眼球经济是依靠吸引公众注意力获取经济收益的一种经济活动，我相信很多人并不熟谙如何把公众注意力转化为Money，但在增强或减弱公众注意力这个问题上，绝大多数人的选择都趋于一致。所以当一项技术产生的开始，会出现大量的专家，站在不同的角度，不同的立场，对新技术进行诠释或是重新定义技术的外延和内涵。
01
从业十几年，和很多客户一起探索如何提升企业研发能力，国外的企业我不知道，但是中国这块土地上，我确信没有一家企业真正的建立起系统的数字孪生技术架构。而当“数字孪生”逐渐成了一个时髦的名词时，也涌现出一大批关于数字孪生的技术专家，写过很多相关的文章，对数字孪生技术的外延和内涵也不尽相同。
数字孪生（Digital Twin）最早应该追溯到NASA的John Vickers对物理实体和其数字镜像的命名。而其概念的来源，业界一般认为，是由密西根大学Michael Grieves教授于2002年针对产品全生命周期管理(PLM)提出的，当初并不叫Digital Twin，而是叫镜像空间模型(Mirrored Space Model,MSM)。
工业仿真软件巨头ANSYS对数字孪生的定义：“从高层次来说，它是创造物理对象的数字化表达形式；从根本上讲，它是为真实世界的资产设备创建数字模型，并将实际的性能数据与企业所拥有的与该特定资产设备有关的整套数字信息充分结合。”
图一Digital Twin（图片来源，ANSYS）
ANSYS趋向用数字化技术去动态镜像真实世界的资产设备，以期预测和优化资产设备的运行状态并提供预警。ANSYS期望使用数字原型和数字探索技术，不仅仅在产品的研发范畴，更要逐渐扩展到依托仿真驱动的工程领域。CAE在传统上一直被用于产品开发和虚拟实验，而结合数字孪生技术，CAE将在整个产品的生命周期过程中，发挥其蕴藏的巨大价值。
2007年，工业自动化巨头西门子收购了PLM软件UGS，从此一直没有停止并购的脚步，其背后的重要原因之一，也是因为西门子深刻认识到数字孪生的价值。西门子把数字孪生分成三大部分，产品数字孪生，生产数字孪生和设备数字孪生。西门子认为：数字孪生技术是“将带有三维数字模型的信息拓展到整个生命周期中的影像技术，最终实现虚拟与物理数据同步和一致”，它可以“发现潜在问题、激发创新思维、不断追求优化进步”。“数字孪生技术帮助企业在实际投入生产之前即能在虚拟环境中优化、仿真和测试，在生产过程中也可同步优化整个企业流程。”
图二（图片来源，西门子）
西门子按照产品的生命周期，从研发，生产及产品使用的角度，去定义数字孪生技术，实际上是沿用信息化的概念，产品数字孪生是把实验室搬进电脑，生产数字孪生是把工厂搬进电脑，设备数字孪生是把产品维护搬进电脑。而原先的这几个系统相对独立，形成信息孤岛，西门子通过系统整合，使得产品相关数据在产品的整个生命周期中保持统一，把原先相对孤立的信息化子系统连接起来，消灭信息孤岛，再辅助云计算，大数据，虚拟现实等技术，从而形成一个完整的闭环系统，使得企业的整体智能化运营成为可能。
而另一个PLM软件巨头达索在诠释数字孪生时则更注重于知识管理。达索认为，无论时什么行业的产品，都可以通过数字孪生技术建立虚拟世界的产品设计模型，从而优化物理世界的产品实体。
图三(图片来源，达索)
达索3D EXPERIENCE平台利用知识管理和相应专业技术将所有技术和功能集成到统一的数字化系统当中以应对日趋复杂的创新挑战，实现从概念设计，详细设计，生产制造直至产品维护、回收等产品的全生命周期的数字连续性，企业集成该平台的应用，创建数字孪生，从整个生态系统中获取创新动力和专业知识，从而评估和预测工业资产的绩效，并以智能化的方式帮助企业优化自身的运营。
02
尽管角度不同，概念上也存在一些差异，但是我们可以提取出数字孪生技术的几个重要的关键词：仿真，集成，全生命周期，创新，智能化。
也就是说数字孪生技术最终指向的是企业智能化，在这个点上，所有对数字孪生的定义都是一致的。
而企业智能化的定义和数字孪生一样，也有不同的外延和内涵。我们现在也无法给出企业智能化的一个准确定义，尽管如此，业内在企业智能化水平决定企业的未来这一论断上，毫不怀疑。
百度制造业的定义——是指机械工业时代利用某种资源（物料、能源、设备、工具、资金、技术、信息和人力等），按照市场要求，通过制造过程，转化为可供人们使用和利用的大型工具、工业品与生活消费产品的行业。随着市场供求关系的演变，企业的创新能力逐渐成为企业核心竞争力的关键甚至是决定性的因素。
而知识积累，知识管理乃至知识工程是企业创新能力提升的最主要的方法。达索的数字孪生技术的解释正是从这个角度切入的。
最早的知识传承是人传人（不是冠状病毒），俗称传帮带，老师傅积累的经验，看着哪个徒弟比较顺眼，倾囊相授，一代一代的积累。即使在现代企业中，这种传帮带依然存在，一些Know How，不能用言辞表达的技艺，师傅教徒弟还是主要的传承方式。从企业的角度，企业具备行业经验，可以少走弯路，做出高质量的产品。
然而传帮带的效率太低，不易流转，企业开始建立相应的项目文档，希望尽可能的记录企业的各种知识。对具体技术或者产品，分门别类，形成各种各样的技术文档，希望后来人可以学习和借鉴，记得大学里学过一门课叫《文献检索》，主要的技术就是如何快速准确解决问题需要的信息和知识。
书本或者文献作为知识传承的主要载体，是有很多缺点的：
l长时间保存困难；
l可流传性依然不够理想；
l对知识的表达不够完备，会损失很多有效的信息；
l人们在学习这些知识的时候，会带上主观的认识，从而不能忠实的重现原知识；
l太多的知识，学习也非常困难；
l知识都有一定的局限性，很少有文档会记录如何使用这些知识。
于是人们用信息化的手段去弥补上述不足，大规模的磁盘阵列不仅仅可以记录结果数据，还可以按照要求记录中间数据。数据库和搜索引擎的开发，提高了文献的有效性和针对性，有一些还有智能学习和自动推送的功能。
信息化，自动化，知识管理，这样的企业还做不到智能化。若是企业想实现智能化，需要知识管理到知识工程的转变。
什么是知识工程？
“知识工程的主要研究方向包含知识获取，知识表示和推理方法等，其研究目标是挖掘和抽取人类知识，用一定的形式表现这些知识，使之成为计算机可操作的对象，从而是计算机具有一定的人类智能”。（施荣明赵敏孙聪著《知识工程与创新》航空工业出版社，P25）
而“数字孪生技术”是知识工程最完备的知识表现形式。
简单总结数字孪生技术的特点：
l数字孪生技术对物理实体各类数据进行集成，数字模型是物理实体的忠实镜像；
l数字孪生技术作用于物理实体的全生命周期，与其共同进化，并不断积累相关知识；
l数字模型不仅仅是物理实体的数字化描述，而且能够基于数字模型优化物理实体，从而提高创新的效率，提升产品的性能。
可以看出，数字孪生技术的核心，是CAE（这里的CAE泛指包含结构，流体电磁等各物理场和多物理场的数字仿真技术）和V&V技术。通过仿真建立物理实体的数字模型，通过V&V保证数字模型的精度，我们用仿真来做虚拟实验，而只有在精度可控的前提下，仿真才有其实际的物理意义。
而V&V技术又包含几个条件：
l统一的测试标准和精准的测试设备——保证测试结果的重复性；
l稳定而鲁棒性好的工具软件——保证仿真结果的重复性；
l对物理实体的原理性的理解——保证仿真流程的合理性；
l理解各种边界条件和仿真结果之间相关性——快速得到可重复，可再现的等效参数。
在V&V的过程中会需要和产生大量的高附加值的知识，我们用数字孪生技术将这些知识会封装在数字模型里面，用这些动态的知识来准确预测物理实体的未来，到这个时候，我们才揭开数字孪生技术所蕴藏的巨大价值的面纱。
图四Digital Twin的实际应用
数字孪生技术的道路其实很漫长，我们要做大量的V&V项目，建立不同等级的数字模型，把确认的流程的知识编成程序，最终用知识工程技术去挖掘，流传，重用这些知识，逐步实现企业的智能化。
03
先讲一个案例。某汽车零部件（T1）提供商的销售人员跟踪某车型配套的空调项目的竞争，前期做过多次交流，基本上确定了空调箱系统的相关参数和价格。该销售人员再次拜访主机厂，目的自然是想一举拿下这次的配套。就在这个关口，主机厂项目人员提出要更改风道的要求，原因是从整车设计上要增加一组车用的控制器来进一步提升整车的性能。销售人员随即打开电脑，按照更改要求在原有的设计上更改了相关参数，生成了更改后的三维效果图，销售人员又连接到公司的服务器上，远程打开公司的空调仿真程序，在更改后的几何上进行相应设置，并递交了仿真请求…….
40分钟后，仿真完成。
根据仿真的结果，销售人员提醒主机厂项目人员，如果按照他们的要求更改，压降可能会增加5.6%，均匀性也存在隐患，需要增加风机的功率，并且可能要换成柔性更好的管道。这样，总项目成本要上升10%左右。
以上的案例是一个虚拟的案例（取材于和某客户的高层的一次交流，万分感谢），而如果真的达到这样的场景，需要几个关键技术：
Ø远程办公系统（这个不难，现在很多IT公司都能实现）
Ø参数化绘图程序
Ø定制的仿真程序（只要经过数小时的培训就能学会的仿真程序）
Ø风道模型被V&V的仿真计算
Ø虚拟现实
Ø成本计算程序
且不说销售人员这种眼花缭乱的操作对客户的心理冲击，如果某供应商面对客户要求的响应速度能提升到如此之迅速，对于其他供应商来说，竞争游戏无疑已变成了降维打击。我想这样的系统，大多数企业可能是无法拒绝的。
CAE和V&V结合，使得数字模型不仅仅是物理实体现状的数字表达，同时也能高精度的预测物理实体的状态在时间轴上的变化。数字模型不仅仅有物理实体的现状参数（质量，长度，速度，场等物理量），还封装了相应的科学定律和等效或近似的科学公式等知识，使得数字模型和物理实体实现同步。数字孪生的价值在于它不仅仅能准确表达物体的根本属性，还可以根据自然界的变化规律和逻辑去演绎，从而可以预测系统随着时间变量而变化的各种参数。仿真和V&V使得数字孪生技术为企业产生巨大价值，从而彻底颠覆企业原有的运营方法和运营流程。
企业运用CAE技术的形式是不断变化的，最早的CAE是一项专门的技术，能熟练运用的人才不多，CAE部门是一个专业部门为设计部门服务，企业的流程大致是这样的。
图五传统企业的研发总线
CAE是研发的一个环节，可以减少物理试错，提供正确的设计方向。随着企业对CAE的运营和理解，发现CAE不仅可以为产品的CAD设计阶段提供帮助，同时也可以在企业运营的各个环节提供指导意见，于是企业流程发生了巨大的变化。
图六大量运用CAE技术的企业研发总线
由于CAE的试错成本极低，而且通过工具软件和数字孪生技术，甚至可以找到超出企业的知识和经验的更优的设计方案。于是在企业的每一个环节，CAE和原有的工作交互迭代，虚拟空间探索，物理世界验证。
理论上这样的架构很不错，实践操作是却发现有一些问题。
Ø由于CAE工作具有一定的技术壁垒，CAE的人员成本相对较高，企业在CAE软件和人力资源的投入方面，必须谨慎；
Ø产品复杂多样，客户要求也瞬息万变，而CAE人员不可能对所有的产品都能有深刻的理解，即使能熟练掌握CAE技术和工具，也不能满足企业的仿真需求；
ØCAE的工作频率和其他的部门也不一样，在企业资源协调和分配上，也是一个头疼的问题；
Ø部门之间的协作也是一个问题，因为工作是交互迭代的，工作界限划分也很难完全清晰，工作成了皮球，在部门之间，被踢来踢去。
CAE部门不得不根据自己的喜好，公司的压力等因素去选择性地做一些CAE工作，这样数字孪生的价值无法充分释放。
而“两C融合”提出了一个新的概念，常规的CAE工作，由原部门自己完成（关于两C融合，请参考本公众号另一篇文章《也谈CFD和CAD的“两C融合”——未来的企业CFD模式》）。
图七企业智能化系统
如上图所示，每一个环节内部做循环，形成“方案-仿真-优化-验证-知识工程”这样的一个数字孪生闭环，数据在企业云中无缝链接，流传，重用，优化，验证，逐步增强。
概念设计阶段，数字孪生闭环可以一次性完成产品的技术规格书，提供系统的合理性。
详细设计阶段，数字孪生闭环可以在大幅降低实验的次数情况下，得到更合适，更优化的方案。
工艺设计阶段，数字孪生闭环可以解决工艺的可行性和稳定性的问题。
生产制造阶段，数字孪生闭环可以模拟生产时的边界条件及生产设备的稳定性，减低制造成本，提升产品的可靠性。
销售物流阶段，数字孪生闭环可以推送全方位的信息，提升客户反馈速度，增强客户信心（如一开始的案例）。
售后维护阶段，数字孪生闭环可以监控产品的运行状态，优化产品的使用寿命，甚至改变销售模式，有卖断转向更灵活的租用。
以上只是数字孪生技术的冰山一角，随着数字孪生技术不断应用，仿真技术不断发展，未来的应用将超出现阶段人类的想象。
同时企业云平台又会有一些职能系统不断拓展企业的知识。
情报部门会关注新技术，保证企业的知识有源源不断的活水。
创新创意中心，会从技术驱动和市场驱动两个维度，预测未来的市场需求，从而定义适度超前的产品研发，确立竞争优势。
虚拟研发中心是数字化企业的核心部门，也是知识工程的实施部门。
ü对知识进行数字化，标准化，层次化，结构化；
ü定义各种数字模型和流程，既有的数字模型可以大大提高仿真效率；
ü开发简单易用的仿真程序，规范仿真流程并保证仿真结果；
ü知识挖掘，来源有多种，外部的，企业内部的创新和过程数据，大量的创新活动数据分析后的结果等等；
ü数据库和数字模型库的维护和更新。
数据库用来存储和重用企业的知识，开发搜索引擎或者主动知识推送系统
数字模型库用来管理和维护数字孪生体，同样也可以开发搜索引擎或者主动模型推送系统。
数字孪生技术还有一个重要的特点：尽管系统看上去非常的庞大，但不是不可拆分。每一个环节独立运行，也能发挥一定的价值。事实上，这个庞大的系统，正是先有多个子系统在企业已经发挥了巨大作用，而人们发现如果打通子系统之间的壁垒，其应用价值将会几何级数的增长。我们建设该系统的立足点，也应该是长远规划，逐步实施。
数字孪生技术将改变企业的决策流程，依托强大的智能化系统，决策来源于可靠的预测，减低企业的风险。
数字孪生技术将改变企业的运作方式，从前无法做的，或是需要高成本才能实现的企业应用，现在都变成了可能。
数字孪生技术能充分了解客户需求，有的放矢地开发产品，创新性的改变运营和服务的方式，提升用户体验。
数字孪生技术使得企业和企业外部环境可以充分的交流和沟通，企业自身也是环境的一部分，企业和客户，企业和企业，企业和行业，企业和世界之间的距离缩短为零，从而使得社会资源能得到更合理的利用。
想象一下，文章开头的故事，那个销售人员，可能是一个机器人，那么在病毒肆虐的今天，他一样可以出门拜访客户，维持公司正常的运营，甚至比人做得还好（至少省口罩）。
未来已来，你准备好了吗？
04
小时的生活的地方是一个独立初中，学校是农业中学，会长很多农作物包括水果蔬菜。学校最南边是一个公厕，公厕上面长了很多丝瓜，仗着体型小灵活，爬上屋顶摘丝瓜的任务一般都是我的。然而丝瓜太多，有一些来不及吃的，就长成了很大很粗，口感变差甚至无法吃了，那时候就想，如果能让丝瓜只长长，不长粗，岂不是很妙？
现在逛菜场到处都是那种长长细细的丝瓜，然后吃起来却没有以前的丝瓜的味道。小时候长长的细细的丝瓜好吃，短短粗粗的丝瓜不好吃，误以为长长细细就是美味的充分条件，实际上，只有在特定的条件都具备的情况下，长长细细才能等于美味。
数字模型也是一样，数字孪生体通过工程参数等数据来表达模型，一个数字模型会包含很多工程参数，模型的功能和工程参数之间的映射需要从工程原理出发，使用科学和工程技术对数字模型进行演绎，从而展示和预测数字模型能表达的物理意义，并在物理世界去验证。
比如水银或者酒精温度计，用来测量温度，我们看到的是液体体积的变化，利用的是液体的温度和体积膨胀的对应关系，如果这个对应关系不成立（用水银温度计去测量低温，或者用酒精温度计去测量高温），那么结果就不对了。
从这个角度看，数字孪生体是知识的封装方式，建立数字孪生体实际上就是知识管理。虽然我们在实践中运用这些数字孪生体的时候，并不会关注这个数字孪生体背后封装的知识，但我们在建立数字孪生体的方法论上，就必须首先尊重科学和技术。
这里面有几个层面的知识，第一种是工程技术，直接用来改造物理世界的知识；第二种是技术科学，是提炼一些共性工程技术的理论；第三种就是基础科学了，这也就是任总说的，企业研发要砸数学家，物理学家，化学家等等。
举个栗子，我们设计某一个特定功能的电路图，这个是工程技术，而应用的技术科学是电工学，对应的基础科学是物理。
问题来了，既然数字孪生体是知识的封装方式，那么如何封装不同层次，不同技术领域的知识，封装后的数字模型之间是什么关系，企业又是如何运用这些数字孪生体为企业创造何种价值。
这些问题是企业导入数字孪生体将要面对的难题，不解决这些问题，数字孪生体永远是飘在空中的一些时髦的概念而已。
在尝试探索这些问题背后的逻辑之前，我们先回到企业智能化这个命题上。
企业智能化转型已经成为世界的共识，无论是德国的工业4.0，还是美国的AMP（Advanced Manufacturing Partnership，先进制造合作体），或者是中国的制造业2025，其核心目标都是企业智能化。
智能化的进化轨迹大概是机械化-电气化-自动化-智能化，机械化解决的是手工劳动中的问题，从作坊到工厂；电气化解决的是机械化生产组织无序凌乱的问题，实现了产品和零部件分离；自动化是应用的电子信息技术，实现了大规模的自动控制，生产效率，良品率，分工协作，以及设备的使用和维护等都得到了前所未有的提高；按照这个逻辑，智能化显然是为了解决自动化不能解决的问题，那么都存在什么问题？
现在制造业四大关键部门，研发，生产，市场，销售，我们可以以每个部门的角度先罗列一下。
研发部门面临的挑战，可以分为几大类。
战略问题：
●研发战略不清晰，是否有技术路线图？
●技术进化方面研究很少，无法准确预测未来的技术；
●知识产权战略，如何屏蔽竞争对手，如何规避专利风险？
客户端的问题
●难以理解客户需求；
●难以发掘和引导客户潜在需求；
●市场反应速度不强；
能力问题：
●需求定义，难以转化成工程参数；
●关键技术突破，缺乏有效的方法，主要依靠试错，但是试错法效率偏低；
●解决问题是为了应付销售或者其他部门，没有解决所有问题，没有从根本上解决问题，甚至没有系统的分析，存在潜在风险；
●研发团队缺乏降本意识，降本也是依靠试错，缺乏方法论；
●缺少资源分析，或者没有把资源分析提升到公司层面。
知识管理方向：
●数据整理，方案评价，数据重用等还比较初级，甚至融入感情因素；
●企业知识来源比较单薄，存在思维定式；
团队协作问题：
●实验室-生产，科技成果转化过程中，成本偏高，且不可控。甚至不能量产；
●缺乏系统思考，甚至研发团队内部，存在资源冲突；
●技术尤其是优势技术的产品化，横向推广缺乏有效的方法。
生产部门面临的问题。
●如何编制工艺方案；
●如何从技术经济角度去评价现有工艺方案，缺乏有效的改进方法；
●原材料物流控制和损耗控制；
●生产排程；
●生产计划执行，质量管控；
●人员培训，考核和激励；
●人机交互；
●设备运行状况监控，预测与维护；
●安全管理。
市场部门面临的问题。
●变成职能部门，受限于日常事务，缺乏创造力；
●对外的窗口展示陈旧老套，缺乏有冲击力，创造力的企划方案；
●客户需求的理解和引导，受限于技术瓶颈；
●停留在显性信息的收集和整理，缺少对未来预测的能力；
●缺乏市场应变能力；
●缺乏综合处理来自各方面信息的能力。
销售部门面临的问题。
1、缺乏系统的理论支撑；
2、关系型销售，未来将面临前所未有的挑战；
3、很难制定公平的销售激励机制，开拓性不强；
4、缺乏全局视野，销售行为短期目的性太强；
5、缺乏构建双赢或者多赢结果的能力；
6、销售模型缺乏，过程管理不科学；
7、缺乏量化的监控指标，销售结果难以预测；
8、自我积累缺乏，跨部门运作能力不够；
当然这还是当中问题的一部分，可能还存在其他的问题。企业的自动化实际上已经解决了生产部门大部分的问题，然后自动化不能完全替代人，在生产过程中很多和人相关的问题，还是没有办法得到有效的解决，而研发的问题基本上是自动化无法解决的，而市场和销售的问题，其中的大部分是智能化现阶段也不能完全解决的问题。
图八，企业智能化
自动化聚焦于生产，着眼于管理，用信息化技术通过流程定义实现自动化，解决的是效率的问题。智能化聚焦于研发，着眼于创新，用数字化技术通过数字孪生体实现智能化，解决的是能力的问题。
智能制造的核心是研发。
一个巨大变化将会发生，现在的企业，研发工作主要集中于研发部门，研发部门的员工相对去其他部门，平均学历更高，工资也更高。由于研发工作的不确定性，大家都把研发比做“烧钱”的部门，这也使得众多企业在投入研发的时候，态度并不积极，而是小心谨慎，如履薄冰。而未来的企业，没有像现在这样一个专门的研发部门，研发工作融入到企业的设计，生产，销售，维护等其他部门中，研发无所不在。
对未来企业的数字布局做了一些修改，企业私有云和公众云之间不断有数据交互，甚至有合作形成混合云，而企业的数据中台支持企业的所有的运作部门，知识在企业活动中，被产生，挖掘，规范，存储，流转，推送，重用，并不多产生组合成新的知识。
图九未来企业数字布局
整个企业的数字架构，并不是突然形成的，而是循序渐进的。企业准备做数字化转型，必须面对如何处理企业自身的数据，而这些数据大概可以分为几类。
Ø历史数据，知道其来源，也知道其去向(知道是什么，也知道怎么用)
Ø历史数据，知道其来源，不知其去向，或者不完全知道其去向（知道是什么，不知道该怎么用，或者把这些数据用好）
Ø历史数据，不知道来源，不知道去向；
Ø未知数据，企业未来解决问题，需要从哪里采集，并送到那里去。
而这些数据之间的关联和逻辑，就很少有人去关心这些问题了。而数字孪生体的作用，就是可以把这些数据规范化，结构化，这样便可以在企业的实际活动中，运用这些数字孪生体去解决自动化不能解决的问题。而构建这些数字孪生的两大关键技术，就是仿真和人工智能。
图十数字孪生体的两大关键技术
因为仿真产生的是未知的知识，而AI可以让知识得到最大限度的挖掘。
05
列举数字孪生技术所包含的技术类别，可以粗略的分为物联网，云计算（包括雾计算，边缘计算等），工业软件，人工智能，虚拟现实技术，知识管理（工程技术，技术科学，基础科学），传感器技术，高精度测量设备，智能化工业设备等等。
这些技术用来构建企业的智能化平台，解决智能化平台所需要的数据采集，传输，算力和算法等问题。一个企业就好比是一个大型的智能机器，工业大脑是企业的核心，工业大脑需要从数据采集终端得到企业运行的即时数据，并指挥企业内部分布在相应位置的具有算力的计算单元（包括工业大脑本身），实时对企业的现状进行计算，评价，决策，并发布执行指令，由机器或者通过人机交互系统，转而由人来执行。
图十一数据驱动的工业大脑
工业大脑是企业算力的总和，运行并协同企业的全部算力。
Ø计算中心
企业核心算力，处理大型复杂的计算
Ø各种专业服务器
通信，如IoT，LAN/WAN等，管理系统，如ERP，MES等，设备运行和监控，如PLC，工业机器人等，工业软件，CAD，CAE等，检测设备，检测温度，压力，电参数等，虚拟现实，AR/VR等，人工智能，知识管理，数据安全，以及其他应用服务等等
Ø各种智能终端
手机，平板，手持设备，智能穿戴设备，智能传感器等等。
数据库存放海量数据，标准化，规范化，知识化，彼此关联
Ø传感器采集的实时数据
原始数据，处理以后变成企业需要的标准化规范化的数据。
Ø可直接获得或者间接获得的数据
文献，行业数据，专家系统，材料数据，历史文档，实验数据，情报。
Ø工业软件运行相关数据
标准化数据，数字孪生体，标准化的流程，算法，定制软件。
Ø工业软件产生的新数据
虚拟实验数据，人机交互，决策。
算法是企业智能化水平的集中体现
Ø管理算法
企业管理系统。
Ø运营算法
企业运作系统。
Ø操作算法
设备，检测，设计，研发，生产，维护，销售，市场。
Ø智力资产
知识挖掘，传输，标准化，关联，存储，重用，推送。
所以数字孪生体也可以分为多个层次，依赖不同的技术。
图十二数字孪生体的应用层次。
需要强调的是，管理信息系统关心的是业务，是纵向的，底层数据并不完全需要关联。和以前信息化系统Top-down相比，智能化的系统变成了bottom-up，操作层的形成的数字模型是企业知识管理的基石，而数字模型依赖于仿真和验证。
我们需要重新审视仿真这个关键技术，这里的仿真已经不是某一个工程师应用一个仿真软件，去做一个不确认的仿真结果，得到几张彩色的图片。
未来的仿真模型首先应该是被V&V的，是虚拟实验，仿真结果是可以信赖的。特定仿真的流程是被固化的，对应是企业各个环节需要解决的问题模型。以设计工程师为例子，设计工程师执行的应该是：“初始设计”-“仿真”-“优化”-“验证”-“知识管理”这样一个研发闭环。仿真不再是小部分CAE工程师的行为，而是公司内部需要利用虚拟实验来解决问题的所有工程师必须经过的研发环节，长期海量仿真和大量优化后的设计方案将为企业积累惊人的智力资产。
更复杂的是，为了实现企业智能化的目标，系统不仅仅是以上一种技术的单一使用，很多是两种甚至多种技术的复合应用。数据驱动的内涵应该是数字孪生体封装知识支撑企业研发，具体落地时，应该具备几个方面的特点：
Ø自身已经积累了一些知识，有一些直接可以应用的数字孪生体；
Ø有足够的吸力，不断获得新的知识，转化为新的数字孪生体；
Ø知识图谱关联所有知识，基于某种逻辑，建立企业知识通道；
Ø系统具有智能特性，依据待解决的问题，知识图谱自动向人推荐合适的数字孪生体；
Ø当人去使用这些数字孪生体时，会产生大量的未知的知识，数字孪生体被高效的使用，并不断优化和迭代，同时产生大量的新的数字孪生体；
Ø依据人工智能技术，知识被自动挖掘，并关联到相应知识图谱；
Ø工业大脑可以自我训练，深度学习。
图十三，知识图谱（图片来自于智通云联）
野中郁次郎被称为知识管理之父，他的观点：“知识才是企业创造最大价值的源泉，知识能力是企业不确定环境下保持创新的关键”。
我的理解，知识能力就是获得知识，创造知识，并且利用知识的能力。
按照上面企业运作流程，仿真产生的大量的新的数据和知识，如果依赖于工程师自觉的对工作过程中的知识进行处理，是不现实的，也是不可能的。人工智能，语音识别，语义识别，图像识别等等技术，结合工业软件，对人的行为进行智能化处理，并依据企业的知识图谱进行存储和重用。
企业的智能化平台，将是：
Ø员工学习平台，定制培训和实际解决问题的过程中，加速员工成长；
Ø人机交互平台，结合机器和人的优点；
Ø知识挖掘平台，人工智能帮助知识积累；
Ø知识管理平台，数字孪生体驱动企业创新；
Ø业务运作平台，智能化的运作，使得企业能高效，低成本运转；
Ø智能创新平台，应对不断升级的市场环境。
这样的智能系统应该可以解决上面文章提到的研发当中绝大部分问题，随着系统的不断自我进化，更多的问题也会逐步一一解决，系统呈螺旋上升的趋势。当然，若是希望搭建这样的一个智能系统，还是需要非常多的技术攻关，其中涉及到的每一项技术都存在一定的难度，成功的道路一定是用脚踏实地的脚印连接起来的。
在文章快要结束的时候，我们需要面对一个原点的问题，究竟是为什么企业要花那么大的精力去搭建一个智能化的平台？
前几天微信里的消息，特斯拉又降价了，降到了25万以下，可能以后还要降，而特斯拉的车主们都认为，一旦开上特斯拉，就很难再开回到传统车了，智能手机也是如此，用了智能手机也不会再回到普通手机。可以得出一个结论：智能化的产品不是来竞争的，而是来消灭所有竞争对手的。
这就是智能产品的可怕之处。
企业智能化的转型，决不是用智能化的手段去生产以前的产品。其真正原因:企业若要生存，就必须要生产智能化的产品，而智能化的产品必然需要智能化的系统来支撑。
企业智能化，势在必行。
