导读：一起迎接数字孪生与AI的结合，然后产生的聚变效应吧。

从技术角度讲，数字孪生是一种复杂的软件结构，它出现在产品生命周期管理领域，比如用于对喷气发动机和核反应堆等复杂设备进行建模和设计。

如今，数字孪生的实用性已从设计阶段扩展到实时跟踪系统。它们可以采集设备遥测数据、维护状态信息并实时分析不断变化的条件状态。

系统的功能提供了丰富的情境理解，从而实现了快速洞察和增强的态势感知。通过利用快速的内存计算技术，它们可以快速处理遥测数据并提供分析结果。

除了实时监控之外，数字孪生还能模拟复杂的系统，例如航空公司和物流网络。它们通过预测分析帮助设计师和运营经理进行战略规划和运营决策。 

随着数字孪生技术的发展，可以大规模分析实时数据，将其与生成式人工智能相结合的机会也随之出现。这种结合将具有多重优势。它有可能提高生成式人工智能在各种应用中的预测准确性。它还为人工智能打开了大门，以提高数字孪生在监控实时系统方面的价值并协助其发展。 

软件团队需要认识到这些组合技术为实时监控和模拟提供的机会，以便他们能够充分利用重要的新功能。

以下，为各位开发者与创业者提供几个经典例子。

利用实时数据改善人工智能输出

通过实时分析和汇总实时的数据，数字孪生可以显著增强 AI 输出并缓解 AI 幻觉等普遍存在的挑战。

实时数据可以通过称为检索增强生成 (RAG) 的过程为 AI 的洞察打下基础，从而使数字孪生能够提高 AI 响应的准确性并减少通用 AI 模型中常见的错误。软件团队仅仅将生成式 AI 整合到指导复杂实时操作的软件系统中是不够的，必须将 AI 与 RAG 结合起来，用以提供最新、最准确的信息。

当数字孪生通过 RAG 为 AI 模型提供实时分析时，该模型会使用这些数据来生成更精确、更加相关联的响应。

其中，RAG 分为两个关键步骤。首先，AI 查询外部数据源（在本例中为数字孪生）以检索相关信息。接下来，它使用这些信息来改进其响应并最大限度地降低出错风险。这种方法大大提高了 AI 在从智能城市到电子商务跟踪等广泛应用中的实用性。

例如，考虑管理全国车队的任务。调度员必须在机械问题或操作员问题升级并扰乱运营之前发现它们。调度员传统上需要靠数据库查询来识别问题的远程信息处理软件。这种方法繁琐又无效。

如果远程信息处理软件采用生成式 AI 来协助调度员，此时重要的是 AI 模型始终使用最新的车队遥测数据来确保其生成准确的指导。通过使 AI 模型能够访问由数字孪生分析的实时数据，远程信息处理软件可以避免幻觉并提供更有效、最新的见解。这能够使调度员能够做出明智的决策，以确保无缝式运营。 

利用人工智能增强实时分析

如今的机器学习 (ML) 技术也增强了数字孪生的功能，帮助系统解读实时数据、识别模式并创建警报。尤其是在预测分析等情况下，开发代码来检查遥测数据可能非常复杂并且困难重重，而经过训练的 ML 算法可以以更低的成本更好地完成工作。

然后下一步，是让软件团队将生成式人工智能集成到数字孪生部署中，帮助运营经理解释分析结果，并识别可能被忽略的问题。通过集成人工智能来增强实时分析，用户可以对新出现的问题有更细致的了解，提高态势感知能力并做出更好的决策。 

使用内存计算技术，数字孪生可以生成实时分析结果，用户可汇总和查询这些结果，以持续可视化复杂系统的动态并寻找需要关注的新问题。

在不久的将来，生成式人工智能驱动工具将通过自动生成查询、检测异常，然后根据需要提醒用户来放大这些功能。人工智能将在仪表板上创建复杂的数据可视化，指出新出现的问题，让管理人员更好地了解情况并做出响应。

例如，人工智能和数字孪生可以帮助网络安全人员追踪入侵企业或政府网络的行为，从而更有效地识别杀伤链并阻止攻击。数字孪生可以使用机器学习技术来监控数千个入口点和内部服务器，以检测异常登录、访问尝试和流程。

但是，检测整合这些信息并创建整体威胁评估的模式可能需要数据聚合和查询以将杀伤链的各个元素联系在一起。生成式人工智能可以通过使用这些工具来协助人员检测异常行为并提醒可以继续调查的人员。

构建数字孪生应用程序 

随着时间的推移，生成式人工智将能鋔帮助软件开发人员概念化和改进代码方面发挥着越来越重要的作用。

很快，人们能够利用人工智能来帮助开发用于实时监控和模拟的数字孪生应用程序。

在开发人员的训练下，人工智能工具将能够填写数字孪生模板，创建正在运行的数字孪生模型，这些模型可以接收消息并分析问题或实施模拟。 

人工智能工具可以帮助开发人员加速开发过程，专注于高级设计和解决问题，而再不是常规的编码任务。此外，生成式人工智能可以帮助创建与 ML 工具等库的集成，并减轻开发人员实现 API 接口的额外负担。

生成式人工智能可以通过提供代码改进的智能建议、评估代码路径的正确性和完整性以及运行测试来进一步简化开发工作流程。

它还可以识别数字孪生可能从优化实现中受益的潜在领域，提出测试场景并提供性能评估。比如，生成式人工智能可以检查用通用语言编写的代码，以验证它在可扩展的内存计算平台上运行时，是否遵循数字孪生使用的分布式计算模型。

结语

传统的实时监控长期以来一直受到技术阻碍，因为需要人工评估存储在静态存储数据中的传入遥测数据。随着人们所依赖的物流、运输、安全和其他系统的规模和复杂性不断增长，软件团队迁移到新技术的需求已变得迫在眉睫。

使用内存托管数字孪生，进行大规模持续实时监控的出现，为识别和应对关键问题提供了重要的新功能。

生成式人工智能通过放大软件开发人员和运营经理的能力，将其提升到一个新的水平。数字孪生和人工智能的融合有望推动许多行业的真正变革。

积极为这些技术转变做好准备的软件技术团队将在下一波数字化转型中成为领导者，开辟新的商业机会并塑造其行业的未来！

作者：聆听世界的鱼