1
最早数字孪生(Digital Twins)的提出和应用，是为了美国空军战斗机的维护工作。战斗机的实时状态、外界环境条件，都会实时复现到“孪生体”上，如果想要知道飞机在某种特殊环境下的情况，或者做一些内外部设计的改动、零部件测试等活动，工程师们都可以在“孪生体”上进行，这样既避免了对飞机本身的影响，也可以提高效率、节约成本。
在民用制造领域，数字孪生的应用同样广泛，美国通用电气公司会为引擎、涡轮、核磁共振等都创造一个数字孪生体，通过对运行数据进行连续采集和智能分析，可以预测维护周期、维护工作的最佳时间点，以及提供故障率参考等。
数字孪生简单来说，就是以数字化的形式对现实实体和系统进行实时的虚拟仿真。我们也可以对比数字仿真这一概念来理解数字孪生，仿真是对现实世界的客观映射，而孪生与仿真的区别在于，孪生接入了实时数据，即在数字世界中存在着一个与现实同步的、动态的虚拟模型，这个模型通过实时的、真实的数据高速推演，分析和预测未来各种事件发生的概率，从而帮助人们做出正确的决策，规避即将发生的风险。
2
数字孪生为工业制造带来的效率提升和成本下降是显而易见的，这么好的技术与汽车行业追求的“降本增效”不是刚好不谋而合吗？的确，当下对供应链数字孪生的呼声越来越高。知名咨询公司Gartner两年以前就预测，供应链数字孪生将在5年内达到大规模的应用。现在，正是开始做落地研究的恰当时机。
行业形势发展是一方面，更重要的是技术条件。供应链数字孪生落地应用的首要前提是实时地获取数据。随着5G技术与工业互联网技术的突破，我们已经能够高效获取供应链每一个节点上的数据，使底层的数据获取不再成为核心瓶颈。其次，机器学习与人工智能技术逐渐成熟，使得原本复杂的计算能够通过机器学习的高效算法，用较短的求解模型，实时的推演与求解，保证了运算结果的及时性与准确性。
孪生世界具体是如何赋能现实世界呢？如果把企业比喻成一架飞机，那么供应链数字孪生就是这架飞机的雷达系统。在驾驶员发现真正的问题之前，雷达系统就可以根据当前的航速、航向、外部环境等数据推演出未来可能面临的风险。
对于追求稳定的供应链来说，能够提前发现问题，并迅速解决问题是最为重要的。尤其是近几年，国际社会黑天鹅事件频发，汽车行业作为供应链复杂程度较高的行业，受到的打击格外为严重，不少企业甚至出现了断芯停产的问题。
3
具体到实践层面，车企需要提前构建一个数字孪生模型，在孪生世界中通过实时的数据获取，模型能够推演出基于该数据分析的未来各种事件发生的概率。当风险发生的概率达到某一阈值的时候，模型就会向用户发出警报，同时模型背后的图数据库能够推演出该点风险发生后，所能影响的其他点的风险。
接下来，作为总控的计算平台为了应对这个风险，背后的计算引擎会开始高速计算，通过无数版本的模拟计算，最终将提供若干版损失较小的方案，帮助用户决策。这样，在面对突发状况时，车企管理者就从做填空题变成了做选择题，极大提升决策效率。
得益于汽车行业信息化程度高的优势，笔者所在公司曾帮助一家车企在原有的业务系统上搭建了一套简化版的供应链孪生系统，在去年新车发布期间，帮助企业快速获得了数字化预警能力。
当时，新发布的车型供不应求，各大区之间资源争抢激烈，顾客等待周期较长，且不同客户需求各异，相关客诉显著暴增。而在供应链端，由于各种原因，整车交付延迟，交付日期无法确认。
我们帮助该企业打通了各部门间的信息墙，在虚拟世界中构建了一条与现实世界同步业务链条。当某一部件不能准时交付时，预警系统能够快速计算出哪些车型将受到影响，预计会延迟多长时间才可以交付。同样，对于销售端的配置变更，资源分配的变动，主机厂都能实时分析该项变动对其他车主将产生的影响，有效地量化了成本与收益，大幅减少了客诉。
4
零部件企业在疫情前就一直饱受需求频繁变动的折磨，疫情的冲击让波动更为剧烈。例如某零部件巨头，今年它面临的供应链结构性库存过剩尤为严重。与此同时，企业交付却频频出现问题，该到的物料没有到，过剩的物料却还在输入。通过对其供应链进行孪生建模，我们分析了不同主机厂的最有可能的需求，以及供应端的具体产能，在孪生端分析了多种可能性数据，从而在风险与收益之间，帮助企业做出了最优的决策方案。
在数字孪生虚拟出的数字世界里，原本复杂、笨重的工业制造活动变得快速、灵巧。从现实到虚拟，省下的是大量的人力资源、时间成本；从虚拟到现实，提升的是运营效率和抗风险能力。数字孪生并非空中楼阁，当我们具备了成熟的技术条件和实践经验时，就可以为供应链构建起一个强大的“雷达系统”，有了这个系统，供应链智能化的进程就将迈上新的台阶。
