設想一下，一位工廠經理大清早上班，打開筆記本電腦或手機應用並問道，「今天我該注意哪些問題？」系統則立刻給出需要留意的情況，例如哪台機器可能意外停機、上個班次的工作耗時比預期要長，還有哪個部門還缺人手。
系統給出調整建議，工廠經理則結合實際情況參考並相應實施整改。
這樣的場景絕非科幻小說，事實上，這項技術最快明年就將落地。截至本文撰稿之時，來自北卡羅來納州的數字孿生技術專業公司Ultisim正與製造商夥伴合作開發這樣一套系統，希望將來自機器、企業資源規劃平台和眾多其他資訊源的數據結合起來。它採用類似ChatGPT的大語言模型界面，專注於解決製造商面臨的種種現實問題。
Ultisim公司及其姊妹公司Tanjo（專注於機器學習和人工智慧的算法構建模塊）的CEO Richard Boyd表示，「我們的製造商合作夥伴會按訂單規劃生產工作，多樣性讓生產任務變得既困難又充滿探索意義。如果能幫助他們解決這些現實問題，我們就一定能更輕鬆地突破其他現實阻礙。」
這種產品高度組合模型專門為金屬定製化製造而生，因此Boyd計劃將自家解決方案推向相應市場。在大多數定製工廠車間，每項工作都要通過特定的價值流執行路線逐步落地，涉及切割、彎折、五金、焊接、粉末塗裝和裝配在內的各流程負責部門，外加夾雜在生產路徑當中的各類輔助操作。
根據Boyd的解釋，組織中的每位成員都可通過專為不同角色和工作職能量身定製的「鏡頭」來查看數字孿生副本。也就是說，財務人員的觀察視角就往往與銷售、調度乃至生產計劃人員有所不同。
此外，用於構建孿生模型的數據不會脫離其原始位置。
Boyd解釋道，「我們需要的並不是龐大的數據湖。」相反，該系統只是在提取所需的各項數據，同時「將數據保留在原本位置。」企業最不想看到的就是把數據統統複製到單一中央位置，因為這種複製操作會導致同一數據擁有多個版本，進而帶來各種不必要的複雜因素。
實現這一切有幾個關鍵前提，首先就是數據的數字化轉換。大多數製造商目前都已擁有能夠採集大量數據的現代化機器，但在某些部門也往往仍在沿用陳舊、簡單的舊有設備。這些固有設備長期存在，而且從成效上看仍然能很好地完成工作。唯一的挑戰是需要配合額外的傳感器對它們的操作做數字化監控（包括每小時或每分鐘能夠完成多少件成品、多少次下刀或多少次磨削），但這一切在當下來說早已沒什麼技術門檻。
Boyd指出，「我們經歷了傳感器層面的技術革命」。
如今不少傳感器根本不需要藉助3D印表機來製造，只需使用相對古老的點陣技術即可列印完成。即使是光學傳感器也很便宜，因此將其添加進舊機器不僅沒有技術障礙、就連經濟壓力也不算大。
但Boyd提到實踐落地當中仍有其他難題，比如所謂「暗數據」，也就是存在於孤立軟體當中、未經共享也未受充分利用的數據。
多年以來，Boyd一直與各行業企業開展合作，包括那些擁有國防合同、要求使用全透明應用程序協議接口（API）的公司。這些合作有助於將暗數據轉化為實用資訊。
Boyd介紹稱，資訊分為「靜止數據」與「活動數據」兩大類，而這些數據已經在接受數字化標記，供AI和機器學習消費使用。
誠然，不少組織在多年積累的各類設施當中擁有著大雜燴般的多種系統。實體製造企業就是其中的典型代表，但其他許多行業也面臨著類似的挑戰。Boyd表示，「以醫院為例，院方採購的系統往往無法相互集成、不會彼此共享數據，甚至連時間這項最基本的資訊也彼此不相兼容。」
他補充說，如今某些系統提供商對於完整的數據訪問服務正在收取高額費用。隨著市場逐步了解數據中蘊藏的價值，這種做法可能會與其他技術障礙一道有所削弱。在Boyd看來，面對愈發明確的價值和財務回報，市場需求也在隨之發生變化。Ultisim公司做出的數字化轉型回報率已經令初始投資相形見絀，改造後的設施在某些情況下甚至有望帶來10倍以上的收益。
要實現這個目標，整個生產體系不僅需要來自機器和軟體系統的數據，更需要與人相關的資訊。具體來講，其中應當涵蓋人們如何執行工作，如何走動以及如何與技術交互。Boyd將這些要素稱為「人類編排」。
這裡以車間模擬為例，測試從切割到彎折、再到焊接的物業作業流程。模擬期間還可能包含二次操作，例如對零件的光滑平面做拋光，甚至可能涉及硬體接入。在整個模擬流程中，規劃人員可以了解操作員需要更換哪些工具、工具的對應存放位置、平均更換速度以及更換順序如何影響整體生產流程。
數字孿生副本甚至可以預測更換對工廠其他區域造成的連鎖反應，對於特定工作組合造成的影響乃至瓶頸。在產品高度組合這類生產流程中，車間在內每上線一種新的工作組合、都有可能帶來新的製造效率瓶頸。
Boyd還提到，跟蹤並優化人類員工活動看似有點「老大哥在盯著你」的窺探感，但實際情況並非如此。如果企業能把改進與正確的激勵措施聯繫起來，就一定能推動運營文化步入全新階段。例如，Ultisim公司就在製造業推動員工持股計劃（ESOP）的測試案例，即通過改善公司的財務狀況為員工們帶來切實收益。
員工們還能感受到自身知識儲備所對應的真實價值，因為這些指標都將被直接構建進系統當中。Boyd強調，使用數字孿生並不會消除對於小圈子專業知識的需求。其實從本質上講，小圈子專業知識並不是件壞事，畢竟競爭對手只能買到相同的設備或者軟體平台，但卻買不來老員工們數十年間積累下來的實踐經驗。
在這裡，AI與數字孿生這套組合實際上是在促進基於硬數據加小圈子專業知識的精確決策。在當前的測試案例中，Ultisim拜託一位即將退休的生產計劃員對數字孿生提出的決策建議進行審查，再根據實際需求和知識積累進行調整。之後，調整結果會被反饋至系統當中、開展結果分析，並利用來自人員的知識及來自系統/機器的數據做進一步完善。
獲取小圈子專業知識，對於訓練新一代員工也至關重要。將這些知識與可操作資訊結合起來，就能為年輕員工們提供支持其茁壯成長的必要工具。剛剛進入崗位時，他們往往不知道為什麼要彎折這裡、焊接那裡，一切都在按主管的指令和要求進行。而在數字孿生的幫助下，他們能夠縱覽大局、獲得特定觀察視角，了解怎樣把自己手頭的工作做得更好。
更重要的是，數字孿生模型會與他們一同學習、攜手成長，讓這種持續提升和改進的流程成為常態。而這，無疑將開啟一道通往健康職業道路與更高生產效率的新世界大門。
