数字孪生概念的来源目前的共识包括美国航空航天局、美国空军研究实验室以及美国密西根大学Griveves教授三方。美国航空航天局（NASA）或空军研究实验室（AFRL）提出的数字孪生，是指一种用于运载工具建模、控制、预测与健康管理的复杂的工程应用方法或基于该方法建成的系统，Michael Grieves提出的数字孪生，是指孪生对象状态的数字化表示或数字化等价物，本质上是一种高度抽象的计算机应用的基本思想方法。其余数字孪生的定义，则是基于上述概念内涵的衍生、组合和发展。
阅读了中科院彭慧研究员撰写的《理解数字孪生，你应该回答的33个问题》一文，深有同感，遂尝试从个人角度来尝试回答一下这33个关于数字孪生的问题。
整体而言，笔者及团队主要从事运载工具建模、控制、预测与健康管理领域，与NASA或AFRL提出的数字孪生的观点是一致的。
文/ 西安交通大学 刘金鑫
1. 数字孪生是哲学观点、理论、技术还是方法？
（原问：数字孪生，是一种数字化哲学观点？是一种数字化理论？是一种数字化技术？是一种数字化方法或理念？还是兼而有之？为什么？）
答：数字孪生是兼具数字化理论、技术和方法论特征的体系。
理论层面：其核心思想源于信息镜像模型（Information Mirroring Model），强调物理系统与虚拟空间的动态映射与反馈机制，形成了支撑全生命周期管理的理论框架。
技术层面：以建模仿真为核心，集成物联网、云计算、大数据等技术，实现实时数据驱动的虚实交互。
方法论层面：提供了一种系统性工具，用于优化设计、预测维护和决策支持，例如在航空航天、智能制造等领域的应用。
数字孪生并非单一概念，而是融合理论、技术与实践的综合性体系，其目标是通过虚实共生实现闭环优化。
2. 数字孪生解决的本质科学问题是什么？（科学属性视角）
（原问：如果数字孪生是一种数字化理论，那么该理论解决了什么样的科学问题？该理论体系如何定义？与现有的各种数字化理论有何区别？）
答：数字孪生主要解决复杂系统的全生命周期动态映射与实时优化问题，实现动态、实时这两个目标就是他的科学目标。
科学问题：如何实现物理实体与虚拟模型的双向实时交互（数据同步、状态预测、闭环控制），这种实时性的困难体现在模型端，不同几何尺度的仿真通常也需要不同时间尺度的表征，例如高精度流体力学计算耗费几十个小时可能只计算了实际工况的几十毫秒时长。也就是高精度计算如果天然具有这种欠实时性，我们如何解决？例如很多代理模型研究就是在讨论精度和实时性进行折中处理。
（PS：我们团队研究发动机实时动态模型，本质就是代理模型，可以在满足工程需求的精度下实现单步ms级的实时、动态仿真，正是解决数字孪生技术实时交互这一核心科学问题的一种途径，模型的“实时”和“动态”两个关键词是数字孪生技术面临的本质科学问题，在很多场景它实现起来并不容易）
与传统数字化理论的区别：数字孪生基于物理信息系统Cyber-Physical System（CPS）框架，涵盖几何模型、物理模型、行为模型等多维度建模，强调虚实融合的“同速率收敛”或“同速率仿真”（或者模型比物理对象快也可以，这样可以处理得看上去同步，但模型比物理对象慢就麻烦了，这也是要解决的关键核心问题），以及态闭环反馈和全生命周期覆盖（例如通过传感器实时更新模型状态）。传统数字化多关注单向数据采集或静态建模（如3D CAD）。
3. 数字孪生作为技术的本质与创新性是什么？（技术属性视角）
（原问：如果数字孪生是一种数字化技术，那么数字孪生是一种什么样的技术？是一种全新的数字化技术，还是现有数字化技术的升级？如果数字孪生是一种全新的数字化技术，这种新技术与已有的数字化技术的区别是什么？）
答：数字孪生是现有数字化技术的集成升级，而非完全颠覆性技术：
技术构成要素：以建模仿真为核心，融合物联网（实时数据采集）、大数据（历史数据分析）、AI人工智能（预测优化）等技术。
技术视角的创新点：（1）全生命周期覆盖：从设计、制造到运维的全流程动态映射；（2）实时双向交互：物理状态与虚拟模型同步更新，支持决策反馈；（3）多尺度融合：集成几何、物理、规则等多维度模型，突破传统单一模型局限。
4. 数字孪生作为方法的关键特征是什么？
（原问：如果数字孪生是一种方法，那么数字孪生是一种什么样的方法？是一种新的数字化方法，还是现有数字化方法的升级？如果数字孪生是一种全新的数字化方法，这种新方法与已有的数字化方法的区别是什么？）
答：数字孪生是系统性方法论的升级，它是方法论而不是方法本身，或者也可称它为方法集、工具箱。
方法论特点：以虚实共生为核心，通过数据驱动实现设计优化（如预演方案）、预测性维护（如发动机健康管理）等。如果数字孪生是一个可以输出很多参数的模型的话，他可以输出物理孪生显性表达的参数（如机器的温度、压力、转速等状态信息），还可以输出物理孪生不显性表达的参数（如健康状况、剩余寿命、不可测物理量），后者才是数字孪生本质意义所在。
与传统方法的区别：传统数字化方法包括很多预测的方法都是单独的、静态的或局部的，数字孪生强调动态闭环迭代，还强调实时性。
5. 数字孪生技术的通用性与场景适配
（原问：如果数字孪生是一种技术，那么数字孪生是一种普遍适用任何场景的通用技术？还是一种面向特定应用场景的专用技术？比如数字孪生城市与数字孪生车间，会用到同样的技术来实现吗？）
答：数字孪生的技术框架可以具有一定的通用性，具体场景使用时需适配。
通用性：理念与核心技术架构（数据保障层、建模计算层等）适用于航空航天、城市、车间、医疗等多个领域。共性技术：建模、数据同步、仿真分析。
场景差异：（1）数字孪生城市：需整合地理空间数据、交通流量模型等；（2）数字孪生车间：侧重设备状态监测与生产流程优化；（3）飞行器等高端装备：侧重装备的全寿命周期的维修性、安全性、经济性等优化。差异技术：领域专用模型与数据源。
6. 数字孪生模型与传统仿真模型的区别
（原问：如果数字孪生是指模型（包括几何模型、物理模型、行为模型、规则模型等多维多时空多尺度模型），那么数字孪生语境下的模型，与非数字孪生语境下的模型，比如仿真语境下的模型，有何区别？）
答：数字孪生模型的特征如下。
多维度融合：同时包含几何、物理、行为模型，包含物理对象显性表征参数的预测（如发动机温度、压力、转速、电流、位移），也包含物理对象不显性表征参数的预测（如健康状态、剩余寿命、稳定裕度、不可测物理量等），而传统仿真模型通常仅聚焦单一维度或单一目标。
实时数据驱动：模型参数通过传感器实时更新，支持动态预测，而传统仿真多基于历史数据或假设。
全生命周期关联：覆盖设计、运行到退役阶段，传统模型多限于设计验证。
7. 数字孪生与传统仿真的关系
（原问：如果数字孪生是指仿真，那么数字孪生语境下的仿真，与非数字孪生语境下的仿真，有何区别？）
答：数字孪生与传统仿真的核心区别在于实时性、动态性、交互性、多尺度等。
实时性：数字孪生仿真与物理系统同步运行，支持在线决策。
动态性：数字孪生仿真一定要能够反映瞬态特性（或暂态特性、非稳态特性、过渡态特性等其他称谓）。
交互性：仿真结果直接反馈至物理系统调整参数（如工厂产线降级控制、发动机性能降级控制、应急处置等）。
多尺度：跨时空尺度模拟（如城市交通全局优化与局部拥堵预测）；如卫星在部件、整星、星群跨尺度的仿真，采取不同颗粒度的模型相结合来保证仿真的实时性。
8. 数字孪生与可视化的关系
（原问：如果数字孪生是指物理对象的可视化，那么数字孪生语境下的可视化，与非数字孪生语境下的可视化，有何区别？是指2D CAD，3D CAD，AR，VR等中的之一，还是兼而有之？）
答：数字孪生不是物理对象的可视化而是物理对象的观测器和预测器，是对物理对象内部不可测的内容的一种“可视”，而不仅仅是数据的多媒体表示。诸如2D/3D CAD（基础建模）、AR（增强现实交互）、VR（沉浸式体验）、点云算法（快速构建现实模型）等都是手段而不是本质。
9. 数字孪生与数字化映射的关系
（原问：如果数字孪生是指现实世界中物理对象在数字世界中的映射，那么我们常常提到的数字化，就没有采用现实世界中物理对象在数字世界中的映射这一方法了吗？如果采用了，两者之间有何区别？）
答：本质区别是数字化通常指单向映射（如将物理对象转换为数据库记录），而数字孪生是双向动态映射，当然随着数字化内涵丰富也可能包含动态映射，不过数字孪生更强调“孪生”，即与物理对象相似性。
数据交互：数字化侧重单向数据采集与显示，数字孪生要求实时同步与反馈控制。
生命周期：数字化可能仅关注某一阶段，数字孪生贯穿设计、运维到退役全流程。
10. 数字孪生与数字化表示的关系
（原问：如果数字孪生是指现实世界中物理对象在数字世界中的表示，那么我们常常提到的数字化，就没有采用现实世界中物理对象在数字世界中的表示这一方法了吗？如果采用了，两者之间有何区别？）
答：数字化表示是数字孪生的基础，但数字孪生更强调以下能力：
动态交互：模型随物理实体状态实时更新（如发动机飞行参数中同步数据）；
功能扩展：不仅表示对象，还支持预测、优化等决策功能（如维修装配的预演）；
闭环系统：形成“感知-分析-决策-执行”的完整链条，而传统数字化缺乏反馈机制。
11. 虚实连接的技术基础
（原问：在数字孪生的定义中，常常会出现虚实连接（或映射）这一概念。那么，这种虚实连接实现的基础或技术手段是什么？是否是指我们在数字化中常常提到的数据采集？物联网？或者工业互联网？）
答：虚实连接的技术基础包括以下核心要素。
数据采集：通过传感器、边缘计算设备实时获取物理对象的状态数据（如温度、振动等）。
驱动执行：提供物理对象与数字模型之间的通信通道，支持数据实时传输。
模型算法：基于物理模型和算法构建动态虚拟镜像。
这些技术共同构成虚实交互的“神经脉络”，使数字孪生能够动态映射物理世界。
12. 数字主线的定义与技术实现
（原问：与数字孪生相伴随经常出现的数字主线（数字线程），如何定义？数字主线是一种方法或理念，还是一种技术？数字主线实现的基础手段与技术是什么？）
答：数字主线（Digital Thread）是一种贯穿产品全生命周期的数据流集成方法，其核心是连接各阶段的数据与模型，确保信息的一致性和可追溯性。数字线程既是方法论（强调数据连续性和流程协同）也是技术体系（依赖PLM、MES等系统的集成），这一点和数字孪生是类似的。
数据集成：通过API、中间件实现跨系统数据互通（如ERP与CAD的协同）。
标准化：统一数据格式以支持跨阶段模型传递。
区块链：确保数据链的不可篡改性（在高端制造中用于质量追溯）。
数字主线（线程）是数字孪生的支撑框架，确保从设计到运维的全流程数据贯通。
（PS：从笔者的认识来看，对于工业设计和生产过程而言，用数字线程更合适，因为他表征的是贯穿产品全寿命周期的一条“主线”，而数字孪生用于运维、保障、服务领域更合适，因为他表征的是服务对象的数字Copy。）
13. 数字孪生的技术标准现状
（原问：数字孪生是否有适于各种应用场景的通用的技术标准？还是只有适合于特定场景下的技术标准？为什么？）
答：目前数字孪生技术标准在工业界呈现“通用+行业”双轨并行的特点，在学术界尚无相应的标准应用，都是学者自己提出类似概念。
通用标准：由中国电子技术标准化研究院牵头制定的GB/T 43441.1-2023《信息技术数字孪生第1部分：通用要求》于2024年6月1日正式实施。
行业标准：例如智慧城市领域的CIM模型标准、航空领域的ASD-STEAM，针对特定场景需求制定。原因是数字孪生具有技术复杂性：不同行业对数字孪生的实时性、精度要求差异大（如医疗需高精度生物模型，制造业需实时控制）；应用场景碎片化：通用标准难以覆盖所有细分需求（如化工防爆巡检与城市交通管理的技术路径截然不同）。
14. 通用技术标准的制定路径
（原问：如果数字孪生有适于各种场景的通用的技术标准，那么采用什么样的途径或步骤，花费多长时间，才能够制定出能够指导实际需要的数字孪生的技术标准？）
答：已经制定了通用的国家标准，在很多行业落地场景还需讨论形成共识。
（PS：个人觉得准确的定义或标准的产生通常代表该领域技术的成熟，所以在百家争鸣的时候，关注技术本身的价值和效益比准确定义更重要，或者有可能即便花了很多精力也很难准确定义，或很难平衡各方的观点冲突。）
15. 特定场景标准的制定主体
（原问：如果只存在适合于特定场景下的技术标准？谁更适合制定这个技术标准？）
答：特定场景标准更适合由以下主体主导制定：行业联盟、龙头企业、政府与科研机构等，具备技术积累和场景经验的主体，能更精准地匹配行业需求并给出相对准确的定义。
16. 数字孪生与数字化的关系及未来
（数字孪生与数字化是什么关系？在不远的未来，数字孪生能否像数字化取代信息化一样，数字孪生逐渐取代数字化或数字化转型？）
答：数字孪生是数字化的高阶延伸，前者依赖后者构建数据基础，但更强调实时性与闭环优化，未来数字孪生不是取代数字化，而是深度融合。短期：数字孪生作为工具，增强数字化转型的预测与决策能力（如工厂能效优化）。长期：两者边界可能模糊，形成“以孪生驱动数字化、以数字化支撑孪生”的共生关系。
17. 数字孪生对工程实践的影响
（原问：没有数字孪生，能否同样可以进行数字化的工程实践？有数字孪生，与没有数字孪生，对数字化工程的影响是什么？数字孪生会更好地指导我们的工程实践吗？为什么？）
答：无数字孪生数字化工程仍可通过数据分析和各类建模手段实现，数字孪生强调实时反馈和预测能力（如设备故障在线处置、或状态的预测），其实是一种能力更加强大的数字化。
有数字孪生可以优化决策：通过仿真预测潜在问题（如建筑结构应力模拟）。降本增效：减少物理试验次数（如航空航天器设计验证成本降低30%以上）。全生命周期管理：从设计到报废的全程数据贯通（如PLM系统与数字孪生结合）。数字孪生显著提升工程实践的前瞻性与精确性。
18. 数字孪生与软件的关系
（原问：数字孪生是软件吗？软件是数字孪生吗？二者是等价的吗？如果数字孪生是软件，那么是指软件的全部，还是指软件的部分内容？）
答：数字孪生≠软件，数字孪生是虚实融合的系统，包含软件（如仿真模型）、硬件（传感器）、数据（实时采集）和算法（AI）。软件的角色，如CAD、PLM等工具用于构建虚拟模型，但需结合物联网数据才能形成完整孪生体，单一软件（如MES）缺乏实时交互能力时，不能称为数字孪生。
19. 制造业软件与数字孪生的界定
（原问：在制造业，我们从市场采购到的软件，或定制开发的软件，比如CAD、ERP、MES、SCADA、PLM等等，可否称之为数字孪生？如可以，那些软件可以称之为数字孪生？那些软件不可以称之为数字孪生？如可以，什么时间点之后的软件可以称之为数字孪生？什么时间点之前的软件不可以称之为数字孪生？为什么？）
答：具备数字孪生特征的软件，如产品生命周期管理PLM若整合实时传感器数据实现产品全生命周期映射（如西门子Teamcenter）。SCADA若与仿真模型结合，支持设备状态预测（如石化行业智能监控系统）。传统CAD/ERP：仅支持静态设计或资源计划，缺乏实时数据交互，不是数字孪生的软件。2010年后，随着物联网普及，软件开始向孪生能力演进。学术界研究的数字孪生模型，本质上只是数字孪生的关键技术之一，也不能称为数字孪生软件。
20. 数字孪生的终极目标
（原问：数字孪生的终极目标，是“孪生”物理对象的本质属性或特征？还是“孪生”物理对象的功能即可？）
答：数字孪生的终极目标是“本质属性孪生”，功能孪生是初级阶段，本质属性孪生是技术演进方向，最终实现虚实自主协同的智能系统。包含两个层层次：
显性全息映射：复现物理对象的几何、物理、行为规则等多维度特征（如飞机气动性能仿真），即对物理对象的显性物理特征进行映射（温度、压力、转速、电流、力矩、位移.......）。
隐性内涵表征：通过预测与优化扩展物理对象的能力（如城市交通流量动态调控），即对物理对象的隐性内在特征进行表征（如健康状态、剩余寿命、安全裕度、不可测物理量等）。
21. 数字孪生是“孪生”对象的全部内容还是部分内容？
（原问：数字孪生是“孪生”对象的全部内容？还是“孪生”对象的部分内容？如果“孪生”对象的部分内容，还可以称之为数字孪生了吗？为什么？）
答：孪生全部内容可能只是数学理想，实际物理上做不到，工程上只要够用即可。数字孪生通常是对物理实体的全生命周期的映射，但在实际应用中，可能仅针对对象的关键部分或特定环节进行建模。例如，在工业场景中，数字孪生可能聚焦于设备运行状态或生产工艺的核心环节，而非所有细节。即使仅针对部分内容建模，仍可称为数字孪生，因为其核心在于虚实交互的动态性，而非完全复现所有细节。例如，NASA的数字孪生定义强调“集成多学科、多尺度的仿真”，允许局部建模以解决特定问题。
22. 生命体或人类大脑的数字孪生可能性及其与人工智能的关系
（原问：在未来，我们有可能构建一个生命体或人类大脑的数字孪生吗？如果能够构建出来，这个数字孪生，与人工智能是什么关系？是数字孪生取代人工智能？还是人工智能取代数字孪生？亦或是二者殊途同归？）
答：未来构建生命体或大脑的数字孪生在技术上存在挑战，数字孪生与AI是相互促进而不是非此即彼。AI提供算法支持（如预测性维护、决策优化），而数字孪生提供实时数据驱动的仿真环境。例如，AI驱动的数字孪生可模拟脑部疾病的发展，但需依赖AI的数据处理能力。二者协同演化。
23. 数字孪生与CPS的联系与区别
（原问：数字孪生于CPS的联系与区别是什么？数字孪生能否取代CPS的核心内容？为什么？）
答：两者均强调物理与虚拟世界的交互，从目前应用情况来看物理信息系统CPS更强调计算、通信与控制功能，而数字孪生侧重高保真建模与实时仿真（当然实时交互也是最重要的特征）。CPS很多时候关注多对多连接管理，数字孪生则是一对一映射。数字孪生无法取代CPS核心，因CPS的概念更广泛，而数字孪生更像是CPS下的一类技术实现形态。
24. NASA、AFRL与Grieves定义的异同
（原问：NASA、AFRL与Michael Grieves都给出了数字孪生的定义，这些数字孪生的定义是等价的吗？这些定义之间有本质性的区别吗？如果有，区别在哪里？）
答：NASA的定义强调多学科仿真与全生命周期映射，聚焦航天器的在轨操控、状态预演等。天上一个航天器A，地上一个孪生体B，这个孪生体是物理的，后来随着计算机技术的发展逐渐演变为数字的，从建模、控制、预测与健康管理角度去考虑。AFRL的定义注重实时同步与健康管理，应用于军事装备保障，也就是从建模、控制、预测与健康管理角度去描述的。Grieves提出“信息镜像模型”，更早从产品生命周期管理切入。本质区别在于应用场景与技术侧重点，但核心思想均为虚实交互的动态映射。
25. 是否需要更多数字孪生定义？
（原问：自NASA、AFRL与Michael Grieves给出了数字孪生的定义以来，国内外的各位学者、公司、IT供应商、咨询服务机构给出了不下百余种的数字孪生的定义。我们还需要更多的数字孪生定义吗？如果每个人都给出自己的数字孪生定义，那么数字孪生这个概念的存在还有普遍性意义吗？我们如何应对？）
答：当前定义的多样性确实可能导致概念泛化，但笔者认为定义本身不重要，关键是推进数字孪生技术落地应用，更多关注技术本身的价值和经济社会效益，等到一定时候自然就会出现权威的定义出现。当一个领域的概念和定义趋于一致就代表该领域的成熟，百家争鸣的时代，更加应该把精力放到技术落地，而不是概念和定义之争上。
在成熟的时机可以采取如下措施：
收敛核心标准：参考GB/T 43441等国家标准，明确技术边界。
分层分类：区分行业级（如智能制造）与通用级定义。
学术界与产业界协同：推动跨领域共识，如IEEE或ISO标准化。
26. 能否不明确定义讨论数字孪生？
（原问：如果你认为当前已经有如此众多的关于数字孪生的定义，那么我们还可以在不明确自己的数字孪生定义的前提下，论述、讨论、使用数字孪生吗？）
答：可以，只要具体明确范围。例如，在智慧城市领域，数字孪生默认指城市级三维建模与数据融合；在工业场景则聚焦设备仿真。缺乏统一定义可能导致沟通障碍，但实践中的功能导向、应用场景导向可规避这一问题，也就是叫什么不重要，能用且好用才是王道！
27. 全生命周期数字孪生的可行性
（原问：从工程应用的角度，我们能够一次性建立某个对象的全生命周期的数字孪生吗？建立某个对象的全生命周期的数字孪生，花费的时间成本与经济成本有多大？全生命周期的数字孪生，能够解决传统的信息孤岛问题吗？）
答：一次性建立全寿命周期的数字孪生很难，因为设计、制造、运维等不同场景对模型和数据要求差异很大，不过单从一个环节，例如运维环节建立全寿命周期的数字孪生是可行的，因为装备运行使用的场景是相对固定的，有计划的。技术挑战是需整合设计、制造、运维等多阶段数据，但信息孤岛与异构系统阻碍数据贯通。大型项目（如数字孪生城市）需数千万至数亿元投入，且维护成本高昂。全生命周期模型可缓解信息孤岛，但需分阶段实施（如先聚焦关键环节）。
28. 数字孪生发展缓慢的原因
（原问：数字孪生，从概念提出到火热，如果从Michael Grieves算起，经过了二十年左右的时间了；如果从NASA或AFRL算起，也经过了十年左右的时间。为什么会花费这么长时间？是因为数字孪生解决了一些之前人们解决不了的问题吗？这些问题是什么？）
答：理想很丰满，现实很骨感，数字孪生诞生初期就刻画了一个非常宏大的未来场景，但技术成熟度不足是发展缓慢的主要原因。
数据采集与处理：早期传感器与算力无法支持实时仿真。
跨学科融合：需整合建模、物联网、AI等技术，近年才逐步成熟。
认知的缝合：从顶层蓝图设计的时候，希望把每个研究方向的极致能力缝合在一起，希望打造一个全能选手，这种认知上的预期是不符合事物发展的客观规律的。工程中大部分情况都是在做权衡和折中。
29. 数字孪生的应用限制
（原问：数字孪生已经应用到了众多的行业。在国内，数字孪生恐怕是仅次于工业互联网的新热点。那么数字孪生会是一种解决现实问题的无所不能的神器吗？数字孪生会有应用领域或应用场景的限制吗？为什么？）
答：数字孪生当然并非“万能神器”，其限制包括：
数据依赖性：缺乏高质量数据时模型失效（如目前传感器的噪声污染、网络上受污染的错误信息）。
领域适配性：在流程工业中效果显著，但在非结构化场景作用有限。
成本效益比：中小企业可能难以承担建模与维护成本。
30. 数字孪生在智能制造中的作用与国家战略
（原问：数字孪生，是推进智能制造或工业互联网的神器吗？如果是，背后的机理是什么？数字孪生，会成为国家战略吗？如果会，需要多长时间？）
答：智能制造是国家战略，数字孪生应该可以算具体应用场景的子集，不过他和人工智能有交界之处，所以应该是属于国家战略的内涵之一。不过话又说回来，是不是国家战略，或者未来形态会发展成什么样子，关键还是看我们当代科研工作者干成什么样子。
31. 未来定义的统一性
（原问：未来，数字孪生还会有一个被广泛接受的定义吗？真的像某些人说的那样，数字孪生已经烂大街了吗？）
答：个人认为短期内定义仍将多样化。学界需区分学术定义与商业宣传，避免概念滥用。未来可能形成“核心定义+行业扩展”模式，保留灵活性。
32. 数字孪生的学科归属
（原问：数字孪生是否会成为一门学科或专业？如果会，应该归属于哪一门学科或专业？是信息技术类别？）
答：有可能成为交叉学科的内涵，不一定用数字孪生这个词语，归属信息技术类（如计算机科学）或新兴学科（如智能制造）。
33. 学科背景对理解数字孪生的影响
（原问：不同的学科、专业背景，会对人们理解数字软产生影响吗？如果有影响，这个影响有多大？）
答：不同背景影响显著，计算机背景者侧重算法与数据，工程背景者关注物理建模。应对策略，建立跨学科课程，培养复合型人才。
文/ 西安交通大学 刘金鑫
欢迎关注：
