“過氣網紅”元宇宙，能借助數字孿生在工業領域再崛起嗎？_風聞

元宇宙是被戳破的第一個算力泡沫，被熱炒到1.3萬美元的地皮價格現在已經被暴跌到2500美元，成交數量到現在每月只剩不到2000筆。

因為元宇宙對現實世界的還原度太低，消費者的體驗感太差，像素堪比《我的世界》，作為只面向C端消費者的娛樂產品，玩起來甚至不如15年前的QQ寵物。

比如刷到美食視頻，大家都想要一款可以聞到氣味的手機，這需要可以收集傳輸味道信號的傳感器才行，**如果元宇宙可以打造《頭號玩家》裏的綠洲世界，不需要藉助周杰倫等名人購入元宇宙資產的新聞炒作，**但是隻能做到視覺仿真的元宇宙，除了和虛擬貨幣搭台唱戲，沒有任何用處。

致命問題是距離寫字樓太近，距離工廠太遠，包括蘋果VR眼鏡的失敗，消費級的仿真產品在沒辦法做到味覺、嗅覺甚至於觸覺的全方位還原之前，很難實用。

但是工廠不一樣，大部分工業生產設備本質就是投入生產材料，產生生產結果的數據運算，不需要復刻所有的物理細節，只需要收集有限的關鍵數據就可以做到數字孿生的效果，幫助提高流水線生產效率，數字孿生在工業領域真的有戲。

上上個世紀的思想，上個世紀的技術，這個世紀的市場

數字孿生看着像未來的科幻世界，實際在上世紀就已經有了雛形。

數字孿生簡單來説就是把現實世界的工廠、流水線、道路等等全部搬到賽博空間，用算力和代碼取代鋼筋和水泥，再次構建一切。

之前土木夢想是三總五項，今天在工地打灰的都跑路了，大猛子們功不可沒，根本上還是因為現實世界的基建已經蓋到頭了，不可能在水泥牆上雕花；不過賽博空間裏的房子很多連地基都沒打，如果把現實世界裏的房子、工廠、山川、湖泊全部在賽博空間復刻一遍呢？這項工程比給喜馬拉雅山裝電梯要賺錢。

打個比方，3D沙盤可以看作最早的“數字孿生”，人類嘗試還原客觀世界，用山峯、河流等地形用泥土等材料實現等比例的靜態還原，不過沒辦法和現實世界同步，比如突然發生滑坡等地形變動不能夠實時體現，因為缺乏傳感器不能夠及時感知姿態、壓力的變化。

最早的工業應用可以追溯到上世紀就在用的工業仿真軟件，例如軍迷很熟悉的模擬風洞和CAD系統製造的數字樣機，不用費時費力去造真機，而是利用數字模擬的方式，先在模擬風洞吹風來測試關鍵數據，檢測設計的可行性，仿真效果的好壞同樣依賴傳感器能否及時準確傳回關鍵數據。

這些可以落地的案例全部需要依託工廠，需要和製造業緊密結合，而不是寫字樓，因為目前傳感器只能做到測量物體加速度或者振動、環境光照強度等關鍵數據，可以滿足工業生產的需求。

所以能夠建模還原現實世界中的工廠和流水線只是第一步，關鍵還是依靠傳感器實現對關鍵數據的收集、分析以及後續的建模預測。

可視化只是數字孿生的第一步

**前兩年在概念的炒作下，大屏幕＋3D模型可視化成為數字孿生的標配，**典型就是120寸大屏幕上放着工廠的全景圖，做幾個的動畫效果，再把不知道幾年前的數據標註在各條流水線上，最大的作用就是讓不在基層的經理看着界面很簡潔舒服，與其叫數字孿生不如叫數據可視化。

這種形態難以提高實際生產效率，只能是給上級看着漂亮，作用類似於大廠PPT，製作工具是unity引擎，技術門檻低到令人髮指，以至於很多本科生的畢業設計就是用unity做套所謂智慧城市系統，只是把城市的平面地圖搬到了網絡空間，只做到了數據的整合標註，難以輔助未來決策。

**同時受制於傳感器限制，數據動態同步能力差，**比如城市裏某個建築的壽命情況變化根本沒辦法及時獲知，所以也就做不到提前維護，道路車流量的變化可以實時感知，不過因為所需算力過多，導致成本居高不下，難以大規模鋪開。

説到底，受制於現在的技術水平，數字孿生更多的是願景，比如《航空週報》做過這樣的預測，2035年交付給航空公司的不只是實體客機，還有一架數字客機，這架數字客機會以數據的形式實時同步實體客機的使用情況，比如每次飛行後機體零部件的使用壽命等信息，這樣會極大的提升地勤的工作效率，並且提高飛行安全性。

但是這樣高精度的數據需要極高精度的傳感器，來收集氣壓、氣流温度等數據，按照現在地球的技術水平，難以複製出真正的物理細節，需要三體人的技術才能做出可以實時模擬客機壽命情況的傳感器。

就算傳感器問題解決，後續在數據的模型建立上也會遇到麻煩，代碼能跑起來是對現實邏輯的抽象復刻，BUG是代碼運行中遇到了不符合邏輯的情況導致的漏洞，所以代碼運行也必須符合現實邏輯，不存在大力出奇跡的情況，客機這些複雜的飛行數據之間的邏輯關係也是難以摸清楚。

針對特定場景有獨特的解決方案

所以2023年在概念破產後，花重金請軟件公司做數字孿生，結果做了堆模型的冤大頭企業慢慢減少，**業內開始轉向做特定場景的數字孿生，開發可以在生產過程中起到具體作用的軟件，**並且出現了相當一批優秀案例比如港口的動態管理這些系統、高危行業培訓、太陽能智能調控等。

比如太陽能發電板在安裝的時候需要選擇太陽照射時間最長的最優位置，使用過程中，太陽的東昇西落、陰雨天氣等情況，導致無法最長時間發電，如果事先建立整個太陽能發電廠的數字孿生，就可以在位置選擇上，大量減少實地勘探的人力成本，在使用依靠傳感器的實時數據，同步調整面板朝向，最大限度發電。

賽博空間因為是數據構成，可以隨便怎麼“作”，無論摧毀多少次只需要一鍵就能還原，所以非常適合飛行員培訓這種特定情景。

模擬飛行艙視景系統就是典型案例，飛行艙由運動、視景、計算機等五大部分構成，為飛行員提供模擬畫面的視景系統部分長期被卡脖子，因此國內228台模擬飛行艙基本全部進口。

隨着《王者榮耀》《蛋仔派對》這些遊戲的建模日益精美，同樣是模擬畫面，為什麼不用遊戲引擎來做一套視景系統呢？遊戲公司開竅了，擁有屠龍寶刀，就去做實景模擬系統，歷時多年，終於從圖像渲染到軟硬適配上下游全產業鏈實現國產自研。

之前抽一根為了造航母，現在買皮膚是為了開飛機。

視景系統不僅可以模擬海洋、沙漠、城市等不同場景，以及白天黑夜、四季等動態變化，讓飛行員訓練不需要親自開飛機上天找鳥撞，還可以應用到高空人員培訓等高危場景，至少讓“菜鳥”提前心理適應。

包括港口的數字孿生，識別條船的位置，評估所需要的停港時間，精準管控每條船的進出港以及吊裝時間，給岸上的物流車更暢通的道路規劃，極大地提升貨物運轉效率。

互聯網賦能傳統行業還是服務傳統行業？

周鴻禕説過，過去十年是消費互聯網，未來十年是產業互聯網，消費互聯網的核心在於供需的精準匹配，商家需要平台去獲客，消費者需要平台來滿足日常需求，所以平台的生態位不可或缺，過去二十年線上產業的高歌猛進，也讓互聯網企業產生了可以改變一切的錯覺。

但是工業互聯網的商業模式更多的是售賣軟件和服務，相當於製造業是甲方，互聯網企業是乙方，需要去滿足甲方的需要。

互聯網企業習慣以自我為中心，往往忽視企業的實際需求，過度依賴之前的經驗路徑，而且各大廠、中廠都在瘋狂製造甲方看不懂的概念，把“對齊顆粒度”這些互聯網黑話搬過來糊弄製造業企業。

程序員和工程師也存在巨大的認知差異，很少有既懂代碼又懂流水線的複合型人才，整個行業缺乏統一的共識和標準，沒有客觀的評價標準，難以推進規模化，只能花大成本去和每個客户溝通，做定製案例。

比如製造業企業做數字孿生出發點還是業務需求，需要的是對某幾個關鍵環節進行升級，固化工作流程，提高生產效率，而互聯網企業堅持做個全生產流程的可視化，驢唇不對馬嘴。

甲方有時候也會為難乙方，在具體的工廠場景，生產計劃的排期、良品率等不可控因素，導致數據採集、篩選成本極高，因此建立的模型有很大的不確定性，很多製造業企業又對數據處理成本有着誤解，比如數字孿生項目的500W的預算，數字孿生企業只能做到最原始的數據收集，只需要再加100W就能給到優質的數據包，但是製造業企業不想給，又急着趕工期，導致交付的軟件效果一言難盡。

元宇宙的路子沒有錯，網絡空間蓋房子、建工廠是必然的方向，建築原料從鋼筋水泥變成了算力數據，程序猿是建築工人的定位，開發軟件、遊戲引擎取代了攪拌機這些設備。

從加密貨幣到現在的生成式大模型，都對算力芯片有極大需求，尤其是前些年的挖礦潮，需要大量的顯卡，直接導致芯片價格暴漲，疊加熱錢氾濫，**催生算力金融化的特徵，算力成為新的蓄水池，不過都面臨着“距離工廠太遠，距離寫字樓太近”的問題，**可落地的商業解決方案一直難以出現，只能一輪一輪地熱炒概念。

第一輪AI浪潮冒出來的C端通用大模型都遇到了瞎編亂造和答非所問的問題，因為大眾語料庫過於繁雜並且垃圾信息污染嚴重，反而B端的垂直大模型的語料庫經過專業人士篩選和迴歸驗證，質量起碼可以保證下限，已經看到投入實際生產的可能。

數字孿生天然和工業相聯繫，只要肯花錢，可以篩選出優質數據包，數字孿生的理想狀態是實現生產過程全數據的動態同步，難點在於傳感器的數據收集篩選和建立模型，從而輔助決策，而不是簡單的生產過程3D可視化。

····· End ·····