鋼鐵俠在實驗室當(dāng)中通過增強現(xiàn)實對戰(zhàn)機進行結(jié)構(gòu)設(shè)計、升級等工作，完成一整套流程的虛擬仿真后，再交付下游進行生產(chǎn)，既降低了試錯的成本，又提升了工作的效率。不過理想很豐滿，現(xiàn)實很骨感，想要在現(xiàn)實當(dāng)中實現(xiàn)鋼鐵俠電影里的流暢絲滑的數(shù)字孿生驅(qū)動，以目前的技術(shù)條件，至少呢還需要跨越三座大山，三座大山分別是搭建高保真數(shù)字孿生模型、人工智能的算法支撐和流暢的人機交互。

第一個難題，搭建我們需要的數(shù)字孿生模型。雖然我們一直在強調(diào)數(shù)字孿生是結(jié)果，滿足應(yīng)用需求或者解決實際問題才是我們的目的，不應(yīng)該為了搭建數(shù)字孿生模型而搭建模型。但是從目前來看，我們只是對不是特別實用的外觀模型研究的比較透徹，BIM/GIS/可視化這塊我們有非常多的廠家和從業(yè)者，但是他們的痛點也非常明顯，與業(yè)務(wù)結(jié)合的太淺，只好看但是不能用，圖個新鮮還好，但是真正幫助現(xiàn)場人員解決實際問題就很難了。

電影模型西門子、達索、ANSYS做的不錯，但是不是我們的，同時機理模型用在運維上也有很多的局限性，因為機理模型它用了太多的假設(shè)和前提，比如說充分光滑、完全均勻等等，這種假設(shè)造成了無法調(diào)和的誤差，使得我們分析的并不準(zhǔn)確。那么對于數(shù)據(jù)模型短板也是非常明顯，雖然數(shù)據(jù)非常多，但是缺少異常數(shù)據(jù)和缺陷數(shù)據(jù)，越是我們需要的重大的缺陷數(shù)據(jù)我們越是沒有，比如說我們要建立一個設(shè)備的故障診斷模型，但是設(shè)備故障一般都是小概略事件，加上相關(guān)的案例報告記錄不全，導(dǎo)致非正常狀態(tài)的數(shù)據(jù)樣本十分匱乏，這就造成了模型訓(xùn)練的問題。

第二座大山是想要人工智能?，F(xiàn)在的人工智能看起來無所不能，但是實際上在工業(yè)領(lǐng)域和智慧城市領(lǐng)域落地的時候，才發(fā)現(xiàn)它幾乎什么也不能干，瞬間變成了人工智障。這里總結(jié)出人工智能的兩大短板：第一是實用性欠缺，第二是認(rèn)知能力不足。人工智能需要大量的多元化的以標(biāo)記的數(shù)據(jù)，那么數(shù)據(jù)并不總是現(xiàn)成的，如果你從事過這方面的工作，你就會知道我們實際場景當(dāng)中沒有那么多的高質(zhì)量的數(shù)據(jù)來給AI來用。即使有那么多的數(shù)據(jù)，我們當(dāng)前的人工智能的認(rèn)知能力也是不足的，這與算法本身有關(guān)，當(dāng)前人工智能可以出色的完成有邊界的任務(wù)，但是如果遇到意想不到的輸入，它就會把事情搞砸。

第三部分關(guān)于人際交互的話就不展開講了，我們目前幾乎大部分?jǐn)?shù)字孿生的案例和項目都是依賴于鼠標(biāo)操控工廠、操控城市，距離虛擬現(xiàn)實啊、混合現(xiàn)實啊、增強現(xiàn)實啊還有一段距離。