑战。数字孪生在工业和制造业中非常流行，过去提出了不同的概念模型，许多知名公司都在该领域进行了大量投资。尽管如此，作者认为，在提高数字孪生的成熟度和促进大规模工业应用方面，我们还有很长的路要走。在仍有许多挑战和机遇需要解决中，作者认为，过于简单的模型（成本较低，但准确性较低）和过于复杂的模型（更准确，但可能过于昂贵）之间的权衡需要根据具体情况进行充分理解和评估;需要更好地评估人工智能带来的机遇和风险;迫切需要验证基准和国际标准，以使该领域更加成熟。

 

在航空航天和机械工程领域，数字孪生的用例非常广泛，Karen Willcox 和 Alberto Ferrari 在《透视》一书中强调了这些领域的潜在优势、差距和未来方向。值得注意的是，作者主张将数字孪生本身视为一种资产的价值：与在实物资产的设计和开发中采用成本效益-风险权衡的方式类似，数字孪生的开发和生命周期不能是事后才想到的，必须涉及与实物资产生命周期内的投资平行的投资。Willcox 和 Ferrari 还讨论了数字孪生的计算成本和复杂性：他们认为，为了满足严格的计算约束，使用代理模型（即行为与仿真模型相似但在计算上更容易访问的近似模型）可能发挥重要作用，并且对于复杂系统，将数字孪生视为物理资产的相同孪生是没有好处的——相反， 数字孪生必须根据成本效益权衡和所需功能来设想适合目的。

 

数字孪生在生物医学科学中的应用由Reinhard Laubenbacher及其同事在《视角》中探讨。作者认为，与工业和工程不同，对于医学中的数字孪生的构成没有广泛的共识，主要是由于该领域面临的一些独特挑战，包括相关的基础生物学部分或完全未知，并且所需的数据通常不可用或难以收集。 后一个挑战会影响物理孪生和数字孪生之间的数据交换。也就是说，作者讨论了医疗数字孪生在治疗和预防医学中的许多潜在有前途的应用，以及开发新型疗法和帮助解决健康差异和不平等问题。

 

迈克尔·巴蒂（Michael Batty）在《透视》一书中也研究了数字孪生的定义，这次是在城市规划的背景下。Batty认为，虽然对于实物资产来说，真实和数字之间的耦合往往是强大和正式的，但对于社会、经济和组织系统（如城市）来说却并非如此，因为数据的传输通常是非自动化的。Batty 还讨论了人类在设计和使用数字孪生时的需求，以及城市本质上可能是不可预测的这一事实，这给将数字孪生的标准定义应用于该领域带来了挑战。另一方面，Luís M. A. Bettencourt在一篇评论中指出，城市确实呈现出许多层次的可预测性，可以在数字孪生中得到利用和表示，特别是与通过统计模型和理论越来越多地理解的过程有关。两位作者都谈到了这样一个事实，即城市非常复杂，并且与长期动态有关（与许多应用程序的典型短期动态相反），以及构建城市数字孪生所带来的不同计算挑战，例如高计算复杂性和所需的多尺度建模支持。

 

在地球系统科学领域，Peter Bauer、Torsten Hoefler及其同事在一篇评论中讨论 - 类似于Batty提出的城市规划论点 - 灵活的人机交互对于理解和有效利用地球数字孪生提供的数据至关重要。作者认为，为了实现这种必要的交互，大型预训练的数据驱动模型有望成为促进访问隐藏在复杂数据中的信息和实现数字孪生的人机界面部分（例如，通过使用智能对话代理）的关键。作者还指出，需要就数据质量和模型质量达成一致的标准，这与Tao等人讨论的工业应用问题相呼应。

 

显然，当涉及到数字孪生当前的障碍和机遇时，这些领域有许多共同点，但与此同时，根据每个研究社区面临的具体挑战，数字孪生的感知和使用方式也存在差异。因此，美国国家科学院、工程院和医学院 （NASEM） 最近发布了一份报告5这确定了数字孪生技术在多个科学领域的基础研究中的差距。该报告由Karen Willcox和Brittany Segundo在评论中概括，根据先前发布的定义，提出了数字孪生的跨域定义6并强调了许多问题和差距，这些问题和差距也与《焦点》中的一些手稿相呼应，例如验证、确认和不确定性量化的关键作用;数字孪生应该“适合目的”，而不一定是相应物理孪生的精确复制品;在依赖可识别的、专有的和敏感的数据时需要保护个人隐私;人在循环中的重要性;以及需要复杂且可扩展的方法，以实现虚拟资产和物理资产之间的高效双向数据流。

 

毋庸置疑，Focus仅涵盖了数字孪生潜在应用的一小部分：许多其他领域都有可能从这项技术中受益，包括但不限于土木工程7,8、化学和材料合成9、可持续性10,11和农业12.毫无疑问，在我们实现数字孪生的承诺之前，有许多挑战需要克服，许多研究差距需要解决。如NASEM报告所述5，实现数字孪生的潜力将需要一个综合的研究议程，以及跨学科的劳动力和领域之间的合作。我们希望这个焦点将促进广泛的计算科学社区内的这种合作和进一步讨论。