在数字孪生体成熟进化的每个过程中，仿真都扮演着不可或缺的角色，因此，我们提出了“无仿真、不孪生”的观点。而AI的出现，对数字孪生体同样至关重要。人工智能在物理机理不明确、输入数据不完备的情况下，对数字孪生体的未来状态和行为进行预测，我们始终相信，AI的预测最终越来越逼近真实世界。

本期我们将继续通过E-works 数字化企业网总编 、CEO 黄培先生以及安世亚太高级副总裁田锋先生的对话内容共同探讨仿真与数字孪生、人工智能之间的奥秘。

(相关资料图)

数字孪生强调虚实融合，对仿真技术的实时性有更高的要求，这方面请您谈谈实现的策略。

数字孪生体中的仿真一定是实时的，否则就没有意义，跟过去的仿真就没区别。可以说，实时性是仿真和数字孪生体的重要区别。实时性要考虑两个维度，第一个维度是实时收集数据。比如仿真的边界条件，边界条件要有初始条件才能去计算。如果缺少初始条件和边界条件，就无法得出实时的结果。这两个条件是实时的，需要从物联网中获得。如同数字孪生体的神经一般，通过收集实时数据，然后才能实施仿真。这是第一个维度。第二个维度就是速度。现在能保证速度的是系统仿真（0维）以及一维仿真，比如电路管路，就是一维仿真。比较慢的是三维仿真，就是CAE 技术，目前CAE很难做到实时，它的任何一个计算都比一维和0维要慢很多。所以数字孪生体中三维仿真要通过降阶来发挥作用。三维仿真的计算结果是全息的，从各个角度观察都能得到对应的结果，但是在实践中我们不需要全息数据，只需要特定场景的一条数据曲线去驱动孪生体。这条曲线就是用三维计算结果经过一个降阶的过程形成的，采用类似人工智能的拟合技术，在特定要求之下得到的一条曲线类或曲面类的模型，这个模型就是实时的、是0维的。这样就实现了三维仿真的结果参与到数字孪生体中的目的。每一次降阶目的是特定的，换一个目的就要重新降阶一次。所以数字孪生体的目的必须是明确的，从而实现三维仿真帮助数字孪生体达成正确的结果。

是不是可以理解为降阶模型就是三维仿真结果的近似解？

是的，拟合解。需要做大量的计算，在各种边际条件、不同工况下、各种时间情况下，做几百种仿真，做完之后，根据需求进行降阶，提供所需要的曲线或者曲面。

您刚刚也提到了人工智能的应用，最近几年，随着人工智能技术的快速发展以及开源应用，人工智能技术的应用领域越来越广。您认为仿真技术与人工智能技术能否实现、如何实现融合应用？

仿真是基于明确的机理、边界条件和初始条件才能计算的学科。但很多情况下很多事物无法明确，就不能仿真。比如湍流是用概率的方式计算的，并不是真实的数据，因此只能解决一部分问题。还有复合材料，很难得到真正的材料数据。还有多目标优化，一开始也是基于不确定方向，降阶也是一种结果的延伸。那么如何得知确定性以外的不确定性呢？可以用 AI 的手段去推测出基本符合要求的函数， 用AI帮助仿真。比如湍流问题，各种数据测完之后，AI提供一个函数就可以继续参与计算。复合材料也是如此，用外界的数据推测里面的结果，然后推测出一个函数参与计算。不完整的边界条件也是如此，根据现有的表现让AI推测不知道的地方。但是这些都不是物理的逻辑，而是数学的逻辑。AI帮助仿真从完全的不确定性走向了部分的确定性，二者用这种方式实现了融合。

现在更多的AI的应用不是仿真，而是提出第四范式的概念。科学研究过去有三个范式：理论、实验、计算拓展。现在提出第四段就是 AI ，弥补仿真的不足，可以认为这是一种新仿真、新范式。

谈到 AI 的时候，我们很多时候是完全基于数据去建模。如果能够把背后的机理知识融合进来，是否会使 AI 的结果更加准确或更具可解释性？

是的。在 AI 学习的过程中，有无监督学习和监督学习两种状态。无监督学习依靠AI自己发挥。监督学习，是把人的确定性的经验干预到学习过程中，它的可解释性就变得更高了，就是您所说的这种情况。