怎样区分是不是真是假（你们做的是不是）

以下文章来源于GIS小丸子 ，作者深度抑郁患者

导读

现在声称做孪生的厂家很多，但是你们做的是“真孪生”还是“假孪生”？

文章来源

本文由「GIS小丸子」原创首发，数字化企业经授权发布。

近期数字孪生关联文章阅读：

◉ 六级数字孪生成熟度模型：您的数字孪生成熟了吗？

◉ 万物皆可孪生，应用前景广阔！

最近在和一个行业合作伙伴沟通的时候，对方提出了一个问题我觉得很有意思，现在声称做孪生的厂家很多，但是你们做的是“真孪生”还是“假孪生”？

他之所以有这样的困惑在于，之前他合作的几个头部的厂商的数字孪生项目基本上用的都是假数据或者模拟数据，只是把三维场景做的很好看。

最近也经常在一些朋友圈和信息流的系统中看到不少厂家的推广的“数字孪生 ”的效果，基本上千篇一律，主要都是集中在酷炫的可视化效果以及一些设备点位的叠加、还有的会加入一些人或者车的动态模拟（我为什么说是模拟，因为真实定位的数据不太可能是他们呈现出来的效果，所以他们大概率是没有接入过真实的数据）。

即使是对于最基本的监测数据的接入，我觉得很多号称数字孪生的厂商其实也都没有真正做到，因为这不是一件简单的事情，之前有个同行说不就是接个设备的监测数据么，这个有什么难的，有接口不就可以接入了么？物联网确实发展很久以至于很多人可能忽略了他的复杂性，尤其是放到城市这个级别上：

◉ 第一、并发的规模，有多少个数据采集的点位，每个点位数据采集的频率，云端主动轮训还是采集点主动推送方案都不尽相同；

◉ 第二、数据的实时处理，对于实时采集到的数据要不要进行规则计算，比如根据位置点计算车辆的驾驶规范等等；

◉ 第三、数据的统计分析，对于积累的历史数据需要进行分析，几千万条空间数据即使是很简单的空间计算时效性上也是非常酸爽的；

◉ 第四、实时稳定性，这个基本上是每个项目都会遇到的问题，会是各种各样的原因，有的是技术上有的不是技术上的；

当然上面说的还是只是一些简单的数据接入方面的一些问题，但是这个层面上的系统我们只能说是我们GIS里面经常说的“实时GIS”，也不能简单和他将数字孪生画上等号。

之前在一个会议上有个公司的老大就说“目前还没有出现一个真正的数字孪生系统”，那到底是什么才是“真孪生”？这是一个非常有争议的话题，经常在很多演讲中看到前面各种还不错的理论分析，但是一到后面的部分就开始说三维建模了和项目案例了。

要明确数字孪生的定义我们不妨找一下它最开始的模样，从维基百科的词条中大概可以了解到，“数字孪生”概念的雏形最早是一位叫Michael W. Grieves的大哥在2002年12月密西根大学的一个会议中提出来的，当然这也是他自己在名为《Virtually Intelligent Product Systems: Digital and Physical Twins》的文章中提到的，他说的这么有鼻子有眼的我们就暂且相信他了。

这个东西最早还不叫数字孪生，从2002年开始到2011年也改了好几次名字，2005年的时候叫“Mirrored Spaces Model (MSM)”、2006年的时候叫“Information Mirroring Model ”，2011年的时候才开始确定为“Digital Twin”，据说创造这个名字的是NASA的一位叫John Vickers的老铁，反正在中国能有命名权的应该都挺德高望重的，留个墨宝立马就具备收藏价值了。

Vickers和Grieves根据系统的生命周期，将数字孪生分成了三个不同的类型：

Digital Twin Prototype (DTP)是所有变体的设计版本；

Digital Twin Instance (DTI)是每个单独生产的工件的数字孪生实例；

Digital Twin Aggregates (DTAs)是所有数字孪生实例的聚合和组合，这种聚合在横向和纵向的价值体现在：一方面他将先前的状态变化和随后的行为结果做关联，这样就能够保证在某个传感器的数据异常的时候预测组件的故障，另一方面这种一个小组DTI在实际中学习到的内容可以应用到其余的DTIs。

我们还可以看一下咨询机构Gartner和Deloitte在对于数字孪生的关键理解，在2017年Gartner发布的《Innovation Insight for Digital Twins — Driving Better IoT-Fueled Decisions》中明确定义了数字孪生四个必须具备的元素和三个可选的元素，四个必须的元素如下：

◉ 模型（Model），这边的模型包括数据结构、元数据、功能性、关键变量的系统模型等等，更复杂的组合数字孪生模型可以试其他更简单的原子数字孪生组合起来；

◉ 数据（Data）,管理的实例数据元素包括：标识、时间序列、当前数据、上下文数据、事件等等；

◉ 唯一性（Uniqueness），针对每个单独的物理对象都有一个实例化的数字孪生对象和其一一对应；

◉ 监测（Monitor）,你可以对一个对象在粗略和精细的级别下查询状态或者通过API接受通知；

而在这个基础上可以根据实际的需要增加如下三个方面的元素，但是在我的理解层面这三个部分倒是提升业务非常关键的三个通用基础：

1、分析（Analytics）,这个部分可以包含规则、算法、描述和预测等等；

2、控制（Control）,数字孪生可以通过设备的软件平台或者控制面板去控制物理对象；

3、模拟（Simulation），数字孪生能够允许你进行真实世界对象的行为模拟；

Deloitte总结了五个数字孪生驱动生产的关键要素：

◉ 1、传感器、生产流程中配置的传感器可发出信号，数字孪生可通过信号获取实际流程相关的运营和环境数据；

◉ 数据、传感器提供的实际运营和环境数据将在聚合后与企业数据合并，企业数据包括物料清单、企业系统和设计规范等，其他类型的数据还包括工程图纸、外部数据源连接以及客户投诉记录等；

◉ 集成、传感器通过集成技术（包括边缘、通信接口和安全）达成物理世界和数字世界之间的数据传输；

◉ 分析、数字孪生利用分析技术开展算法模拟和可视化程序，进而分析数据，提供洞见；

◉ 促进器、若确定应当采取实际行动，则数字孪生将在人工干预的情况下通过促动器展开实际行动，推进实际流程的开展；

其实看上面的一些总结和分析，基本上可以发现在关键要素上的总结基本一致，但是在实际落地的过程中经常会变成是一个“假孪生”的原因在于：

1、缺数据，就是很多的项目里面本质上是没有能够产生全流程以及全环节的动态以及流程数据，因为做到全覆盖成本会很高，很多项目就只能象征性的做一些布点或者是根本无法协调到有效的数据，所以很多项目做下来就变成了一个花架子。

2、缺业务，数字孪生到底是要在哪个层面上去发挥作用，是降本增效还是基础的信息化？降本增效就要求有明确的的提升指标反映，不然为什么要花这么多钱包一层，做基础的信息化不现实因为行业已经很成熟了。目前的一些分析和总结其实都是通用性的总结，很多数字孪生厂商的业务方向多的有的有二十几个，所以这种可视化厂商充其量能把你的数据做的“好看”，就别指望在业务上给你多少提升和建议了。

3、缺想象，目前很多的数字孪生案例千篇一律，能够买单的业主们也都看腻了，是否能够提供新的应用模式和场景也是一个值得继续探索的内容。