达索系统：先进制造的数字孪生

寂静回声

2025年的深秋，美国波士顿的SoWa动力站，这座见证了工业时代能源变革的红砖建筑，正在举办达索系统一年一度的科学盛会——“体验时代的科学”（Science in the Age of Experience）。来自罗文大学（Rowan University）数字工程中心的负责人Antonios Kontsos带来的话题是《先进制造的数字孪生》。这听起来像是老生常谈，但在他的视野里，数字孪生绝非仅仅是电脑屏幕上那个好看的三维模型。它是一场关于物质、能量与信息如何深层互动的革命。


Antonios Kontsos试图解开一个困扰制造业已久的谜题：我们如何才能像理解代码一样理解钢铁？我们如何才能在原子尚未堆叠之前，就预知宏大结构的命运？
Antonios Kontsos的演讲不仅仅是关于制造技术的，它更关乎我们如何通过科学的眼睛，去重新审视那些构成我们世界的物质。在接下来的篇章中，我们将跟随Kontsos教授的视角，潜入这个由激光、粉末、算法和传感器编织的奇妙宇宙。



重构物质的数字旅程（Antonios Kontsos演讲实录）
大家好。站在这个舞台上，我不得不稍微调整一下我的声音，以便让这种物理振动能更清晰地传递给在座的每一位。刚才我们从谷歌、从延锋科技，还有Dan的演讲中，多次听到“制造”被频繁提及。制造，听起来像是一个充满烟火气和机油味的动作，但在今天，我想把你们带入一个稍微不同的语境。
当我们谈论“先进制造”（Advanced Manufacturing, AM）时，我们谈论的不再是简单的切削或铸造。我们谈论的是一种网络物理系统（Cyberphysical Systems）的方法。这种方法赋予了我们一种近乎上帝般的能力——实际上，我们可以制造任何东西。从用于修复人体的工程组织和细胞结构，到驱动未来的复杂电子设备，再到那些能在极端环境下生存的高性能结构材料。


但这背后有一个巨大的挑战。为了实现这种近乎无限的制造能力，我们必须打通一条看不见的路径。这是一条连接材料、工艺、属性和最终应用的数字路径。这听起来很抽象，但请想象一下，如果不通过数据科学、计算方法和传感技术的进步，这四个孤岛将永远无法对话。材料不知道工艺对它做了什么，属性也无法反馈给设计。
我们正试图建立物理领域和数字领域之间的基础互联。在这个背景下，数字孪生（Digital Twins, DTs）不仅仅是一个镜像，它允许我们将网络与物理的融合推向一个新的层级。这不仅仅是在屏幕上画出一台机器，而是要启用一系列额外的能力，比如自动化的数据处理。


为什么这很重要？因为我们需要同步且可靠地使用那些基于物理的计算模型和人工智能模型。请注意，我说的是“基于物理”的。如果你的模型不懂物理学，不懂热力学定律，那它只是一个电子游戏。我们需要这些模型在实时环境中实施，协助我们诊断故障，预测结果。
我们的目标是优化材料的发现与合成，改进工艺参数的选择，并协助那些极其复杂的系统进行操作。这就好比我们给制造系统装上了一个大脑，让它不仅能动，还能思考，能从每一次的错误中学习。这种互联还有一个额外的好处，那就是数字孪生可以链接多尺度的信息。
信息最初可能只是源于单台机器的微观层面，比如一个激光束的焦点，但它可以扩展到整个企业的宏观运营，包括那些适用于循环经济应用的数据驱动的全生命周期分析。这不仅改变了我们制造东西的方式，也改变了我们通过商业决策与之互动的方式。



我想向大家介绍一下这些东西被制造出来的背景。正如帕特里克之前所说，“连接事物”是一个涉及多个步骤的复杂概念。在我们的案例中，我们试图专注于网络物理系统，因为我们面临着一个棘手的现实：我们需要将概念、传感器和设备整合在一起，而这些东西如果不通过精心设计的接口，是绝对无法无缝协同工作的。
我们不仅仅是在制造零件，我们是在构建一个工程生态系统。这包括了设计、测试、验证、封装以及系统的扩展。与此同时，我们必须将所有这些都置于制作数字副本的背景之下。想象一下，就像我们看到的这个已经存在了一百三十年的老发电厂。它是那个时代的工业奇迹，但在今天，它是一个遗留系统。
然而，这并不意味着它是无用的。我们可以提取其中蕴含的物理知识，将其应用到新电力系统的设计阶段。这是一种跨越时空的对话。当我们构建物理资产的同时，我们在构建它的数字副本。这需要什么？我们需要启用一些关键功能，比如实时监控、数据模拟以及能够与不同组件协同工作的人工智能。
在罗文大学（Rowan University），就像在这个国家和世界上的其他地方一样，我们正努力将这个数字工程生态系统整合在一起。我们听过“虚拟孪生”这个词，也经常听到“虚拟化”。但在我们的案例中，正如数字联盟所定义的那样，我们试图本质上专注于两个至关重要的方面，这两个方面决定了你的孪生是有生命的还是仅仅是一具尸体。
任何事物的数字孪生都必须拥有一个虚拟环境，这一点我们都理解。但是，仅仅拥有虚拟环境并不能给你带来你真正关心的那两个核心功能。如果你只是在一个漂亮的3D场景里漫游，那不叫数字孪生，那叫虚拟现实游戏。
第一个核心功能是“同步性”（Synchronicity）。这意味着我们在时间上能否让物理领域和数字领域的一致性达到某种同步水平。当物理机器动了一下，数字模型是否立刻也动了一下？这中间的延迟是可以接受的吗？这是一个关于时间的问题，而时间在工程中往往意味着一切。
在实现同步性的同时，我们还希望达到一定的“保真度”（Fidelity）。这是一个更具科学性的问题。也就是说，你看到的那个风力涡轮机的模拟，它是否是对当前状态的精确描绘？它旋转产生的气流扰动，是否符合流体力学方程？如果它是对当前状态的精确描绘，那么它能否真正产生未来的状态？
我们最关心的是未来。这个未来的状态是可靠的吗？它能否训练我的模型，以便在这个故障在现实中出现之前，就能够准确预测它？这不仅仅是模拟，这是预知。Dan正在领导一项涉及多种应用的工作。像我这样专注于材料、结构和制造的领域专家，正在与医学、能源基础设施领域的专家进行对话。我们试图理解在所有这些数字孪生开发中通用的工具和架构。


我们是唯一在思考这个问题的人吗？还是说我们是唯一在思考如何进行这种数字孪生操作的人？幸运的是，科学界并不孤独。在美国，有一份编号为5000.97的出版物，实际上大家可以去查阅一下，它定义了数字孪生开发的一些结构。这不仅仅是一份文件，这是我们这个行业的通用语言。

我们正在谈论一种综合。帕特里克之前谈到了“蝶变”，确实，这正在改变我们对工程的思考方式。以前，我们是先造机器，再想怎么修机器。但在今天，如果你在构建系统的时候，你就同时想到了硬件、软件、网络、工具和人员，甚至在你设计系统的那一刻，你就已经在这个生态系统中了。
这意味着，你的检查计划、维护策略、维修策略和大修策略，不再是事后的补救，而是你设计系统方式中不可或缺的一部分。这种思维方式的转变是巨大的。我们正在从连接这些信息的“数字主线”（Digital Thread），走向一个更加具体的概念——“数字制品”（Digital Artifact）。
在这个数字制品中，我们可以虚拟化资产，并将其带入虚拟模型。这实际上可以将数字制品转化为某种功能，从而创建一个“功能性数字孪生”。这不再是一个静态的档案，而是一个可以执行功能、可以反馈信息、可以自我进化的实体。
你能想象这能做什么吗？这不仅仅是让工程师的工作变得更酷，它在根本上改变了我们对“制造”这个词的定义。制造不再仅仅是把原材料变成产品，制造变成了创造物理世界与其数字灵魂的过程。每一次制造，都是一次双重创造。



在实际操作中，我们必须制造东西。这是一个硬道理。而要制造东西，你需要新技术。在这里，我可以向你们展示我们如何制造这世界上也许是最丰富的材料。如果我让你猜猜哪种材料被最多地用于构建物理世界，你能给我一些答案吗？我会毫不犹豫地说是金属。
你们在这些视频中看到的是在这个世界上我们如何制造大型结构的例子。当我们说大型结构时，我们指的不是桌面上的小玩意儿，而是非常巨大的尺寸。我们可以制造数米长的金属结构，它们可以是任何东西。它们可以是冲向太空的火箭发动机的一部分，可以是航行大洋的船只的一部分，也可以是支撑摩天大楼的建筑工地的一部分。
制造它们的技术正在飞速发展。我们可以制造能够沉积物质的机械臂。这不仅仅是堆叠积木，这是在原子层面上的堆叠。与此同时，它们实际上形成了我们设计的形状。我们还有激光器，就像你在右边的视频中看到的那样。我与德马吉森精机（DMG MORI）合作，我们可以真正地利用激光将物质颗粒熔合、烧结。


这是一个令人着迷的过程。激光束击中金属粉末的那一瞬间，能量在极短的时间内释放，固体瞬间变成液体，然后迅速冷却结晶。我们制造出的不仅仅是尺寸精确的物体，我们甚至能够在材料内部刻入信息，这在以前是绝对不可能的。
但是，要真正理解我们如何改变制造材料的方式，这是一个非常严肃的科学过程。我们必须理解物质是如何与激光相互作用的。这就是帕特里克今天早些时候所说的“科学问题”。这不仅仅是工程应用，这是基础物理。光子如何将能量传递给电子，热量如何在晶格中传导，相变如何在微秒间发生。


如果我们真正理解了如何制造那种原材料，并且我们能够在热能的帮助下将其熔合、烧结，我们可以实现什么呢？希望通过制造一个零件，我们可以实现制造操作的预期结果。我们可以制造一个设备、一个组件、一个零件。但更深入到科学层面，我们实际上可以制造“材料本身”。
这就像我们今天早上听到的关于蛋白质的内容一样。如果在制造零件的同时，你实际上可以定制你制造材料的方式，那会怎样？


如果我能精确控制制造东西时的温度，以及在微观结构层面生长这种材料的速率，从而制造出一种对正在进行的操作来说独一无二的材料，那会怎样？如果可以收集数据，使得那些复杂的图案——无论是细胞状枝晶还是等轴枝晶——都是可定制的、可调整的。
这意味着，我可以在同一个零件上，让这一部分的金属更硬，让那一部分的金属更有韧性。我可以在周二为了某种用途制造一种微观结构，在周三为了另一种用途制造另一种。这就是制造任何东西的未来。我们不仅仅是在塑造外形，我们是在编程物质的内部结构。


为什么我们需要如此深入地理解这一点？延锋科技之前谈到了关于预测性能的问题。这正是模拟和工程师结合的价值所在。在左边你看到一张图表，这就是所谓的S/N曲线，或者疲劳曲线。像我这样的工程师每天都在被这种问题折磨：我的零件能维持多久？我的植入物能用多久？什么时候应该修理？

这是一个关于生命周期的问题，也是一个关于安全的问题。纵轴显示了我能在某个东西上施加多少负载。目前我们制造方式的一个巨大问题是，在我们制造出东西后，实际上能达到的属性存在巨大的离散性（Scatter）。你制造了一百个零件，它们的性能可能并不完全一样。
不仅如此，如果你看右边的图片，你会发现我们制造的东西在诞生的那一刻起，本身就带有缺陷。这些是在我们制造零件本身时产生的残余应力、热场、裂纹和孔隙。它们像是潜伏在材料内部的定时炸弹。
那么，工程界如何帮助解决这个问题呢？我在时间线上放了一个关键特征，我们称之为“不透明度”（Opacity），即模拟可以是多么直接。从左到右，你可以看到不同的模拟策略示例，比如降阶模型、物理信息机器学习、机器学习以及介于两者之间的任何东西。

我们有很多工具，达索系统就有各种各样的工具。但问题是，我们能否有效地使用它们来真正理解我们可以从这些模型中得到什么，以此来告知物理学，告知设计。归根结底，这还是一个科学问题。
当我们试图真正处理物质并将其从一种状态转变为另一种状态时，我们必须担心结构问题，必须担心热效应，必须担心流固耦合（Fluid-Structure Interactions）。最终，我们必须担心我们实际上如何降低那个特定零件上的温度或热量。这不仅仅是计算，这是对物理现实的模拟。
虽然有些视频可能没有播放，但我想传达的信息是：在我们制造零件的时候，我们可以收集大量的信息。这些信息来自零件本身，比如温度，以及可以通过成像看到的内部缺陷。如果我有关于过程的物理信息，并且我现在可以将这些信息与极其精确、保真度适当的模拟相结合，我就能创建一个“数字铸造厂”（Digital Foundry）。
在这个数字铸造厂里，每当我制造东西时，我都有它的数字副本。但我能实现什么更多的东西？我能理解在相互作用的基础层面发生了什么。我们关心这个是因为机器是复杂的系统，它们有时候表现出的行为是我们凭直觉无法理解的。在相互作用的层面解释结果，是我们回头以更有效的方式进行设计的基本方法。
如果你能真正理解机器的路径以及实际进入这种特定激光集成的材料，你实际上可以调整机器以实现以前不可能实现的事情。这打开了以数字方式连接这些信息并尝试对其进行优化的道路。我们可以获得热历史、热通量、位移历史和应力历史，现在将它们全部结合在一起，以完成你每次制造东西时想要拥有的东西。
我们称之为“数字谱系”（Digital Pedigree）或者“制造任何东西的DNA”。如果这种DNA现在可以用于新机器，那就很有趣了。这不仅仅是一个零件的记录，它是这个零件生命的代码。

你在左边看到的是在美国制造的第一台机器，实际上它是我们所说的物联网（IoT）接口。为什么叫IoT接口？这不仅仅是一台发出激光并将能量照射在粉末上使粉末变成固体零件的机器。这是一台实际上为你提供接口的机器，你可以在制造过程中实际收集数据。

多少数据？是海量的。即使是像几英寸这样小的零件，也会产生数TB的数据。你必须理解、分析、可视化并从中学习，以便你做更多的事情。面对如此巨大的数据洪流，我们该如何应对？我们听说过AMD、戴尔等公司投资技术本身，试图将超级计算能力带到边缘端（Edge）。
这正是我们要做的。我们建立了计算环境，我们可以直接从机器流式传输数据，以理解我们如何实时处理信息。这是“Pythia”，一个位于单个3D打印设备旁的计算集群。它能够使用数千个CPU核心、数百个GPU核心。它的全部目的就是做“实时AI”。


请注意，我说的是实时。不是在数据库上做AI，不是在存储的数据上做AI，而是在数据流式传输并操作时进行AI处理。我们在谈论毫秒级甚至更低的延迟，以及每秒千兆比特甚至更高的吞吐量。这就像是给机器装上了一个反应速度极快的大脑。
那么，所有这一切的关键是什么？你能猜到吗？是数据。但光有数据并不是答案。对于每一条数据，你都有其他部分的元数据，你必须组织它们。所以今天的工程师比以往任何时候都更像是一个数据科学家。因为我们在网络物理设置中使用的每个系统都在产生关于过程的信息、关于材料的信息。


如果这些数据的结构方式实际上可以一直追溯到机器在达索系统软件生态系统中使用的源代码，那会怎样？我们有能力现在将这些信息链接到一个结构中，我们可以一直深入到工具路径，深入到我们必须插入机器的那个数字，以获得优化的参数。
正如Dan和其他人提到的，问题开始了：AI能帮助我们吗？你怎么看？AI能帮助我们吗？它可以。在什么意义上？单个大型语言模型（LLM）——我们称之为“智能体（Agent）”——实际上可以在制造业生态系统中协调许多功能。


比如，每当我们操作单个设备或拥有多个设备的工厂时，都会创建一个数据库。我们必须执行某些功能，比如训练模型、记录这些信息。但我们也必须部署API，通过它我们必须例如控制某些东西，或者在代码生成方面做一些事情。在某些情况下，比如机器人设备，我们必须驱动系统。
这需要一种协议。正如你在这张图表中看到的，有一个名为MTConnect的开放标准，可以帮助你将信息链接到它来源的颗粒级。你将这些信息传输出去，传给中间的适配器和智能体。如果你没有这个接口，进来的数据就是我们所说的“原始数据”（Raw Data）。而原始数据除非你有某种围绕它的结构，否则是无法使用的，它们只是数字垃圾。

一旦你建立了这个基础设施，你就创建了一种叫做XML结构的东西。这很有用。但如果你想运行AI，你可以创建一种叫做SQL数据库的东西，它是XML的解析版本。它不仅包含时间戳、温度、压力，更重要的是，它还有一个标签，这是由智能体或AI模型生成的。比如0代表无缺陷，1代表检测到缺陷。这样，你就用AI能够识别的细微差别增强了物理信息。

我们可以更进一步。更进一步是什么？就像这张图片展示的，本质上你看到的是一个实例，我们有一个物理系统在工作，并且能够进行3D打印。在物理系统工作的同时，一个数字系统正在实时地100%模仿物理系统所做的事情。

在这张照片中我们捕捉到了两件事：过去和现在。而工程网络物理系统的终极目标是什么？是捕捉未来。我称之为“T+N”项目。如果我们实际上能理解在时间t加1秒后会发生什么，我们实际上可能会在那一刻捕捉到那个正在形成的缺陷。
这听起来像科幻小说，但这是科学的目标。这里的系统能够整合虚拟环境中的所有可用信息——模拟、传感器和日志文件——并通过AI、生成式AI、多智能体系统进行增强，实际上以某种概率推断未来。
如果你在闭环系统（Closed-loop System）中推断未来，你现在可以回去进行控制。如果我基于物理学进行控制，我就有更好的机会去挽救一些东西，这比我仅仅做一个PID或PLC控制器要好得多。这是主动的干预，而不是被动的响应。
有了这些信息，我们试图将所有这些合成一张图，展示数字孪生能为制造业做什么。我们与大学和政府合作，以了解我们如何对一个在制造过程中产生海量数据的动态系统进行“环内校正”（In-loop Correction），并在不停止操作的情况下动态地校正该系统。


我们将这些数字系统视为两股信息流的合成：物理信息和数字信息。一旦你将两者结合起来，你就为中间这个巨大的AI和机器学习盒子创造了基础。在这里你实际上可以协调许多功能：优化、预测性分析、维护、故障检测、工艺规划，当然还有模型设计和制造。
我们在像DMG MORI那样的系统上实现这一点，能够做三个功能。首先，“按制造即时镜像”（Mirror as you build），在你实际制造它的100%的时间内，创建一个你正在制造的东西的图像。其次，理解并在任何给定的时间实例t限定你制造的东西。最后，如果可能的话，现在就进行闭环，在事情发生之前进行校正。
有了这张图，想想不仅是用金属，而是用任何已知材料制造什么是可能的。如果我们能改进我们实际使用物质原材料来制造任何东西的方式，未来绝对是光明的。这不仅仅是关于制造更强的零件，这是关于制造更聪明的零件，以及更聪明地制造。



Patrick Johnson（达索系统企业研究与科学执行副总裁）：
谢谢你，安东尼奥。这真的是多种技术的惊人融合。我有一些问题，我相信在座的各位也有。我先开个头。你在演讲一开始提到了虚拟和现实之间的“同步性”。你也提到了“镜像”。但是，考虑到不确定性量化和多保真度这些复杂的概念，我感觉虚拟和现实之间在时间方面的关系，应该比简单的同步要深刻得多。这就好像是虚拟和现实之间的一种“语法”。你怎么看？
Antonios Kontsos：
问得非常精准，Patrick。这确实触及了事物的科学本质。我们总是可以欺骗眼睛，让虚拟的东西看起来与物理的东西是同步的。这种视觉上的错觉可以通过多种方式实现。但是，正如帕特里克你非常清楚的那样，在模拟的世界里，“时间”是一个与物理世界中的时间完全不同的概念。


我们要强调的不仅仅是视觉上的同步，而是验证（Verification）、确认（Validation），当然还有这种联系中的不确定性量化（Uncertainty Quantification），我们简称VVUQ。在时间t，给定系统的状态是可以被科学地确定的。想想心脏，想想人体器官。我们理解生理学，我们理解性能。问题在于当你有一个单一或多个传感器数据，或者是模拟数据同时进来的时候。它们能在信息向量中限定相同的状态吗？
这实际上可以是特征性的，也就是我们所说的“状态描述”。没错，现在的状态描述可以是一个无限维的向量。但是，如果我实际上可以用，比如说主成分分析（Principal Component Analysis，PCA），来描述一个给定系统的状态——无论是器官、机器还是材料——用那些实际上足够敏感、能够理解动态系统细微差别的描述符。
那么问题来了，我可以做什么来用这些信息告知我的模拟，使其不仅仅是精确的，而且是我们所说的在保真度上是可靠的？如果这种情况发生了，而且我可以信任我的模拟环境来产生新数据。我就可以用一种生成式AI或者其他方式，在系统生成关于传感器的新信息之前，就在系统中生成这些信息。本质上是预测传感器会预测什么，模拟在发生之前会做什么。
所以，VVUQ正是连接物联网（IoT）、信息技术（IT）与数学框架的纽带，这将给我们带来更好的可靠性和更好的确定性，使我们能够以非常高保真的方式实现这种连接。
Patrick Johnson：
听了你的话，我有种感觉。你知道，理查德·费曼曾经说过：“我无法解释的东西，我就无法表达。” 而你是在说：“我无法探测的东西，我就无法构建。” 基本上是这个意思吧。现场有什么问题吗？
观众提问 1：
我想给一些背景。当我做博士研究时，研究的是果蝇的飞行。它们做的事情看起来非常神奇，这些动态系统，但它们大多是硬连线的（hardwired）。有很多被动的物理元素，基本上是硬连线的计算元素。然后这就涉及到一个问题：神经网络或计算在多大程度上适合这种顶层结构？所以我关于这个系统的问题是关于时间，比如延迟和成本。你如何在这些动态系统的中间放入大型语言模型（LLM）？
Antonios Kontsos：
你之前听到Dan谈到了新的AMD Ryzen Pro芯片，它带有NPU（神经处理单元）。这很关键。并非所有的神经网络架构都是一样的。所以我们正试图优化在硬件上使用多智能体或生成式AI系统，这实际上可以优化两件事：训练系统的时间，或者在具有合理外形尺寸的硬件上部署不同AI系统的时间。
有些应用我们可以实现，比如在我们的仪器旁边放置一个高性能计算环境。但是想象一下驾驶无人机或像你说的在房间里飞来飞去的昆虫。你真的不能把那种巨大的计算设备放在它上面，对吧？
所以这里的想法实际上是创建自动化边缘智能的多个示例，其外形尺寸适合运行针对你正在监控的功能类型的适当模型。并不是每个40亿参数的神经网络模型都适合果蝇，这是一个很好的例子。但是，如果你训练那个模型，并且你可以将其容器化，以便将其放入一个设备中——这个设备可以像树莓派一样简单，也可以像Ryzen AMD Pro芯片那样先进——并且可以在该特定的外形尺寸上工作，安装在触觉设备或你正在监控的设备上，那么我们用AI能实现的成就是令人印象深刻的。所以我们现在讨论的是硬件和软件在形式因素上的综合，它可以就在信息产生的地方。
观众提问 2：
这更多的是一个观察。我对你关于虚拟和现实同步的展示很感兴趣，然后让虚拟走到现实的前面。但这引发了一个反问。这现在有点像科幻小说了，因为如果你的虚拟系统检测到了某些你不希望发生的事情，然后你实际上回去改变了“现在”。那么你实际上就拥有了几乎无限可能的未来。这似乎是一个逻辑困境。
Antonios Kontsos：
马尔可夫假设（Markovian assumptions）曾经是我的噩梦，因为我必须证明它们。但我会告诉你这一点，模拟是许多参数的汇编，但最重要的是关于“假设”。我们做出假设。让我们称之为边界条件、初始条件。每个模拟都可能是错的，或者可能是“精确地错误”。我喜欢第二种说法。
如果你实际上可以用主成分分析来描述给定系统的状态，我们正试图做的是在一个环境中利用模拟计算的力量，在这个环境中我们对模型能产生的假设进行实时调整，并本质上将其与我们标记为“基本事实”（Ground Truth）的东西结合起来。
什么是基本事实？没人说如果我在周二制造一个零件，我不能利用我这十年来制造的10,000个零件的数据库。但是如果我现在使用AI来利用基本事实的数据趋势，那么我在时间t所做的，就是将我从模拟和传感中得到的东西与我认为是受VVUQ约束的基本事实进行比较，并尝试现在回溯并说，我能预测t减1吗？
如果我能做到这一点，我能不能在一个时间窗口内持续这样做？所以我可以不断地来回、来回，并根据当时的情况调整我所处的位置。想想电动汽车，想想无人机。如果我可以像在无基线的方式中那样学习，那么我就有一种方法来动态地整合以前模拟所没有的信息。这就是我们试图在这里实现的背景。
我同意你的观点，误差及其量化是一个大概念，随着计算和模拟变得更好，我认为我们将变得更加准确，并且能够做到从当前状态走出T+1，然后延伸到T+N步。
Patrick Johnson：
这是一个极好的观点。我想这也是为什么我们使用“虚拟孪生”这个词的原因。确切地说。因为虚拟不仅仅是一个副本。它是对许多可能性的探索，就像车头灯照亮前方的可能道路一样。



Antonios Kontsos教授的演讲不仅仅是对先进制造技术的一次展示，更是对达索系统“科学UNIV+RSES”（科学宇宙）理念的一次生动注脚。在这个宇宙中，虚拟与现实不再是两个平行的世界，而是深度融合、相互定义的统一体。
达索系统深信，构建美好未来的最佳途径是通过科学。这不仅仅是一句口号，而是根植于其解决方案DNA中的信念。从Kontsos教授提到的数字制品到全生命周期的管理，这正是达索系统3DEXPERIENCE平台所致力构建的基础设施。
我们正处于“生成式经济”（Generative Economy）的黎明。在这个时代，体验经济与可持续发展的迫切需求交汇在一起。传统的消耗型经济模式正在走到尽头，取而代之的是一种能够通过数据和科学循环利用资源、预测结果、减少浪费的新经济模式。
达索系统的科学UNIV+RSES正是这一愿景的载体。它通过虚拟孪生体验，协调产品、自然和生命。无论是在工程领域预测材料的微观结构，还是在生命科学领域模拟人类心脏的跳动，虚拟世界都允许我们在不消耗物理资源的情况下探索、理解、想象、创造和测试。
正如Bernard Charlès在主题演讲中所言，科学必须学会“栖息”在它试图理解的系统中。3D UNIV+RSES正是这样一个新一代的科学表征，它是知识和技术的栖息地。在这里，AI不是替代人类的工具，而是人类智慧的放大器，是连接不同学科、揭示隐秘联系的桥梁。
通过将建模、仿真和人工智能相结合，我们正在通过创新重塑世界。这不仅是为了制造更好的产品，更是为了催化科学如何让我们大开眼界，让不可见变为可见。在这个虚拟与现实交融的科学宇宙中，我们不再是被动的观察者，而是主动的创造者，共同书写着人类与物质世界对话的新篇章。