设想一下，一位工厂经理大清早上班，打开笔记本电脑或手机应用并问道，“今天我该注意哪些问题?”系统则立刻给出需要留意的情况，例如哪台机器可能意外停机、上个班次的工作耗时比预期要长，还有哪个部门还缺人手。
系统给出调整建议，工厂经理则结合实际情况参考并相应实施整改。
这样的场景绝非科幻小说，事实上，这项技术最快明年就将落地。截至本文撰稿之时，来自北卡罗来纳州的数字孪生技术专业公司Ultisim正与制造商伙伴合作开发这样一套系统，希望将来自机器、企业资源规划平台和众多其他信息源的数据结合起来。它采用类似ChatGPT的大语言模型界面，专注于解决制造商面临的种种现实问题。
Ultisim公司及其姊妹公司Tanjo(专注于机器学习和人工智能的算法构建模块)的CEO Richard Boyd表示，“我们的制造商合作伙伴会按订单规划生产工作，多样性让生产任务变得既困难又充满探索意义。如果能帮助他们解决这些现实问题，我们就一定能更轻松地突破其他现实阻碍。”
这种产品高度组合模型专门为金属定制化制造而生，因此Boyd计划将自家解决方案推向相应市场。在大多数定制工厂车间，每项工作都要通过特定的价值流执行路线逐步落地，涉及切割、弯折、五金、焊接、粉末涂装和装配在内的各流程负责部门，外加夹杂在生产路径当中的各类辅助操作。
根据Boyd的解释，组织中的每位成员都可通过专为不同角色和工作职能量身定制的“镜头”来查看数字孪生副本。也就是说，财务人员的观察视角就往往与销售、调度乃至生产计划人员有所不同。
此外，用于构建孪生模型的数据不会脱离其原始位置。
Boyd解释道，“我们需要的并不是庞大的数据湖。”相反，该系统只是在提取所需的各项数据，同时“将数据保留在原本位置。”企业最不想看到的就是把数据统统复制到单一中央位置，因为这种复制操作会导致同一数据拥有多个版本，进而带来各种不必要的复杂因素。
实现这一切有几个关键前提，首先就是数据的数字化转换。大多数制造商目前都已拥有能够采集大量数据的现代化机器，但在某些部门也往往仍在沿用陈旧、简单的旧有设备。这些固有设备长期存在，而且从成效上看仍然能很好地完成工作。唯一的挑战是需要配合额外的传感器对它们的操作做数字化监控(包括每小时或每分钟能够完成多少件成品、多少次下刀或多少次磨削)，但这一切在当下来说早已没什么技术门槛。
Boyd指出，“我们经历了传感器层面的技术革命”。
如今不少传感器根本不需要借助3D打印机来制造，只需使用相对古老的点阵技术即可打印完成。即使是光学传感器也很便宜，因此将其添加进旧机器不仅没有技术障碍、就连经济压力也不算大。
但Boyd提到实践落地当中仍有其他难题，比如所谓“暗数据”，也就是存在于孤立软件当中、未经共享也未受充分利用的数据。
多年以来，Boyd一直与各行业企业开展合作，包括那些拥有国防合同、要求使用全透明应用程序协议接口(API)的公司。这些合作有助于将暗数据转化为实用信息。
Boyd介绍称，信息分为“静止数据”与“活动数据”两大类，而这些数据已经在接受数字化标记，供AI和机器学习消费使用。
诚然，不少组织在多年积累的各类设施当中拥有着大杂烩般的多种系统。实体制造企业就是其中的典型代表，但其他许多行业也面临着类似的挑战。Boyd表示，“以医院为例，院方采购的系统往往无法相互集成、不会彼此共享数据，甚至连时间这项最基本的信息也彼此不相兼容。”
他补充说，如今某些系统提供商对于完整的数据访问服务正在收取高额费用。随着市场逐步了解数据中蕴藏的价值，这种做法可能会与其他技术障碍一道有所削弱。在Boyd看来，面对愈发明确的价值和财务回报，市场需求也在随之发生变化。Ultisim公司做出的数字化转型回报率已经令初始投资相形见绌，改造后的设施在某些情况下甚至有望带来10倍以上的收益。
要实现这个目标，整个生产体系不仅需要来自机器和软件系统的数据，更需要与人相关的信息。具体来讲，其中应当涵盖人们如何执行工作，如何走动以及如何与技术交互。Boyd将这些要素称为“人类编排”。
这里以车间模拟为例，测试从切割到弯折、再到焊接的物业作业流程。模拟期间还可能包含二次操作，例如对零件的光滑平面做抛光，甚至可能涉及硬件接入。在整个模拟流程中，规划人员可以了解操作员需要更换哪些工具、工具的对应存放位置、平均更换速度以及更换顺序如何影响整体生产流程。
数字孪生副本甚至可以预测更换对工厂其他区域造成的连锁反应，对于特定工作组合造成的影响乃至瓶颈。在产品高度组合这类生产流程中，车间在内每上线一种新的工作组合、都有可能带来新的制造效率瓶颈。
Boyd还提到，跟踪并优化人类员工活动看似有点“老大哥在盯着你”的窥探感，但实际情况并非如此。如果企业能把改进与正确的激励措施联系起来，就一定能推动运营文化步入全新阶段。例如，Ultisim公司就在制造业推动员工持股计划(ESOP)的测试案例，即通过改善公司的财务状况为员工们带来切实收益。
员工们还能感受到自身知识储备所对应的真实价值，因为这些指标都将被直接构建进系统当中。Boyd强调，使用数字孪生并不会消除对于小圈子专业知识的需求。其实从本质上讲，小圈子专业知识并不是件坏事，毕竟竞争对手只能买到相同的设备或者软件平台，但却买不来老员工们数十年间积累下来的实践经验。
在这里，AI与数字孪生这套组合实际上是在促进基于硬数据加小圈子专业知识的精确决策。在当前的测试案例中，Ultisim拜托一位即将退休的生产计划员对数字孪生提出的决策建议进行审查，再根据实际需求和知识积累进行调整。之后，调整结果会被反馈至系统当中、开展结果分析，并利用来自人员的知识及来自系统/机器的数据做进一步完善。
获取小圈子专业知识，对于训练新一代员工也至关重要。将这些知识与可操作信息结合起来，就能为年轻员工们提供支持其茁壮成长的必要工具。刚刚进入岗位时，他们往往不知道为什么要弯折这里、焊接那里，一切都在按主管的指令和要求进行。而在数字孪生的帮助下，他们能够纵览大局、获得特定观察视角，了解怎样把自己手头的工作做得更好。
更重要的是，数字孪生模型会与他们一同学习、携手成长，让这种持续提升和改进的流程成为常态。而这，无疑将开启一道通往健康职业道路与更高生产效率的新世界大门。
