可持续发展现在越来越多地出现在企业和政府的议程上,超过一半企业认为数字孪生技术对实现ESG目标至关重要。
我们的物理世界和数字世界在不断地融合,数字孪生技术可以发挥关键作用,帮助社会克服一些最紧迫的可持续性挑战。
企业在掌握了模拟和了解如何减少能源消耗和排放的方法后就可以测试各种方案,达到实现可持续发展目标和气候目标。Capgemini公司去年的研究发现,57%的企业认为数字孪生技术对改善可持续发展工作至关重要。
洛克希德-马丁公司(Lockheed Martin)和英伟达公司去年曾宣布合作建立一个人工智能驱动的地球数字孪生,该数字孪生将为美国国家海洋和大气管理局(NOAA)提供一个高效、集中的监测当前全球环境状况的方法,包括监测极端天气事件。两家公司预计在2023年9月之前完全整合并展示其中的一个可变数据管道(海面温度)。
英伟达加速计算首席产品经理Dion Harris表示,“数字孪生可以帮助我们解决世界上最困难的科学和环境挑战。洛克希德-马丁公司的人工智能技术与英伟达Omniverse的结合将为NOAA的研究人员提供一个强大的系统,可望改善全球范围内的天气预测。”
可信赖数字孪生促进可持续发展
随着业界在垂直领域数字技术的采用日趋普及,数字孪生成了业界公司的最有效工具之一,可以帮助改进并缓解战略风险并可以确保实现遵守ESG目标。
Hitachi Vantara公司物联网解决方案负责人Phani Bhushan Sistu博士表示,构建数字孪生所需技术的可用性和平民化程度在不断提高,数字孪生技术是改进业务基础设施、产品和流程(包括现有的和新的)及完成ESG任务的一个宝贵工具。尽管可持续发展已经成为公共议程多年,但由于各种风险的存在,进展相对较小。
Sopra Steria公司的数字伦理咨询经理Kevin Macnish对此做出了进一步补充,“世界各国政府提出的雄心勃勃的可持续发展目标已经将这个话题推到了企业和政府议程的首位。”
Macnish称,“虽然我们目前面临的可持续性问题并没有一个万能解决方案,但科技(特别是数字孪生技术)已经在帮助减少排放方面发挥了至关重要的作用。数字孪生技术可以在各种应用和背景下创造可持续的价值。在可持续性方面,各种数字孪生技术已经助力建筑物减少了50%的温室气体排放和碳足迹,而且还有潜力降低整个道路网络的排放量。”
可持续性和数字孪生
数字孪生对于在2030年实现净零排放的目标将产生重大影响。然而,要做到这一点,数字孪生本身必须是可持续的,正如Macnish所说,“为了产生持久的影响,数字孪生技术必须能够完成所需完成的工作,并且必须得到负责和受到该工作影响的人的认可。”
这可以从信赖的角度来理解。他表示,“例如,一般人都确信如果一块砖头掉在脚上会很疼,这是常识。而如果有人确信拿着砖头撒手后不会往下掉就有违常理。同时,一般人也不会相信有人会拿着砖头会撒手砸自己的脚。”
这里的第一种信赖案例指的是能力(最终结果与合理预期存在共同的关系)。第二种信赖案例指的是伦理道德(一个人的行为应该符合伦理道德)。不过,在涉及到解决社会问题时,两种意义上的信赖都很重要。
他表示,“很明显,如果一个诸如数字孪生的技术解决方案无法正常工作,自然没人会放心地使用该技术解决方案。基于此原因,开发高质量的数字孪生技术必须精益求精。而与此同时,如果大家认为数字孪生技术得到的结果不是最佳的,那么也就不会放心使用数字孪生技术,这一点也许不太明显。如果公众拒绝数字孪生技术,那么这项技术的真正价值就将永远无法实现,这对社会和环境来说都将是十分不利的事情。”
Macnish还指出,对于数字孪生技术来说是这样,对于英国的国家数字孪生计划也是这样。该项目是英国政府在2018年启动的一项举措,项目的作用是制定框架,进而推动变革及帮助组织接受互联数字孪生技术。
他表示,“不过,数字孪生技术应用于人时,有可能会被扯上大规模监控,而在应用于资产时,则有可能会被扯上偷窃知识产权。有人会质疑数字孪生技术的使用,各个公司可能因此而不愿意分享宝贵的数据。如果信赖的前提不存在,任何创建数字孪生的尝试都注定会失败。”
数字孪生是解决可持续性问题的创新方案
Macnish称,“如果数字孪生技术本身是可持续的和可信赖的,那么数字孪生技术可以也应该对可持续性产生根本性影响。但假若没有公众的自愿参与,一切都将是徒劳的。没有捷径可走,通往兼容数字孪生技术的道路将会是一个渐进过程,只能边走边学。”
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。