当AI与数字孪生“叠buff”，中国工业正迎来平台级的机会。

从材料创新、研发设计、工艺仿真优化、生产制造到产品交付运维，每一个关键环节对创造高附加值的工业产品都至关重要。而当下中国工业面临的问题是，工业体系要在完善的商品流和物流的基础上，在数据流层面完成一次系统升级，同时将整个工业体系全面智能化，以更好地匹配和适应供给和需求两侧的变化。

这其中有两个非常重要的因素，一个是数据化，一个是智能化。AI与数字孪生将怎样加速这个过程？

蓝驰创投近日推出的工业科技沙龙，邀请到学术界、产业界及创业公司，探讨了工业科技正在迎来的机会。活动内容丰富且硬核，我们提取了其中最精华的部分，enjoy！

中国工业将产生平台级机会

石建平

蓝驰创投投资合伙人

中国制造业的数字化转型主要聚焦在商品流通环节，但工业本身的主要成绩还是集中于中低端。但是全球供应链重塑的大周期下，未来中国会更聚焦在生产价值的创造上。

这几年，人工智能的迭代非常快，开始进入一些普惠化的场景，AI对普通人也不再是遥不可及。我相信AI将对人类文明和世界带来巨大的价值和帮助。

如今，人工智能和高保真数字孪生技术已经在赋能整个工业界的每一个环节，同时创造更大的价值。我们看到非常大的趋势：工业会转向实时协同，跨部门、跨岗位、甚至跨产业链，最终产生平台级机会。

如何打造下一代工业数字孪生系统

何展

NVIDIA中国区Omniverse业务负责人 

NVIDIA Omniverse提出「全面运维的数字孪生」概念。我们对这样的数字孪生有四个维度的期待：统一、易于传播的表达方式；体现出物理的准确程度和精度；我们关注AI能否在下一代的数字孪生中起到举足轻重的作用；能服务到实体、真实的环境中。

为什么工业需要AI和数字孪生？AI需要数据的大规模、多样性和准确性，这不切实际，且难以通过传统手段获取，那就需要SDG（合成数据生成）。为了让模拟训练的AI在现实世界中取得成功，它要求他们与现实无法区分的环境中进行训练——这意味着必须在物理上准确，遵守物理定律。

总的来说，“注入AI和物理准确”的工业数字孪生覆盖着智能供应链的各个方面，已经有许多行业应用这类技术。在实际案例中我们有一些心得：数字孪生会从完全逼真的可视化开始；需要把链路打通，进行实时的数据连接和互动。

数字孪生是基于模型的体系工程MBSOSE

邢军

国家工业软件与先进设计研究院副院长 

安世亚太副总裁  

安世亚太认为，数字孪生是体系级的虚实映射，而不是一一映射。它本质是在数字空间中建立不同的模型和组合，由孪生体来表征业务目标；并且通过实际物理空间中的数据来驱动模型的演进，形成对实际物理空间以及实际业务目标的描述、诊断、预测与控制。也就是说，业务是核心、目标，数据是技术，模型是核心软件，软件是载体。

数字孪生需要从业务视角出发。围绕客户的业务目标，进行数学模型建立和决策优化，是数字孪生链条中最核心的部分。这意味着面向客户复杂、大型的需求，结合业界生态的IoT、底座、工业互联网平台、可视化等，提供完整的服务。

数字孪生构建是一个体系化的工程，需要去全生命周期地考虑场景。首先，它的构建是基于物理实体在研发、生产、运营和运维中产生数据所建构的综合模型；构建它的目的是推进具体的业务功能。应该既能反应现在的实时状况，也能对未来的趋势做预警和预演。

AI在工业求解器中的应用

林宙辰

北京大学教授 

IAPR/IEEE/CSIG Fellow 

国家杰青 

早期的工业求解器是基于大量的数值计算和人类知识来进行，如今它的改进跟机器学习密切相关，AI会根据过往数据来给工业求解器提供核心信息。

工业求解器的类型——在上层应用，包含几何设计、物理模拟和过程管理；在底层，包含解方程求解器（线性方程组、偏微分方程）和解优化求解器（连续优化、混合优化、离散/组合优化）

AI为什么能在求解器发挥作用？传统的工业求解器是数学计算+启发式规则。但其实不够，比如数学计算就有稳定性的缺陷不可克服。但AI能提供过往的经验数据，来提升工业求解器的表现。好的AI求解器就像积木，替换模块也能很好运行，也就是更快、更准、更自动化。

AI在求解器上的运用目前面临几个主要问题：训练数据的生成、神经网络的设计是否适用、深层关系的挖掘能否通过数据完成。

AI+材料研发

王轩泽

创材深造 创始人兼CEO

金属材料是巨大市场，但目前面临的问题是：高端金属材料的研发仍与国外有差距；行业的利润集中在生产销售端，但痛点却在研发端；产和研之间距离大，实验室技术无法快速地落地到生产中，生产利润也无法反馈给研发。

怎么解决？基于AI的研发范式是最优可行解。首先，在同一时间做大量的高质量、低成本、高效率、高工量实验，把得到的性能和表征放到模型里做训练和预测，取最可能的配方去做制备。好处是资本在其中起到非常大的加速作用；商业模式也能改变：先明确市场需求以及客户的性能要求，把研发与产业流程缩短，提高匹配度。

其次，这种模型可以做全新材料的研发。传统模式需要大量专家和时间去提取人能理解的近似物理模型；但AI可以用深度神经网络跳过这个周期。

很多人会担忧基于AI的模式是黑盒的，可解释性差，但我觉得这反而是AI优势。传统的研发模式是基于基于原有理论拓展边界，一个一个走到新材料，这样新材料的性能提高是不多的。但如果用AI的方式找到一款新材料，再通过宏观微观的表征分析为什么会有这种情况，建立起新的理论体系来，这可能也是未来学术研究的新模式。

AI+创成式设计仿真

张海西

优解未来 创始人兼CEO

为什么需要创成式设计？过往的经验式设计的问题在于强依赖人工经验，中间存在大量需求与方案的改动，效率低。创成式设计的目的就是以性能为导向实现更加智能化和自动化的优化设计。

AI在创成式设计里不可替代的优势有四个：

1）结构优化设计。在设计需要的材料、性能、成本、制造工艺、美观的选择上，AI可以在极短的时间提供大量设计需求；AI也能提供可扩展的设计域，不会被给出的范围限定；深度学习和模型预测，也可以实现实时仿真。

2）新/超材料微结构设计，AI可以实现材料数据库、功能晶格单元库、工艺参数的组合，并且看到他们之间的相互影响关系；通过材料基因组建立专业知识库，实现智能优化选材；以及根据材料的性能设计出满足要求的微结构等。

3）数据驱动设计。数据驱动的集成工艺-结构-性能的设计；多物理驱动设计，将多尺度特征、多类型材料进行数字化整合，实现结构的功能融合。

4）CAE数字孪生。AI可以弥补3D模型验证技术的缺陷——传统方法中拿传感器采集到的数据去CAE里做仿真计算是很慢的，但如果是通过AI和模型库去预测和差值计算，就可以仿真出所有工况下各种位置的响应。这样在产品的实验验证、全生命周期的监测和维护上，数字孪生将起到更大作用。

AI+工艺仿真优化

郑轩‍

合图智造 创始人兼CEO

材料是一个复杂的生命体，就像癌细胞不断侵蚀其他细胞对组织造成危害一样，一个微观组织的缺陷也会影响材料的宏观力学性能。制造工艺也是堪比女娲造人的绝学，加工过程中的一点偏差就会在供应链上产生很大的影响。耳熟能详的阿斯麦尔光刻机的镜头、光源、超高精度的微动平台，以及航空发动机的定向结晶单晶叶片与热等静压的高温合金涡轮盘，都是工艺绝技。

传统对于材料认知和工艺应用的方法是试错，这会带来产品研发、生产和使用中的风险。我们提出「数据+模型+AI运算=知识」，在工艺阶段提出最优解。我们核心要讲的是工艺仿真模型，首先通过基础材料数据的累积和边界条件的优化让工艺仿真模型尽量准确、前馈给AI，从而使系统更敏捷高效。同时将准确的仿真物理模型简化到高效的代理模型的过程中，数据质量提高。

总结来说，材料和工艺是一个不确定因素很高、周期很长，并且直接关乎到产品质量的环节。我们有必要通过AI赋能的方式，来帮助企业解决这个问题。

AI+增材制造

 张国良

镭镆科技 创始人兼CEO

增材制造突破了传统设计思维局限，让结构更优化和更加适用于不同场景的设计和需求，从而很大程度上解放了设计和生产力；它需要跨学科交叉，技术门槛高，多个环节的要素共同决定是否能够真正满足下游应用场景以及用户需求。

Selective Laser Melting是应用最广泛的金属增材制造工艺。宏观上，激光器发出的激光经过光路系统的处理形成高质量光束，金属粉末材料在光束能量的作用下逐层融化并形成熔池，同时利用流体风场去除粉末融化过程中产生的有害物质，熔池快速凝固完成金属实体成型的过程。

微观上，打印过程中熔池的熔深、熔宽、孔隙、应力、夹杂物等情况以及伴随产生的剥蚀、黑烟、溅射等有害物质，都是影响打印质量的重要因素，需要通过对设备、材料和工艺的系统性优化加以控制。

从设计到工艺再到制造，主要痛点集中于三个：经验驱动难以标准化、数据离散难以自动化、静态过程难以智能化。通过在每个关键环节融入AI的能力，先做到局部最优解，例如智能设计、智能工艺的仿真与优化、自适应制造过程控制等，同时再结合数字孪生的能力，将各个环节贯穿起来形成全局最优解。

虽然增材制造的设计、工艺、设备、材料之间具有较强的耦合性，但其与生俱来的数字化程度也更高，故在结合AI和数字孪生的方向上也具有更加广阔的前景。无论是在材料研发，智能设计仿真，还是在工艺优化和过程质量控制方面，镭镆科技都在做着积极的探索，希望通过“AI+数字孪生”驱动增材制造真正地走向智能制造。

数字孪生与协同智造

 龚敏彦

子虔科技 创始人兼CEO

过去30年AI+数字孪生在工业的应用问题在于：数字化行业利用know-how创造各个环节的软件，产生了大量的软件，导致业务一致性差、集成成本高、难以分享数据。之前解决问题的方法是按流程段集成，但这种方式集成和维护成本高、时间也慢。

数字孪生底座一个可能的方向是基于语义网+隐式AI模型的基础框架。语义网本质是通过一些规范化的范式写法，把数据重新组织，形成数据之间的关联，可以对隐式模型进行制约。

但构建和使用企业的系统数字孪生在如今仍是一项技术挑战，因为没有现成的集成技术可以构建整个企业的完整模型。有四个方面需要改进，如面向工业的工具链；知识显性表达、存储和迁移；整合海量异构数据；构建和隐式AI模型结合的能力。

子虔科技的尝试是建立一个叫UEOS的架构。通过构建一个类似于简化的语义网模型，把不同价值链的数据集合起来，并且把数据发给人工智能，从而提供更快速的约束和建议。总的来说，想要形成真正数字孪生，就必须转变盲人摸象的状态，变成在不同视角下、抽取同一个本体模型内容的范式。