# 工厂该选数字孪生还是 AI Agent？问题本身就问错了

> 孪生预测后果，Agent 决定行动；没有孪生就去动在线产线的 Agent 可能闯祸。

原文: https://fdetimes.net/zh/analysis/digital-twin-vs-ai-agent-factory/

设想一家制造业客户问前线部署工程师（FDE）：我们该投数字孪生，还是投 AI Agent？这听起来像二选一，其实问法就错了。两种技术并不竞争，因为它们回答的是不同的问题；而且一个缺了孪生、直接接触在线产线的 Agent，可能造成伤害。

2023 年发表在 arXiv 上的一项研究，系统比较了工业生产中的软件 Agent 和数字孪生，把两者的界线划得相当清楚：Agent 通常用于协同规划和执行生产流程；数字孪生则偏被动，负责监测生产资源和处理信息。

对 FDE 来说，这条界线就是一个诊断工具。先弄清客户需要的是“能做决策的东西”，还是“能正确理解物理世界的东西”，就不会卖错方案，也不会花六个月去建一个客户暂时用不上的系统。

## 孪生懂物理，Agent 懂行动

可以这样概括：孪生回答“这样做会发生什么？”，Agent 回答“那该怎么做？”。一个是模型，一个是决策者。工厂的问题属于哪一边，取决于是否要在运行中的设备上采取真实动作。

有些问题只需要孪生。Siemens 和 NVIDIA 介绍过用 AI 模拟数百种工厂布局方案，从中找出效率最高的设计。

这是设计阶段的工作，此时还没有任何 Agent 在管一个生产班次。NVIDIA 的 Rev Lebaredian 更进一步：在任何硬件安装之前，先在虚拟环境中训练机器人。

NVIDIA 还引用了自己发布的一个结果：BMW Group 从零规划新工厂时，效率最多提升 30%。这是厂商给出的数字，应把它看作孪生擅长哪类问题的信号，而不是对每个客户的承诺。

## 为什么 Agent 不能单独上车间

反过来，Agent 的长处是规划和执行。麻烦出现在让基于大语言模型（LLM）的 Agent 去为物理设备推荐参数的时候。工业软件厂商 XMPro 把这个短板说得很直白：LLM 从互联网文本中学习，因此天生不理解物理系统。

XMPro 由此归纳出两种失误。明显的一种：没有明确定义运行限值时，Agent 可能推荐超出安全阈值的动作。隐蔽的一种：Agent 为局部目标做优化，却给整个系统制造了问题。

设想一家糖果厂。排产 Agent 接到一笔加急订单，为了赶交期，提议加快包装区的传送带速度。单独看，这个决定合情合理。

但如果新速度迫使上游烤炉温度超过允许上限，或者让产品在冷却区堆积，那么 Agent 就同时犯了这两种错。

错误的根源在于 LLM 缺乏内在的物理理解，所以在提示词里写几行指令，并不能可靠地防止它。更扎实的基础是一个模型：它知道烤炉最高能到多少度，知道物料在各区之间怎样流动。这正是孪生能提供的。

NVIDIA 把孪生定位为训练、测试和验证 AI 的安全环境。放到这个例子里，就是 Agent 的建议先在孪生上试一遍，再去碰真实设备。

**要点:** 还不知道设备限值的 Agent，就还不该碰真实设备。

## 结合起来，彼此补短

arXiv 这项研究的结论是：Agent 与孪生搭配时，生产资产会变得智能、自主、可协作，同时又能紧密反映现实。分工很清楚：Agent 带来自主性和协调能力，孪生带来保真度。

XMPro 的 CEO 说得更远，称孪生是构建可信工业 Agent 的必要基础。要注意，XMPro 卖的就是孪生平台，这里存在利益冲突。即便如此，上面两种失误确实存在，这是技术理由，而不只是商业说辞。

## 孪生并不便宜，数据差就别谈

所有“先建孪生”的提案，都要在这里仔细推敲。TechTarget 指出，创建和运行孪生的成本，可能让许多组织要等很久才能看到正的投资回报率（ROI）。更糟的是，数据缺失或质量差会限制孪生的使用，甚至让它完全不可用。

所以在客户现场，FDE 首先该问的不是“孪生还是 Agent？”，而是“你们的传感器数据是什么情况？”。传感器分布零散、经常丢采样、时间戳不同步的工厂，还没准备好上孪生。硬上，就是把预算砸进一个错误的模型。

下表可以帮助快速判断客户需求：

| 客户情况 | 需要什么 | 原因 |
|---|---|---|
| 设计新工厂布局 | 孪生 | 模拟多种方案；还没有可供 Agent 操作的在线运营 |
| 机器人即将安装，需要先训练 | 孪生 | 用虚拟环境替代尚不存在的硬件 |
| 协调计划、单据，以及不涉及设备参数的工作 | Agent | 发挥规划和执行优势；物理风险小 |
| Agent 推荐或调整运行中设备的参数 | 两者都要 | 执行前由孪生检查安全限值和系统级影响 |
| 传感器数据缺失或质量差 | 物理层面暂时都不要 | 先修数据；跑在差数据上的孪生用不起来 |

第三行是根据研究划出的界线推断出来的，并非任何来源中的建议。但它解释了为什么工厂里的第一个 Agent 项目应从协调层做起：见效快、风险低，也不必等孪生。

## FDE 该从中练什么

关键技能是把物理限值变成代码里的约束。运维工程师给出的每一个阈值，都应成为 Agent 行动前必须通过的检查，而不是文档里一行没人看的字。

第二项技能是在做承诺之前评估数据是否就绪。一个敢说“先别建孪生，数据上得先做这三件事”的 FDE，往往比推销最大方案的人更受信任。

阅读工业企业的 FDE 岗位描述时，留意岗位是否涉及传感器数据、仿真或安全约束。如果涉及，站在这两个世界之间的能力就会派上用场，面试前应准备好具体案例。

简历上不要只写“构建了 AI Agent”。要写清你用哪些现实世界的限值约束了 Agent、怎样在仿真环境中验证、结果如何。这能证明你明白：在工厂里，一个错误决策远不止是一个 bug。

下次和运维工程师坐下来时，带上四个问题：哪些参数绝不能超？这个区域的改动会波及哪里？哪些传感器数据足够完整可靠，可以用来建模？Agent 会被允许动设备参数，还是只做工作协调？

有了这四个答案，就足以判断客户需要孪生、Agent，还是两者都要。

**本周动手试试:**

- 拿一个你正在做或想做的 Agent 用例，列出 Agent 的动作可能触及的所有物理限值。只要清单上至少有一项，就画出每个动作在执行前如何对照模型做检查。
- 选一个公开的工业传感器数据集，假设你要基于它建孪生，评估它的完整性和数据质量，然后写一页结论：就绪，或未就绪。
- 在简历上加一行，具体说明你如何依据现实世界的约束为自动化系统设置护栏，并附上一个数字或验证结果。

## 信源

- [Systematic Comparison of Software Agents and Digital Twins: Differences, Similarities, and Synergies in Industrial Production](https://arxiv.org/abs/2307.08421)

- [Digital Twins: The Essential Foundation for Trustworthy Industrial AI Agents](https://xmpro.com/digital-twins-the-essential-foundation-for-trustworthy-industrial-ai-agents/)

- [What Is a Digital Twin? | NVIDIA Glossary](https://www.nvidia.com/en-au/omniverse/digital-twins/)

- [Siemens and NVIDIA preview technology for AI-era manufacturing](https://www.processonline.com.au/content/software-it/news/siemens-and-nvidia-preview-technology-for-ai-era-manufacturing-1509888902)

- [9 advantages and disadvantages of digital twin technology](https://www.techtarget.com/enterprise-software/feature/9-advantages-and-disadvantages-of-digital-twin-technology)