在数字孪生体与人工智能相结合的协助下，能够呈现一种用于整个物流供应链网络的智能模型。这儿咱们介绍一下数字孪生体在物流中的或许运用，以及为什么数字孪生体有或许解锁人工智能的高档或许性。
数字孪生体正在进入越来越多的职业，并与人工智能（AI）一同发挥其潜力。可是，它们尚未在物流职业中广泛运用——虽然许多最重要的根本技能现已可用。例如，传感器被用于盯梢货品，物流部分越来越依靠敞开的API战略和迁移到云端。物流公司正在运用机器学习和高档剖析技能，以优化其供应链，并从前史运送和运营数据中取得新的见地。物流专家还在为库房拣选和车辆装载等使命施行增强、混合和虚拟实际运用程序。总而言之，这是在物流范畴创立数字孪生体的抱负数据根底。可是，数字孪生体在物流范畴供给了哪些具体的运用或许性呢？
用于包装和容器的数字孪生体经过物流网络运送的大多数产品都是以某种办法进行包装的。该职业运用很多的一次性包装以及专用或通用可重复运用的容器。包装和容器的开发、监控和办理给物流职业带来了许多应战。一方面，由于电子商务的继续增长，能够观察到对包装和容器的需求不断添加。另一方面，存在季节性动摇和包装的全体多样性。这会导致很多糟蹋，并由于批量利用率低而下降运营功率。
经过将资料数字孪生与计算机视觉技能结合运用，能够快速创立容器的具体模型，并且能够主动检测潜在的问题，例如凹痕和裂缝。此信息能够与有关容器移动的前史数据相结合，以创立数字孪生，然后影响有关何时运用、修正或停用特定容器的决议方案。此外，将这些数据汇总到整个集装箱群中能够协助船东就船队的规划和散布做出最佳决议方案，并确认或许标明潜在问题（如集装箱毛病）的趋势。数字孪生体还可用于开发更巩固、更简便、更环保的包装资料，并协助更有用地办理集装箱船队。
出货量的数字化孪生将容器的内容包含在其数字孪生中是下一个合乎逻辑的进程。运送灵敏的高价值产品（如药品或电子元件）现已是常见的做法，这些产品带有监控温度、冲击和振荡等参数的传感器。货品的数字孪生体将作为这些传感器收集数据的一种”存储库”，并有或许以新的办法运用这些数据。例如，包含包装的隔热和减震特性的模型能够答应从外部传感器收集的数据揣度容器内的条件。
结合产品和包装数据能够协助公司经过优化包装挑选和容器包装战略的主动化来进步功率，以最大极限地削减空阔的空间和货品的污染。
库房和调度中心的数字孪生数字孪生体的另一个令人兴奋的运用范畴呈现在库房和调度中心的规划、运营和优化中。库房数字孪生体经过将设备的3D模型与物联网数据以及库存和运营数据（例如物品的巨细，数量和需求特征）相结合，能够支撑新设备的规划和布局，以便经过模仿产品，人员和资料的移动来优化空间利用率。数字孪生体还能够在库房运营期间运用来自主动化技能的数据进行更新，例如根据无人机的库存盘点体系，无人驾驶运送体系，乃至主动存储和检索设备。然后，这些数字孪生体可用于进一步优化这些主动化体系的功能。
总而言之，数字孪生体可用于经过辨认归纳数据（从库存、设备和人员的移动到辨认和消除库房运营中的糟蹋（例如拣选过错））来继续进步库房和调度中心的绩效。在实时操作中进行更改之前，能够运用仿真来测验和评价更改布局和流程或引进新设备的潜在影响。特别是在估计数量和库存组合会快速改动的范畴（例如，在电子商务职业中），数字孪生能够经过动态优化流程（从存储方位和人员配备到设备分配）供给支撑。
数字孪生和人工智能数字孪生体的真实昌盛来自人工智能及其猜测才干。曩昔，以数字办法创立空间模型令人兴奋，但只不过是静态可视化方针的一种办法。今日，咱们从传感器、前史功能和行为输入中取得的一切数据都能够链接到空间模型，并经过改动不同的输入来猜测未来的行为。事实上，数据和猜测功能使空间模型绘声绘色。
数字孪生的第一个长处是能够生成模仿数据。虚拟环境能够接受无限数量的重复和场景。然后，生成的模仿数据可用于练习AI模型（例如，作为AI开发渠道的一部分）。经过这种办法，能够向AI体系教授潜在的实际国际条件，不然这些条件或许很少见或仍处于测验阶段。
Cloudflight AI 开发渠道经过彻底集成的作业流程体系，根据来自数字孪生体的模仿数据，能够高效练习 AI 模型。
第二个长处是能够方案和测验新功能。数字孪生体应该描绘实际——但它也能够供给对未来的一瞥。是否应该对新的库房和调度中心进行出资？仍是正在考虑机器学习来增强新的数据操作？这样做的最大优点是：您能够虚拟创立未来的国际并测验各种场景。测验能够根据需求进行优化和屡次运转，以找到最佳解决方案。
最终，将机器学习添加到工业进程中，将经过取得更精确的数据和猜测以及了解可视化和非结构化数据，使进程愈加智能。将机器学习集成到作业流程中不仅为发现数据中曾经看不见的方式供给了时机，并且还为优化流程发明了新的或许性。
数字孪生体敞开 AI 的高档或许性现在，大多数机器学习都是监督学习——模型从符号的示例中学习。还有其他办法的学习，能够在数据中找到不行预见的方式。其间之一被称为强化学习，即无监督模型在给定（模仿）环境中采纳举动时从奖赏中学习。
可是，在大多数广为人知的强化学习事例中，这些条件在实际国际中是不或许的。即使是最先进的强化学习模型也需求很多经历才干变得有用。举个比如：OpenAI Five神经网络需求180年的有用练习时刻。
到现在为止，许多现代强化学习只在游戏中起作用，由于在实际生活中不或许有重复的数量。在数字孪生环境中，您能够在不不断中止体系的情况下重复场景或进行测验，以便强化学习署理能够找到取得奖赏的新办法。在实践中，这一程序能够得到很好的建立。例如，作为一种优化物流网络的办法，然后在功能方面远远超越传统的优化算法。
智能供应链生态体系仓储和调度中心仅占整个物流根底设备的一小部分。货品从源头到目的地的活动取决于各种元素的编列，包含船只，货车、火车和飞机，订单和信息体系，最重要的是人。这种杂乱的多方利益相关者环境能够在货运机场和集装箱港口等首要全球物流纽带得到最明晰的剖析。在这些设备中，不完善的信息同享体系现在加重了高效运营的应战，其间许多参与者依靠于简单犯错的离线流程。
在数字孪生体与人工智能相结合的协助下，或许会呈现整个供应链网络的智能模型，以及一切合作伙伴一起供给信息，以进步其供应链的透明度。这样做的根底是运用一切内部和外部数据来操控供应链，以及拜访非结构化的外部数据（例如，来自物联网和交际媒体运用程序以及客户数据）。
作为 DTDL 接口编写的典型模型的示例模型代码。该模型描绘了行星，每个行星都有一个称号，质量和温度。
完成这一方针的一个重要先决条件是来自不同生态体系的数字孪生体之间的通讯和信息交流的标准化，例如，微软正在测验运用数字孪生界说言语（DTDL），这是一种根据JSON-LD的言语。
总归，数字孪生体和人工智能将在未来优化物流网络方面发挥决定性的竞赛优势。
by 约恩·彼得莱特
