微软首席项目经理西里尔•格洛克纳(Cyrill Glockner)说:“想象一下，你从最难的问题开始着手，找到解决方案的可能性几乎为零。”“人工智能的大脑永远不会找到这样做的方法。但它可以通过开发和探索的结合，利用它已经学到的东西，并在整个数据环境中寻找，以确保找到问题的最佳解决方案，慢慢地达到目标。”

在实践中，人类专家首先把这个过程分解成更小的任务。然后他们给人工智能的大脑一些简单的问题，这样它就可以开始学习如何使用它的算法来解决这些简单的挑战。然后，他们将大脑已经看到的小任务组合成更大的任务，直到它能够自动控制大型复杂系统。

格洛克纳说:“通过将人工智能大脑限制在某些参数和范围内，我们基本上减少了它必须考虑的数学空间。”“然后我们随着时间的推移增加范围。大脑只需要处理新的数据，它已经有了一些在早期、较小范围内发现的方法，也可以应用于更大的范围。”

数字孪生的作用

正如上面所解释的，当最初使用机器翻译训练大脑时，从小任务和有限的数据量开始是很重要的，一旦大脑得到良好的训练，它就需要大量的数据来充分优化其操作。

通常，这涉及到通过反复运行物理进程来生成大量数据。然后，这些数据可以被输入大脑，以微调其在整个机器或过程中的操作，它被设计为自动化。但是，从物理过程中生成如此多的数据既耗时又昂贵。此外，如果一种情况每万亿次才出现一次，即“极端情况”，并且在训练过程中没有遇到，那么大脑之前就不会看到这种情况，如果这种情况在以后发生，就不知道该如何反应。

通过与Ansys Twin Builder合作，微软项目盆景克服了这些限制，同时运行数百个机器或应用程序的虚拟模型，并将这些数字孪生产生的数据直接输入大脑以优化它。使用大量的虚拟模型而不是较少的物理模型可以减少训练大脑的时间和成本。它还使工程师能够在虚拟环境中引入可能对物理机器造成潜在危险或损害的极端情况，因此大脑在投入运行之前已经看到了所有可能的情况。

从数字孪生到机器学习:它是如何工作的

工程师首先使用Twin Builder通过结合不同的建模技术(如0D/1D建模和基于高保真度仿真结果的降阶模型(ROM))来创建多物理场系统级模型。这些更高保真度的模型提供了最大的仿真精度，但也需要很长时间和大量的计算资源来运行。ROM是一种比原始模型更小、计算强度更低的模型，但它运行得更快，同时在模拟中涉及的物理精度方面几乎没有牺牲。Twin Builder使用组件库(泵、阀门、执行器、传感器等)和rom对整个系统进行建模，这些组件需要精确的预测，通常无法通过0D/1D建模(例如物理变量的完整现场预测)来实现，从而可以根据系统响应优化和验证组件选择。

基于物理的数字孪生模型可以通过整合来自资产数据的知识来进一步改进，例如用于模型校准或增强，从而形成混合数字孪生模型。