第一節 概念正演進
當前，以物聯網、大數據、人工智能等新技術為代表的數字浪潮席卷全球，物理世界和與之對應的數字世界所形成的兩大體系平行發展、相互作用。數字世界為服務物理世界而存在，物理世界因數字世界變得高效、有序。在這種背景下，數字孿生技術應運而生。近幾年來，“數字孿生”這一概念炙手可熱，漸漸成為從工業到產業、從軍事到民生等各個領域的智慧新代表。
數字孿生始于數字化，又不止于數字化。從概念的演進來看，“數字孿生”這一概念誕生于美國，2002年，密歇根大學教授邁克爾·格里夫斯（Michael Grieces）在“產品全生命周期管理”課程中提出了“與物理產品等價的虛擬數字化表達”這一概念：一個或一組特定裝置的數字復制品，能夠抽象表達真實裝置，并可以此為基礎進行在真實條件或模擬條件下的測試。數字孿生的概念源于對裝置的信息和數據進行更清晰地表達的期望，希望能夠將所有信息都放在一起進行更高層次的分析。
然而，真正將這種理念付諸實踐的則是美國航空航天局（NASA）的阿波羅項目。在該項目中，美國航空航天局需要制造兩個完全一樣的空間飛行器，其中一個發射到太空執行任務，另一個留在地球上用于反映太空中那個航天器在任務期間的工作狀態，從而輔助工程師分析并處理太空中出現的緊急事件。但對于當時來說，這兩個航天器都是真實存在的物理實體。
2010年，“Digital Twin”一詞在美國航空航天局的技術報告中被正式提出，并被定義為“集成了多物理量、多尺度、多概率的系統或飛行器仿真過程”。2011年，美國空軍探索了數字孿生在飛行器健康管理中應用的可能性，并詳細探討了實施數字孿生的技術難度。2012年，美國航空航天局與美國空軍聯合發表了關于數字孿生的論文，指出數字孿生技術是驅動未來飛行器發展的關鍵技術之一。至此，數字孿生才真正作為一項數字技術應用走進了人們的視線。
現在，許多業界主流公司都對數字孿生做了自己的理解和定義，但實際上，人們對于數字孿生的認識依然是一個不斷演進的過程。這從Gartner公司以往對數字孿生的論述中可見一斑。
2017年，Gartner公司對數字孿生的解釋是：數字孿生是實物或系統的動態軟件模型，數十億計的實物將通過數字孿生來表達。從Gartner公司在2017年發布的新興技術成熟度曲線中可以看出，數字孿生處于創新萌發期，距離成熟應用還有5～10年時間。2018年，Gartner公司對數字孿生的解釋是：數字孿生是現實世界實物或系統的數字化表達。隨著物聯網的廣泛應用，數字孿生可以連接現實世界的對象，提供其狀態信息，響應變化，改善運營并增加價值。2019年，Gartner公司對數字孿生的解釋變為：數字孿生是現實生活中物體、流程或系統的數字鏡像。大型系統如發電廠或城市也可以創建其數字孿生模型。
在數字孿生概念的成熟和完善過程中，數字孿生的應用主體也不再局限于基于物聯網來洞察和提升產品的運行績效，而是延伸到更廣闊的領域，如工廠的數字孿生、城市的數字孿生，甚至組織的數字孿生。
從橫向來看，在模型維度上，從模型需求與功能的角度，一些觀點認為數字孿生是三維模型，是物理實體的復制，或是虛擬樣機。在數據維度上，一些觀點則認為數據是數字孿生的核心驅動力，側重于數字孿生在產品全生命周期的數據管理、數據分析與挖掘、數據集成與融合等方面的價值。在連接維度上，一些觀點認為數字孿生是物聯網平臺或工業互聯網平臺，這些觀點側重從物理世界到虛擬世界的感知接入、可靠傳輸、智能服務。而對于服務來說，一些觀點則認為數字孿生是仿真，是虛擬驗證，或是可視化。
盡管當前對數字孿生存在多種不同的認識和理解，目前尚未形成統一、達成共識的定義，但可以確定的是，物理實體、虛擬模型、數據、連接和服務是數字孿生的核心要素，即數字孿生是現有或將有的物理實體對象的數字模型，通過實測、仿真和數據分析來實時感知、診斷、預測物理實體對象的狀態，通過優化和指令來調控物理實體對象的行為，通過相關數字模型間的相互學習來進化自身，同時改進利益相關方在物理實體對象生命周期內的決策。
通俗地說，數字孿生就是在一個設備或系統“物理實體”的基礎上，創造一個數字版的“虛擬模型”。這個“虛擬模型”是被創建在信息化平臺上來提供服務的。值得一提的是，與計算機設計圖紙不同，數字孿生體最大的特點在于，它是對實體對象的動態仿真，也就是說，數字孿生體是會“動”的。同時，數字孿生體“動”的依據是實體對象的物理設計模型、傳感器反饋的“數據”及運行的歷史數據。實體對象的實時狀態及外界環境條件，都會“連接”到“孿生體”上。
可以看出，數字孿生為跨層級、跨尺度的現實世界與虛擬世界建立了溝通的橋梁，是一種實現制造信息世界與物理世界交互融合的有效手段。因此，數字孿生也被認為是第四次工業革命的通用目的技術和核心技術體系之一，是支撐萬物互聯的綜合技術體系，也是未來智能時代的信息基礎設施。
第二節 技術大集成
一項新興技術或一個新概念的背后，往往是一系列技術共同進步。建模、仿真和基于數據融合的數字線程無疑是數字孿生的三項核心技術，能夠做到統領建模、仿真和數字線程的系統工程和基于模型的系統工程則成為數字孿生體的頂層框架程序。此外，物聯網是數字孿生體的底層伴生技術，云計算、機器學習、大數據、區塊鏈相關技術則是數字孿生體的外圍使能技術。
一、核心技術：建模、仿真、數字線程
1.建模
數字化建模技術起源于20世紀50年代。建模的目的是將人們對物理世界或問題的理解進行簡化和模型化；而數字孿生體的目的或本質正是通過數字化和模型化，用信息換能量，以更少的能量消除各種物理實體特別是復雜系統的不確定性。數字孿生建模需要完成多領域、多學科角度的模型融合，以實現對各領域物理對象特征的全面刻畫。建模后的虛擬對象會表征物理對象的實體狀態，模擬物理對象在現實環境中的行為，分析該物理對象的未來發展趨勢。
因此，建立物理實體的數字化模型和信息建模技術是創建數字孿生體、實現數字孿生的源頭和核心技術，也是“數化”階段的核心。
當前，數字孿生建模語言主要包括Automation ML、UML、SvsML和XML等。一些模型采用通用建模工具（如CAD等）進行開發，而更多模型的開發則基于專用建模工具，如FlexSim和Qfsm等，目前業界已提出多種概念模型。
（1）基于微內核架構的數字孿生平臺，通過集成的仿真數據庫對實時傳感器數據進行主動管理，為仿真模型的修正和更逼真的現實映射提供支持。
（2）模型自動生成和在線仿真的數字孿生建模方法。首先，選擇靜態仿真模型作為初始模型；其次，基于數據匹配方法由靜態模型自動生成動態仿真模型，并結合多種模型提升仿真準確度；最后，通過實時數據反饋實現在線仿真。
（3）數字孿生建模流程概念框架包含物理層、數據層、信息處理與優化層三層，用來指導工業生產數字孿生模型的構建。
（4）基于模型融合的數字孿生建模方法，通過集成多種數理仿真模型來構建復雜的虛擬實體，并提出基于錨點的虛擬實體校準方法。
（5）全參數數字孿生的實現框架，將數字孿生分成物理層、信息處理層、虛擬層三層，基于數據采集、傳輸、處理、匹配等流程實現上層數字孿生應用。
（6）由物理實體、虛擬實體、連接、孿生數據、服務組成的數字孿生五維模型，強調了由物理數據、虛擬數據、服務數據和知識等組成的孿生數據對物理設備、虛擬設備和服務等的驅動作用，并探討了數字孿生五維模型在多個領域的應用思路與方案。
（7）按照從數據采集到應用的過程分為數據保障層、建模計算層、數字孿生功能層和沉浸式體驗層的四層模型，依次實現數據采集、傳輸和處理、仿真建模、功能設計、結果呈現等功能。
2.仿真
仿真是將具備確定性規律和完整機理的模型轉化成軟件的方式來模擬物理世界的一種技術。仿真興起于工業領域，作為一種必不可少的重要技術，已經被世界上眾多企業廣泛應用到工業的各個領域中，是推動工業技術快速發展的核心技術，也是工業3.0時代最重要的技術之一，在產品優化和創新活動中扮演著不可或缺的角色。近年來，隨著工業4.0、智能制造等新一輪工業革命的興起，新技術與傳統制造的結合催生了大量新型應用，工程仿真軟件也開始與這些先進技術結合，在研發設計、生產制造、試驗運維等各環節發揮著更重要的作用。
從仿真的視角來看，數字孿生體系中的仿真作為一種在線數字化技術，通過將模型轉化成軟件的方式來模擬物理世界，只要模型正確，并擁有完整的輸入信息和環境數據，就可以基本正確地反映物理世界的特性和參數，驗證和確認對物理世界或問題理解的正確性和有效性。
可以將數字孿生技術應用理解為針對物理實體建立相對應的虛擬模型，并模擬物理實體在真實環境下的行為。與傳統的仿真技術相比，數字孿生技術更強調物理系統和信息系統之間的虛實共融和實時交互，是高頻次貫穿全生命周期并不斷循環迭代的仿真過程。
也就是說，數字孿生視角下的仿真預測是對物理世界的動態預測。仿真技術需要在建立物理對象的數字化模型之上，根據當前狀態，通過物理學規律和機理來計算、分析和預測物理對象的未來狀態。這種仿真不是對一個階段或一種現象的仿真，應是全周期和全領域的動態仿真，包括產品仿真、虛擬試驗、制造仿真、生產仿真、工廠仿真、物流仿真、運維仿真、組織仿真、流程仿真、城市仿真、交通仿真、人群仿真、戰場仿真等。
因此，仿真技術不再僅僅用于降低測試成本。通過數字孿生，仿真技術的應用將擴展到各個運營領域，甚至涵蓋產品的健康管理、遠程診斷、智能維護、共享服務等方面。基于數字孿生可對物理對象進行分析、預測、診斷、訓練等（仿真），并將仿真結果反饋給物理對象，從而幫助物理對象進行優化和決策。仿真技術是創建和運行數字孿生體，并保證數字孿生體與物理對象實現有效閉環的核心技術。
從技術角度看，建模和仿真則是一對伴生體，如果說建模是人類對物理世界或問題理解的模型化，那么仿真就是驗證和確認這種理解的正確性和有效性。
隨著仿真技術的發展，其被越來越多的領域所采用，并逐漸發展出更多類型的仿真技術和軟件，數字孿生則將成為仿真應用的新巔峰。在數字孿生發展的每個階段，仿真都在扮演不可或缺的角色；數字孿生也因為仿真在不同發展階段及四大關鍵場景中無處不在，成為智能化和智慧化的源泉與核心。
3.數字線程
數字線程是指可擴展、可配置和組件化的企業級分析通信框架。基于該框架可以構建覆蓋系統生命周期與價值鏈全部環節的跨層次、跨尺度、多視圖模型的集成視圖，進而以統一模型驅動系統生存期活動為決策者提供支持，主要包括正向數字線程技術和逆向數字線程技術兩大類型。
其中，正向數字線程技術以MBSE（Model-Based Systems Engineering，基于模型的系統工程）為代表，在用戶需求階段就基于統一的建模語言（UML）定義各類數據和模型規范，為后期全量數據和模型在全生命周期集成融合提供基礎支撐。
逆向數字線程技術以管理殼技術為代表，依托多類工程集成標準，對已經構建完成的數據或模型，基于統一的語義規范進行識別、定義、驗證，并開發統一的接口支撐，以進行數據和信息交互，從而促進多源異構模型之間的互操作。
根據美國軍方對數字線程的定義和解釋，其目標就是要在系統全生命周期內實現在正確的時間、正確的地點，把正確的信息傳遞給正確的人。這一目標與20世紀90年代的產品數據管理/產品生命周期管理技術和理念出現時的目標幾乎完全一致，只不過數字線程要在數字孿生環境下實現這一目標。可以說，數字線程是數字孿生技術體系中最為關鍵的技術。
二、頂層框架程序：系統工程和MBSE
盡管系統工程起源于20世紀早期，并在第二次世界大戰中就已經進行了運用，但直到1951年，美國貝爾公司在建成微波中繼通信網后才正式提出“系統工程”這一名詞。1972年，美國阿波羅載人登月工程成功運用了系統工程的方法，這讓系統工程第一次在世界范圍內被人們所熟知。之后，在美國國防部的領導下，引入承包商標準，系統工程才逐漸被應用于民用航空領域。
系統工程國際委員會（INCOSE）將系統工程定義為一種能夠使系統實現跨學科的方法和手段。系統工程專注于在系統開發的早期階段就定義并文檔化客戶需求，再考慮系統運行、成本、進度、性能、培訓、保障、試驗、制造等問題，并進行系統設計和確認。
由此可見，系統工程可被應用于建立跨學科的復雜大系統，通過對系統的組成、結構、信息流等進行科學、有條理的研究和分析，使學科與學科之間、子系統與子系統之間、系統的整體與局部之間協調和配合，從而優化系統的運行性能，更好地達到系統的目的。
然而，伴隨著需求的增長和技術的革新，傳統工業逐漸向智能化、數字化轉型。在新的工業環境下，系統復雜度的提升所產生的龐大信息量與數據量給傳統的基于文檔的系統工程帶來了前所未有的挑戰。于是，隨著模型驅動的系統開發方法的興起，特別是在軟件領域，人們將模型驅動與系統工程相結合，提出了基于模型的系統工程方法MBSE。
MBSE強調貫穿于全生命周期技術過程的形式化建模，建立的系統模型既解決了項目經驗積累和復用的問題，也通過多視角的系統頂層需求建模與系統架構建模，為復雜系統或體系的向下分解與及時驗證提供了模型依據，體現了整體論與還原論的辯證統一；而針對物理層構建的各專業領域（機械、電子、流體、力學、氣動等）的物理模型，也體現了對具體實現技術的描述，使系統工程不再僅僅是使能技術，還包含了完整的工程實現所需的技術集合。
一方面，MBSE中的DoDAF系統架構描述標準提供了多視角的體系架構描述方法，從全景視點、能力視點、作戰（業務）視點、服務視點和系統視點等八個方面來完整描述系統，使得從整體上描述復雜系統或體系成為可能，滿足了系統工程方法的系統性與整體性，系統工程從而成為名副其實的系統論指導下的工程方法。而建立的系統架構模型，在系統定義的早期階段，就能為系統功能分解與系統指標分解的結果進行仿真驗證提供模型支持。
另一方面，2007年系統工程國際委員會（INCOSE）在《系統工程2020年愿景》中給出了“基于模型的系統工程”的定義：支持從概念設計階段開始并持續貫穿于開發和后續的生命周期階段的系統需求、設計、分析、驗證和確認活動的形式化建模應用?？梢钥闯?，MBSE與傳統的系統工程相比，最主要的區別是貫穿于全生命周期技術過程的形式化建模，重點在形式化，而不是有無建模。
當前，MBSE已成為創建數字孿生體的框架，數字孿生可以通過數字線程集成到MBSE工具套件中，進而成為MBSE框架下的核心元素。而從系統生存周期的角度，MBSE又可以作為數字線程的起點，使用從物聯網收集的數據運行系統仿真來探索故障模式，從而隨著時間的推移逐步改進系統設計。
三、底層伴生技術：物聯網
物聯網（Internet of Things，IoT），即通過各種信息傳感器、射頻識別技術、全球定位系統、紅外感應器、激光掃描器等裝置與技術，實時采集任何需要監控、連接、互動的物體或過程，采集其聲、光、熱、電、力學、化學、生物、位置等各種需要的信息，通過各類可能的網絡接入，實現物與物、物與人的泛在連接，實現對物品和過程的智能化感知、識別和管理。物聯網是一個基于互聯網、傳統電信網等的信息承載體，它讓所有能夠被獨立尋址的普通物理對象形成互聯互通的網絡。
從凱文·阿什頓在1999年提出“物聯網”一詞至今，物聯網已從雛形初現逐步發展為拉動全球經濟增長的新引擎。新的技術浪潮開啟了通往新時代的大門，也為時代奠定了特有的基調。與移動互聯網大約50億個的設備接入量相比，物聯網的連接規模將擴大至少一個數量級，所涉及的領域涵蓋可穿戴設備、智能家居、自動駕駛汽車、互聯工廠和智慧城市。
雖然從連接的對象來看，物聯網只是加入了各種“物”，但它對連接內涵的拓展和升華帶來了極其深遠的影響。物聯網不再以“人”為單一的連接中心，物與物無須人的操控即可實現自主連接，這在一定程度上確保了連接所傳遞內容的客觀性、實時性和全面性。
從物聯網的角度來看，一方面，物聯網將實體世界的每一縷脈動都連接到網絡上，打造了一個虛擬（信息、數據、流程）和實體（人、機器、商品）之間相互映射、緊密耦合的系統。物理實體在虛擬世界建立了自身的數字孿生體，使其狀態變得可追溯、可分析和可預測。
另一方面，若要實現數字孿生，必須借助傳感器運行、更新的實時數據來反饋到數字系統，進而實現在虛擬空間的仿真過程。也就是說，物聯網的各種感知技術是實現數字孿生的必然條件，只有現實中的物體聯了網，并且能實時傳輸數據，才能對應地實現數字孿生。
從數字孿生的角度來看，數字孿生可以借助物聯網和大數據技術，達到指標測量甚至精準預測的目的。數字孿生可以通過采集有限的物理傳感器指標的直接數據，并借助大樣本庫，通過機器學習推測出一些原本無法直接測量的指標。例如，可以利用一系列歷史指標數據，通過機器學習來構建不同的故障特征模型，間接推測出物理實體運行的健康指標。
此外，現有的產品全生命周期管理很少能夠實現精準預測，因此往往無法對隱藏在表象下的問題進行預判。而數字孿生可以結合物聯網的數據采集、大數據的處理和人工智能的建模分析，實現對當前狀態的評估和對過去發生問題的診斷，并給予分析結果，模擬各種可能性，實現對未來趨勢的預測，進而實現更全面的決策支持。
四、外圍使能技術：云計算、大數據和機器學習、區塊鏈
1.云計算
云計算是分布式計算的一種，指的是通過網絡“云”將巨大的數據計算處理程序分解成無數個小程序，通過多部服務器組成的系統進行處理和分析這些小程序，并將得到的結果返回給用戶。云計算是分布式計算、效用計算、負載均衡、并行計算、網絡存儲、熱備份冗雜和虛擬化等計算機技術混合演進并躍升的結果。云計算系統由云平臺、云存儲、云終端、云安全四個基本部分組成，云平臺從用戶的角度又可分為公有云、私有云、混合云等。
最早提出云計算概念的是Sun公司首席執行官Scott Mc Nealy。他在20世紀90年代提出了“網絡計算機”的概念和“網絡無處不在”的思路。此后，IT和互聯網業界都在探索和踐行為用戶提供成本更低、操作更簡便、數據更安全的開放性基礎架構服務平臺。
2010年5月21日，在第二屆中國云計算大會上，鴻蒙集團董事長鄭世寶先生發表了題為《從生命看云計算，整體論對還原論》的演講，將云計算融入東方科學和哲學思想的范疇，以整體論和系統論的觀點，用中國人的慧性思維定義了云計算：云計算是以應用為目的，通過互聯網將必要的大量硬件和軟件按照一定的結構體系連接起來，并隨應用需求的變化而不斷調整結構體系，從而建立起來的一個內耗最小、功效最大的虛擬資源服務中心。
簡言之，云計算就是把跟互聯網有關聯的有形和無形的資源串聯起來而形成的一個平臺，用戶按照規則在上面做自己想做的事情。這也意味著，計算將越來越深入地變為一種服務，通過互聯網，來自遠方大量的計算能力將為本地所使用。文檔、電郵和其他數據將會在線儲存，或者更精確地說是儲存在網絡云上。
數字孿生需要將現實世界中的海量數據映射到鏡像世界，并進行大量的計算，而這毫無疑問，需要建立在大規模云計算的基礎上?？梢哉f，云計算是體系級數字孿生分析的理想技術，而云計算體系結構則有利于大量連接設備的組織和管理，以及內部和外部數據的組合和集成。在云計算體系結構中，各種不同類型的存儲設備可以通過應用軟件一起工作，共同提供數據存儲和業務訪問服務。
2.大數據和機器學習
大數據，顧名思義，即大量的數據。大數據技術則是通過獲取、存儲、分析，從大容量數據中挖掘價值的一種全新的技術架構。
從數據的體量來看，傳統的個人計算機處理的數據是GB/TB級別的數據，其中，1KB=1024B（KB-kilobyte），1MB=1024KB（MB-megabyte），1GB=1024MB（GB-gigabyte），1TB=1024GB（TB-terabyte）。例如，硬盤容量通常是1TB/2TB/4TB的。而大數據處理的是PB/EB/ZB級別的數據體量，其中，1PB=1024TB（PB-petabyte），1EB=1024PB（EB-exabyte），1ZB=1024EB（ZB-zettabyte）。
如果說一塊1TB的硬盤可以存儲大約20萬張照片或20萬首MP3音樂，那么1PB的大數據則需要大約2個機柜的存儲設備，儲存約2億張照片或2億首MP3音樂。1EB則需要大約2000個機柜的存儲設備。當前正處于全球數據量仍在飛速增長的階段，根據國際機構Statista的統計和預測，2020年全球數據產生量約47ZB，而到2035年，這一數字將達到2142ZB，全球數據量即將迎來更大規模的爆發。
除了體量之大，大數據的“大”還在于其發揮的價值之大。早在1980年，著名未來學家阿爾文·托夫勒在他的著作《第三次浪潮》中就明確提出：“數據就是財富。”大數據的核心本質就是價值。而機器學習就是一種重要的實現大數據價值的工具，其中，機器學習可以分為監督學習、無監督學習和強化學習三個主要類別。
（1）監督學習基于訓練好的數據來構建算法，訓練數據包含一組訓練樣例，其中的每個訓練樣例都擁有一個或多個輸入與輸出，并成為監督信號，通過對目標函數的迭代優化，監督學習算法探索出一個函數，可用于預測新輸入所對應的輸出。
（2）無監督學習只在包含輸入的訓練數據中尋找結構，識別訓練數據的共性特征，并基于每個新數據所呈現或缺失的這種共性特征做出判斷。
（3）強化學習是研究算法如何在動態環境中執行任務，以實現累計獎勵的最大化。很多學科對這個領域有研究，如博弈論、控制論等，在自動駕駛、人類博弈比賽等方面比較常用。
因此，從本質上說，機器學習解決的正是大數據的優化問題與算法的優化問題。而機器學習算法又是一類從數據中自動分析獲得規律，并利用規律對未知數據進行預測的算法。因此，機器學習總是和大數據相伴而生。
在數字孿生體中，物聯網的一項重要作用就是收集來自物理世界的數據，這種數據往往具備大數據特征。數字孿生體使用這些數據的一種模式就是通過機器學習技術，在物理機理不明確、輸入數據不完備的情況下對數字孿生體的未來狀態和行為進行預測，盡管這種預測未必準確，但相比一無所知，這種預測仍具有價值。而且隨著數字孿生體的進化，這種預測會越來越逼近真實世界的情況。
3.區塊鏈
區塊鏈在本質上是一個去中心化的分布式數據庫，能實現數據信息的分布式記錄與分布式存儲，它是一種把區塊以鏈的方式組合在一起的數據結構。區塊鏈技術使用密碼學的手段產生一套記錄時間先后的、不可篡改的、可信任的數據庫，這套數據庫采用去中心化存儲且能夠有效保證數據的安全，能夠使參與者對全網交易記錄的時間順序和當前狀態建立共識。
通俗地講，區塊鏈就是由以前一人記賬的模式，變成了大家一起記賬的模式，讓賬目和交易更安全，這就是分布式數據存儲。實際上，與區塊鏈相關的技術名詞除分布式存儲外，還有智能合約、加密算法等。
區塊鏈由兩部分組成，一部分是“區塊”，另一部分是“鏈”，這是以數據形態對這項技術進行的描述。區塊是使用密碼學方法產生的數據塊，數據以電子記錄的形式被永久儲存下來，存放這些電子記錄的文件被稱為“區塊”。每個區塊都記錄了幾項內容，包括神奇數、區塊大小、數據區塊頭部信息、交易數、交易詳情。
每個區塊都由塊頭和塊身組成，塊頭用于鏈接上一個區塊的地址，并且為區塊鏈數據庫提供完整性保證；塊身則包含了經過驗證的、塊創建過程中發生的交易詳情或其他數據記錄。
區塊鏈的數據存儲通過兩種方式來保證數據庫的完整性和嚴謹性：第一，每個區塊上記錄的交易都是上一個區塊形成之后，該區塊被創建前發生的所有價值交換活動，這個特點保證了數據庫的完整性：第二，在絕大多數情況下，一旦新區塊完成并加入區塊鏈后，則此區塊的數據記錄就再也不能改變或刪除，這個特點保證了數據庫的嚴謹性，使其無法被篡改。
鏈式結構主要依靠各個區塊之間的頭部信息鏈接起來，頭部信息記錄了上一個區塊的哈希值（通過散列函數變換的散列值）和本區塊的哈希值。本區塊的哈希值又在下一個新的區塊中有所記錄，由此完成了所有區塊的信息鏈。
同時，由于區塊上包含了時間戳，區塊鏈還帶有時序性。時間越久的區塊鏈后面所鏈接的區塊越多，修改該區塊所要付出的代價也就越大。區塊采用密碼協議，允許計算機（節點）網絡共同維護信息的共享分布式賬本，而不需要節點之間的完全信任。
該機制可以保證，只要大多數網絡按照所述管理規則發布到區塊上，則存儲在區塊鏈中的信息就可被信任為可靠的。這可以確保交易數據在整個網絡中被一致地復制。分布式存儲機制的存在，通常意味著網絡的所有節點都保存了區塊鏈上存儲的信息。借用一個形象的比喻，區塊鏈就好比地殼，越往下層，時間越久遠，結構越穩定，越不會發生改變。
由于區塊鏈將創世塊以來的所有交易都明文記錄在區塊中，并且形成的數據記錄不可篡改，因此任何交易雙方之間的價值交換活動都是可以被追蹤和查詢到的。這種完全透明的數據管理體系不僅從法律角度看無懈可擊，也為現有的物流追蹤、操作日志記錄、審計查賬等提供了可信任的追蹤捷徑。
數字孿生體是典型的數字資產。在眾多數字孿生技術應用的過程中，必然存在數字資產的交易。區塊鏈提供的去中心化的交易機制就能很好地支持分布、實時和精細化地進行數字資產交易，因此其可以成為數字孿生體最佳的資產交易媒介。同時，該交易機制也能引入信任度，持續保持透明度，很好地支持數字資產交易生態系統的參與主體，包括數字資產的采集、存儲、交易、分發和服務各個流程的參與者。最后，去中心化數據交易網絡也需要在可擴展性、交易成本和交易速度方面有所突破，由此才能加速推動數字資產的商用化。
第三節 數字孿生的價值
一、數字孿生的五大特點
技術的集成成就了數字孿生的誕生，相較于其他單一的數字技術，數字孿生呈現出互操作性、可擴展性、實時性、保真性和閉環性五大特點，而這五大特點最終融合成數字孿生技術所擁有的優勢——虛實映射和全生命周期管理。
（1）在互操作性上，數字孿生中的物理對象和數字空間能夠雙向映射、動態交互和實時連接，因此數字孿生具備以多樣的數字模型映射物理實體的能力，具有能夠在不同數字模型之間轉換、合并和建立“表達”的等同性。
（2）在可擴展性上，數字孿生技術具備集成、添加和替換數字模型的能力，能夠針對多尺度、多物理、多層級的模型內容進行擴展。
（3）在實時性上，數字孿生以一種計算機可識別和處理的方式管理數據，以對隨時間軸變化的物理實體進行表征。表征的對象包括外觀、狀態、屬性、內在機理，形成物理實體實時狀態的數字虛體映射。
（4）數字孿生的保真性是指描述數字虛體模型和物理實體的接近性，要求虛體和實體不但要保持幾何結構的高度仿真，而且在狀態、相態和時態上也要仿真。
（5）數字孿生中的數字虛體是用于描述物理實體的可視化模型和內在機理，以便對物理實體的狀態數據進行監視、分析推理、優化工藝參數和運行參數，實現決策功能，即賦予數字虛體和物理實體同一個大腦。因此，數字孿生還具有閉環性。
二、虛實映射和全生命周期管理
正是基于數字孿生的五大特點，加之社會需求的同頻，使得數字孿生作為一種超越現實的概念，被視為一個或多個重要的、彼此依賴的、裝備系統的數字映射系統，在近幾年里熱度不斷攀升。
其中，虛實映射是數字孿生的基本特征，也是數字孿生價值的重要體現。虛實映射通過對物理實體構建數字孿生模型，實現物理模型和數字孿生模型的雙向映射。這對于改善對應物理實體的性能和運行績效無疑具有重要作用。
事實上，對于工業互聯網、智能制造、智慧城市、智慧醫療等未來的智能領域來說，虛擬仿真是其必要的環節。而數字孿生虛實映射的基本特征，則為工業制造、城市管理、醫療創新等領域由“重”轉“輕”提供了良好的路徑。
以工業互聯網為例，在現實世界中，檢修一臺大型設備需要考慮停工的損益、設備的復雜構造等問題，并安排人員進行實地排查檢測。顯然，這是一個“重工程”。而通過數字孿生技術，檢測人員只需對“數字孿生體”進行數據反饋，即可判斷現實實體設備的情況，達到排查檢修的目的。
美國通用電氣公司就借助數字孿生這一概念，提出物理機械和分析技術融合的實現途徑，并將數字孿生應用到其旗下航空發動機的引擎、渦輪，以及核磁共振設備的生產和制造過程中，讓每臺設備都擁有一個數字化的“雙胞胎”，實現了運維過程的精準監測、故障診斷、性能預測和控制優化。
聞名世界的雷神山醫院便是利用數字孿生技術進行建造的。中南建筑設計院的建筑信息建模（Building Information Modeling，BIM）團隊為雷神山醫院創造了一個數字化的“孿生兄弟”，采用BIM技術建立雷神山醫院的數字孿生模型，根據項目需求，利用BIM技術指導和驗證設計，為設計建造提供了強有力的支撐。
近年來構建的數字孿生城市，更是引發了城市智能化管理和服務的顛覆性創新。例如，中國河北的雄安新區就融合地下給水管、再生水管、熱水管、電力通信纜線等12種市政管線的城市地下綜合管廊數字孿生體，令人驚艷；江西鷹潭“數字孿生城市”榮獲2019年全球智慧城市大會的全球智慧城市數字化轉型獎。
此外，由于虛實映射是對實體對象的動態仿真，也就意味著數字孿生模型有著一個“不斷生長、不斷豐富”的過程：在產品全生命周期中，從產品的需求信息、功能信息、材料信息、使用環境信息、結構信息、裝配信息、工藝信息、測試信息到維護信息，不斷擴展，不斷完善。
數字孿生模型越完整，就越能逼近其對應的實體對象，從而對實體對象進行可視化、分析、優化。如果把產品全生命周期的各類數字孿生模型比喻為散亂的珍珠，那么將這些珍珠串起來的鏈子，就是數字主線（Digital Thread）。數字主線不僅可以串起各個階段的數字孿生模型，還包括產品全生命周期的信息，確保在信息發生變更時，各類產品的信息能保持一致性。
在全生命周期領域，西門子借助數字孿生的管理工具——PLM（Product Lifecycle Management，產品生命周期管理）軟件將數字孿生的價值推廣到多個行業，并在醫藥、汽車制造領域取得了顯著的效果。
以研發及生產葛蘭素史克疫苗的實驗室為例，通過“數字化雙胞胎”的全面建設，使復雜的疫苗研發與生產過程實現完全虛擬的全程“雙胞胎”監控，企業的質量控制開支費用降低13%，返工和報廢率降低25%，合規監管費用也降低了70%。
從虛實映射到全生命周期管理，體現了對各個行業都能廣泛應用的數字孿生場景。2018年發表的《數字孿生及其應用探索》一文，歸納了包括航空航天、電力、汽車、石油天然氣、健康醫療、船舶航運、城市管理、智慧農業、建筑建設、安全急救、環境保護在內的11個領域45個細分類的數字孿生應用。[1]
這也使數字孿生成為數字化轉型進程中炙手可熱的焦點。Gartner和樹根互聯共同出版的行業白皮書《如何利用數字孿生幫助企業創造價值》中提到，2021年，半數的大型工業企業會應用數字孿生，從而使這些企業的效率提高10%；2024年，將有超過25%的全新數字孿生模型作為新loT原生業務應用的綁定項被采用。
三、為創新賦能
數字孿生同沿用了幾十年、基于經驗的傳統設計和制造理念相去甚遠，使設計人員無須通過開發實際的物理原型就可以驗證設計理念，無須通過復雜的物理實驗就可以驗證產品的可靠性，無須進行小批量試制就可以直接預測生產瓶頸，甚至不需要去現場就可以洞悉銷售給客戶的產品的運行情況。
因此，這種數字化轉變對傳統工業企業來說可能非常難以改變和適應，但這種方式確實是先進的、契合科技發展方向的，無疑將貫穿產品的生命周期，不僅可以加速產品的開發過程，提高開發和生產的有效性和經濟性，還能有效地反映產品的使用情況并幫助客戶避免損失，精準地將客戶的真實使用情況反饋到設計端，實現產品的有效改進。從這一角度來講，數字孿生還將具有前所未有的創新意義。
首先，數字孿生通過設計工具、仿真工具、物聯網、虛擬現實等各種數字化手段，將物理設備的各種屬性映射到虛擬空間中，形成可拆解、可復制、可轉移、可修改、可刪除、可重復操作的數字鏡像，這極大地加速了操作人員對物理實體的了解，從而“解封”了很多原來由于物理條件限制、必須依賴真實的物理實體才能完成的操作（如模擬仿真、批量復制、虛擬裝配等），更能激發人們去探索新的途徑來優化設計、制造和服務。
其次，數字孿生將帶來更全面的測量。只要能夠測量，就能夠改善，這是工業領域不變的真理。無論是設計、制造還是服務，都需要精確地測量物理實體的各種屬性、參數和運行狀態，以實現精準的分析和優化。但是傳統的測量方法必須依賴價格昂貴的物理測量工具，如傳感器、采集系統、檢測系統等，才能夠得到有效的測量結果，而這無疑會限制測量覆蓋的范圍，對于很多無法直接采集的測量值的指標往往愛莫能助。
而數字孿生卻可以借助物聯網和大數據技術，通過采集有限的物理傳感器指標的直接數據，并借助大樣本庫，通過機器學習推測出一些原本無法直接測量的指標。例如，利用潤滑油溫度、繞組溫度、轉子扭矩等一系列指標的歷史數據，通過機器學習來構建不同的故障特征模型，間接推測出發電機系統的健康指標。
最后，數字孿生還將帶來更全面的分析和預測能力?，F有的產品全生命周期管理很少能夠實現精準預測，因此往往無法對隱藏在表象下的問題進行預判。而數字孿生則可以結合物聯網的數據采集、大數據的處理和人工智能的建模分析，實現對當前狀態的評估、對過去發生問題的診斷，并給予分析的結果，模擬各種可能性，以及實現對未來趨勢的預測，進而實現更全面的決策支持。
第四節 數字孿生蔚然成風
作為第四次工業革命的一個戰略性的技術趨勢，數字孿生技術正在逐漸走向成熟并成為主流技術，這從近年來市場對數字孿生的期待中可見一斑。
2016年，美國信息技術研究分析公司Gartner率先把數字孿生列入物聯網超級周期。2017年，Gartner指出企業要“為數字孿生的沖擊做好準備”，并認為“數字孿生已經融合了多種因素，數字孿生的概念成為一種顛覆性趨勢，并將在未來五年乃至更長時間內產生越來越廣泛和深遠的影響”。Gartner在當時預測，到2021年，將有一半的大型工業公司使用數字孿生技術，從而使組織的效率提高10%。
2017年6月至7月，Gartner調查了美國、德國、中國、日本的已經提供物聯網解決方案或正在推行物聯網項目的202位受訪者，并收集了有關IoT部署的最佳實踐和開發IoT解決方案的策略信息。調查顯示，數字孿生可以幫助緩解一些關鍵的供應鏈的挑戰壓力。例如，在缺乏跨職能協作或缺乏整個供應鏈的可見性上，數字孿生可以幫助供應鏈應對這些挑戰。因此，對數字孿生的投資應以價值鏈為驅動力，以使產品和資產利益相關者能夠以更加結構化和整體的方式來管理產品或資產。
此外，根據2017年埃森哲公司針對150家全球領先的通信、媒體、高科技、航空及國防行業的公司高管進行的調研顯示，數字孿生已被大多數領先企業納入中長期戰略——90%的受訪者的公司正在對其現有的或新的產品和服務進行應用數字孿生的可行性評估。大多數公司高管認為數字孿生先行者將實現30%的收入增長。埃森哲公司預測，數字孿生的技術應用將在五年內實現翻倍。
2018年，在Gartner預測的新興技術炒作周期中，數字孿生成為炒作周期的頂峰。Gartner認為，數字孿生要用5～10年才趨于成熟。然而，事實是，數字孿生的成熟周期比Gartner預測的還要來得早一些。
基于此，2019年，Gartner對這一發展趨勢做了一系列的調研和分析。2019年2月，Gartner發布的研究報告顯示：數字孿生逐漸成為應用的主流，也就是說，數字孿生技術比預期更快地趨于成熟，并開始被更多領域重視和采用，特別是物流和供應鏈領域。
2019年9月，Gartner的分析師Alfonso Velosa團隊發表了《市場趨勢：軟件提供商逐步服務于新興的數字孿生市場》一文，研究了值得關注的軟件提供商后指出：數字孿生是企業數字業務項目中迅速興起和發展的一部分，技術和服務提供商需要建立其支持數字孿生的技術能力和產品組合，并加強其進入市場的戰略謀劃，以建立差異化的價值地位。
正如Gartner所認為的那樣，數字孿生技術正在成為主流應用。2017年，數字孿生技術出現在Gartner新興技術成熟度曲線的上升段；2018年到達曲線頂點；2019年未出現在曲線中，標志著它已不再是新興技術，而是進入了主流技術行列。而且，數字孿生技術不是一般的新興技術或主流技術，它從2017年到2019年連續三年入選Gartner十大戰略技術趨勢評選。戰略技術趨勢意味著具有重大顛覆性潛力的趨勢，正在從新興狀態中發展壯大，有望產生更廣泛的影響及應用范圍，或者正在以巨大的波動性迅速增長，并預計能夠在五年內跨越新興技術成熟度曲線的低谷，到達成熟應用的平臺期。
2019年2月，Gartner發布調查和預測，在實施物聯網的組織中，有13%的組織已經在使用數字孿生體，而62%的組織正在建立數字孿生體或正在計劃這樣做。2022年，超過2/3的實施物聯網的公司將使用數字孿生體。
2019年7月，Gartner發布數字政府技術成熟度曲線，“政府的數字孿生體”出現于曲線的起點；9月，美國首次召開智慧城市和數字孿生體融合研討會；10月，在Gartner發布的2020年十大戰略技術趨勢中，第一項——超自動化（指通過多種機器學習、軟件和自動化工具的打包組合來完成工作）就認為，在模型驅動的組織基礎上，實現組織的數字孿生是獲得超自動化全部收益的預先要求和前提。這些事件無不昭示著數字孿生已經開始進入深度開發和大規模擴展應用期。
2020年，在德勤發布的技術趨勢報告中，數字孿生已成為認知和分析最重要的技術應用趨勢。該報告引用Markets and Markets和IDC兩家公司的研究數據，顯示對數字孿生技術的探索已經展開：2019年數字孿生市場的價值為38億美元，預計2025年這一數字將增至358億美元。6年9倍多的增速，可謂是飛速發展。
2021年，據泰伯網不完全統計，有15家數字孿生、時空數據相關企業完成融資，總規模超10億元，而此次統計僅限于智慧城市空間數據服務企業，不含智慧醫療等專業領域企業，部分未公開金額則未估算。
例如，2021年1月15日，全棧時空人工智能企業維智科技宣布完成4000萬美元的A+輪融資，用于加強在時空人工智能領域的科技創新能力，加大核心時空數據和知識資產的建設和投入；3月，空間大數據公司星閃世圖宣布完成近億元的B輪融資，用于空間大數據與數字孿生產品技術的持續研發投入和全國范圍內的空間數據智慧應用業務拓展；9月，裝配式裝修企業變形積木宣布完成B+輪1億元融資，主要用于BIM智能化系統搭建與完善；10月，數字孿生平臺提供商Data Mesh（北京商詢科技有限公司）完成近億元的B1輪融資，欲打造工業、建筑場景下的“元宇宙”；同在10月，飛渡科技完成近億元的A輪融資，將專項用于數字孿生、BIM等關鍵核心技術的迭代研發及SaaS產品的推廣等。
正如2020年德勤在技術趨勢報告中指出的那樣：“數字孿生發展勢頭迅猛，得益于快速發展的仿真和建模能力、更好的互操作性和物聯網傳感器及更多可用的工具和計算的基礎架構等，因此各領域內的大小型企業都可以更多地接觸到數字孿生技術?！盜DC預測，到2022年，40%的物聯網平臺供應商將集成仿真平臺、系統和功能來創建數字孿生體，70%的制造商將使用該技術進行流程仿真和場景評估。
可以說，得益于物聯網、大數據、云計算、人工智能等新一代信息技術的發展，數字孿生的實施已經進入“快車道”，并逐漸被應用于制造業、交通、醫療等多個領域。物聯網、大數據等前沿技術的發展打破了數據孤島，把物理世界的數據快速傳遞到數字孿生世界。
數字孿生已經成為數字化的必然結果和必經之路。數字孿生所強調的與現實世界一一映射、實時交互的虛擬世界，也將日益嵌入社會的生產和生活，幫助實現現實世界的精準管控，降低運行成本，提升管理效率。
注釋
[1]陶飛，劉蔚然，劉檢華，等：《數字孿生及其應用探索》，《計算機集成制造系統》，2018年第24卷第1期，第1～18頁。