数字孪生是实物资产的数字表示。 它使用现实世界的数据（实时和历史数据）与工程、模拟或机器学习 (ML) 模型相结合来增强操作并支持人类决策。
克服障碍，优化数字孪生优势
要实现数字孪生的优势，您需要数据和逻辑集成层以及基于角色的表示。 如图 1 所示，在能源和公用事业等任何资产密集型行业中，您必须集成各种数据集，例如：
- OT（实时设备、传感器和物联网数据）
- IT 系统，例如企业资产管理（例如 Maximo 或 SAP）
- 工厂生命周期管理系统
- ERP和各种非结构化数据集，例如P&ID、视觉图像和声学数据
对于表示层，您可以利用各种功能，例如 3D 建模、增强现实以及各种基于预测模型的健康评分和关键性指数。 在 IBM，我们坚信开放技术是数字孪生所需的基础。
在利用传统的ML和AI建模技术时，必须对孤立的AI模型进行集中训练，这需要大量的人工监督训练。 这是利用在孤立的流程和技术中生成和维护的数据（历史数据、当前数据和预测数据）的主要障碍。
如图 2 所示，生成式人工智能的使用通过模拟任意数量的物理上可能且同时合理的对象状态并将其输入到数字孪生网络中，增强了数字孪生的能力。
这些功能可以帮助持续确定物理对象的状态。 例如，热图可以显示由于密集使用空调而引起的预期热浪，电力网络中的何处可能出现瓶颈（以及如何通过智能开关解决这些问题）。 除了开放的技术基础之外，模型的可信度和针对业务领域也很重要。
资产密集型行业中的生成式人工智能和数字孪生用例
当您在能源和公用事业等资产密集型行业中利用生成式人工智能的数字孪生技术时，各种用例都会变成现实。 考虑一下我们行业客户的一些用例示例：
- 视觉洞察。 通过创建各种公用事业资产类别（例如塔、变压器和线路）的基础模型，并利用大规模视觉图像和适应客户端设置，我们可以利用神经网络架构。 我们可以利用这一点来扩大人工智能在识别公用事业资产异常和损坏方面的使用，而不是手动检查图像。
- 资产绩效管理。 我们根据时间序列数据及其与工单、事件预测、健康评分、关键性指数、用户手册和其他非结构化数据的相互关系创建大规模基础模型，以进行异常检测。 我们使用这些模型来创建单独的资产双胞胎，其中包含当前和未来运营可访问的所有历史信息。
- 现场服务。 我们利用检索增强生成任务来创建问答功能或多语言对话聊天机器人（基于来自广泛知识库的文档或动态内容），以实时提供现场服务帮助。 该功能可以极大地影响现场服务人员的绩效，并通过实时回答特定于资产的问题来提高能源服务的可靠性，而无需将最终用户重定向到文档、链接或人工操作员。
生成式人工智能和大语言模型（LLM）给人工智能领域带来了新的危险，我们并不声称拥有所有问题的答案 这些新解决方案带来的问题。 IBM 明白，推动人工智能的信任和透明度不是技术挑战，而是社会技术挑战。
我们看到很大一部分人工智能项目陷入了概念验证，其原因包括业务策略不一致以及对模型结果的不信任等。 IBM 汇集了丰富的转型经验、行业专业知识以及专有技术和合作伙伴技术。 凭借技能和合作伙伴关系的结合，IBM Consulting™ 非常适合帮助企业制定战略和能力，以运营和扩展可信 AI，以实现其目标。
目前，IBM 是市场上少数既提供人工智能解决方案，又拥有致力于帮助客户安全、负责任地使用人工智能的咨询实践的公司之一。 IBM 生成式 AI 卓越中心 帮助客户实施整个人工智能生命周期，并开发具有道德责任感的生成式人工智能解决方案。
利用生成式人工智能的旅程应该：a）由开放技术驱动； b) 确保人工智能负责并受到监管，以建立对模型的信任； c) 应该为那些使用你的平台的人提供支持。 我们相信，在能源和公用事业公司实现数字基础设施现代化以实现清洁能源转型的过程中，生成式人工智能可以使数字孪生的承诺成为现实。 通过与 IBM Consulting 合作，您可以成为 AI 价值创造者，从而可以训练、部署和管理数据和 AI 模型。
