达索系统用虚拟孪生重构决策效率

寂静回声

周一早晨九点半。你的电话响了。供应商告诉你，一个关键零部件的交付要推迟六周。你有六十分钟做出决定：接受延迟？更换供应商？还是重新设计零件？
这三个选项背后，是五十个变量在纠缠。生产线会不会停摆？客户承诺怎么兑现？季度营收受多大冲击？换供应商的话，谁有资质？额外成本多少？对重量、成本、碳排放、性能各有什么影响？重新设计的话，两周内谁能交付？哪些认证要重做？下游项目会不会被波及？
这是2026年绝大多数工业企业的日常，这个场景每小时会在企业里重演一百次——在每个部门、每个层级。不是数据不够，ERP、PLM、MES、CRM、BI仪表盘、质量系统、供应链平台、财务系统、人力资源系统、采购系统、文档管理系统……企业投了数百万，积累了TB级的数据。但周一早晨九点半，没有一套系统能给你一个上下文的、可执行的决策。
026年OUTSCALE EXPERIENCES大会在法国举行，OUTSCALE是达索系统旗下的云基础设施品牌，这场大会聚焦工业数字化转型与云原生技术的最新实践。在大会的全体会议环节，3DEXPERIENCE首席执行官Morgan Zimmermann登台。Morgan Zimmermann是达索系统3DEXPERIENCE平台的CEO，也是工业软件领域最具思想深度的领导者之一。他以"能把复杂事物讲简单"著称。
第一个问题：你的组织独有的、不可替代的工业知识到底是什么？正是这些知识，让丰田区别于雷诺，让波音区别于空客，让法国兴业银行区别于巴黎银行。
这些差异化的核心能力，是一家企业最宝贵的护城河。他们不去梳理自己的核心知识，直接拿通用大模型来训练，最后做出来的东西没有任何行业深度，也解决不了真正的业务问题。
紧接着第二个问题：这些核心知识现在以什么形态存在？是藏在资深员工的脑子里，是散落在各种文档与规范里，还是沉淀在各个业务系统中？
更现实也更尖锐的一个问题是：一名新入职的员工，要花多长时间，才能熟练运用企业里 50% 的核心知识？这个时间的长短，直接决定了组织的知识复用效率。
也决定了人才培养的成本，以及人员流动带来的知识流失风险。很多制造业企业，老师傅一退休，整条产线的工艺水平就掉一个档次，本质就是知识没有被结构化沉淀。
第三个问题，过去我们共享数据，不用担心对方能从数据里反向推导出自有核心技术。但现在不同了，数据共享之后，对方能基于这些数据训练出什么模型，变成了必须严肃考量的风险。
对方可以从你共享的数据里，推断出你的设计逻辑、工艺参数、成本结构，甚至反向复刻出你的核心技术。这个风险在十年前是不存在的。
所以我们必须管理好共享数据的全生命周期，明确数据的使用权限 —— 是只能查看，还是可以用来训练模型？权限的边界必须划清楚。
我们还要厘清一个关键问题：基于共享数据生成的衍生模型，知识产权究竟归属于谁？这个问题不解决，生态合作就永远有知识产权的隐患。
在今天的工业竞争中，数据与衍生知识的产权保护，重要性已经不亚于算法本身。甚至可以说，谁能管好知识的产权，谁才能在生态合作中守住自己的核心竞争力，我们该用什么方式去组织这些知识？
很多人的第一反应是做知识库，按分类目录、按字母顺序去归档。但在我看来，这种方式还停留在非常传统的阶段，本质上和中世纪的图书馆没有区别。
这种按目录分类的知识组织方式，检索效率极低，也无法体现知识之间的关联关系。用它来管理工业知识，根本发挥不出 AI 的价值。
我们认为，组织工业知识的最佳载体，是 Virtual Twin。具体来说，是产品的 Virtual Twin、工厂的 Virtual Twin，以及组织的 Virtual Twin。
这不是一个拍脑袋的结论，而是达索系统服务了几十年工业客户，总结出来的最符合工业逻辑的知识组织方式。接下来我们就展开讲清楚背后的逻辑。

为什么是 Virtual Twin，而不是传统的知识库或者数据中台？核心原因在于，工业知识从来不是孤立的词条与文档，它和产品的结构、工艺的流程、组织的协作深度绑定。
举个最简单的例子，一条关于发动机叶片的工艺规范，只有放在发动机的完整数字模型里，对应到具体的工序、设备、质检标准，它才是有真实业务价值的知识。
如果只是把规范文档放进知识库，员工搜索到了也很难直接复用。因为他看不到这条规范对应的产品上下文，也不知道它和其他零部件、其他工序的关联。
员工拿到一条孤立的规范，还是要花大量时间去核对适用范围、关联零部件、上下游影响，知识复用的效率并没有本质提升。
Virtual Twin 的本质，是给所有工业知识提供一个和真实物理世界一一对应的 “容器”。所有的设计数据、工艺参数、运维记录、经验教训，都可以挂载到对应的数字孪生体上。
这样一来，员工不需要去跨系统翻找资料，只需要在 Virtual Twin 上定位到对应的零部件、产线或者业务环节，相关的所有知识就会自然呈现出来。
知识和物理实体一一对应，员工不需要再去做知识和业务场景的匹配工作，拿到就能直接用。这才是真正的知识复用效率提升。
这也是为什么我们说，Virtual Twin 是工业知识的最佳组织形态。它不是一个额外的可视化工具，而是企业知识体系的 “骨架”，把零散的知识串联成了可落地的业务能力。
这里也要澄清一个常见的误区：很多人以为 Virtual Twin 就是 3D 可视化模型，就是长得像真实产品的三维动画。这其实是非常表层、非常片面的理解。
真正的工业级 Virtual Twin，不仅有几何外形，更包含了材料属性、力学性能、电气逻辑、工艺流程、运维规则等全维度的信息，是对物理实体的完整数字化复刻。
它不是一个静态的模型，而是可以随着产品全生命周期动态更新的活的数字体。设计变更、生产数据、运维记录，都会实时同步到 Virtual Twin 上。
它会始终和物理实体保持一致，成为产品全生命周期的数字镜像。所有的知识、数据、经验，都可以沉淀在这个镜像里，持续积累、持续迭代。
除了产品 Virtual Twin 和生产系统 Virtual Twin，我们还提出了组织 Virtual Twin 的概念。很多人理解虚拟孪生只停留在物理实体上，但组织本身的运作逻辑，同样可以被数字化孪生。
组织的 Virtual Twin，包含了企业的业务流程、岗位职责、协作关系、决策链路等等。它可以完整复刻一家企业的运作模式，让 AI 可以在这个数字孪生体上模拟决策、优化流程。
比如我们可以在组织 Virtual Twin 里模拟一次供应链异常的传导路径，看看哪个环节会成为瓶颈，哪个岗位的决策会影响整体效率，然后针对性地优化流程。
这也是工业 AI 能够深入到组织运营层面的基础。没有组织级的 Virtual Twin，AI 就只能解决单点的技术问题，无法撬动整个组织的绩效提升。
产品、生产、组织，三层 Virtual Twin 共同构成了完整的知识载体。企业所有的核心知识，都可以在这三层孪生体里找到对应的位置，实现结构化的沉淀与复用。

现在大家都在说 AI 很厉害，生成式模型可以做很多事情，甚至可以用来推断飞机的可靠性与安全性。
但我想请大家换位思考一下，如果你是飞机上的乘客，你是愿意相信 “大概率安全” 的概率推断，还是愿意相信基于物理定律计算出来的确定性结论？答案是显而易见的。
工业场景的核心诉求是可靠、确定、可追溯。生成式 AI 的概率性输出，在很多工业场景里是无法直接落地的，因为一次错误就可能带来巨额的损失，甚至是安全事故。
航空航天、轨道交通、核电这些领域，对可靠性的要求是极致的。任何概率性的风险，都是不可接受的。这也是通用大模型很难进入工业核心场景的根本原因。

达索系统的核心优势，恰恰就在这里。我们有 SIMULIA、Dymola等覆盖多学科的仿真工具，有几十年积累的物理模型库，我们把这套技术体系叫做 MODSIM，也就是建模与仿真一体化。
基于高保真的 Virtual Twin，我们可以在虚拟世界里生成大量的、符合真实物理规律的仿真数据。这些数据的质量和可靠性，远高于很多真实场景里采集到的脏数据。
真实场景采集的数据往往有噪声、有缺失，还会受各种偶然因素影响。而仿真数据是可控的、完整的，可以覆盖各种极端工况和故障场景。
举个例子，我们可以在产品还没走下生产线的时候，就完成预测性维护模型的训练。因为我们已经在 Virtual Twin 里模拟了产品全生命周期的运行状态、磨损规律和故障模式。
产品一上市，预测性维护系统就可以直接上线使用，不需要等几年的运行数据积累。这对企业来说，是实实在在的时间价值和商业价值。
很多企业做工业 AI，一开始就想着去采集真实数据、训练大模型，结果做出来的模型准确率上不去，也不敢落地到核心业务里。本质上就是跳过了物理仿真这个基础环节。
他们想走捷径，直接用数据驱动的方式解决工业问题，最后发现走不通。因为工业世界的底层是物理规律，不是统计规律。

我们的客户是一家汽车制造商，我们基于它的产品 Virtual Twin、生产系统 Virtual Twin 和供应链 Virtual Twin，构建了完整的数字孪生体系。
产品 Virtual Twin 包含了所有车型的配置、BOM 结构、零部件参数；生产 Virtual Twin 对应了每一家工厂的产线布局、产能和工艺。
供应链 Virtual Twin 则覆盖了所有供应商的区位、供货范围、交付周期和成本结构。三层孪生体打通，就构成了完整的供应链数字底座。
有了这三层 Virtual Twin 做基础，我们就可以直接问出业务问题：如果对来自某国的零部件加征新关税，会对我们的年度利润造成多大的影响？
系统很快给出了答案：33亿欧元。这个量级符合行业的普遍预期，不是一个小数字。接下来的问题才是关键：我们该怎么应对，才能把这个损失降到最低？
第一个介入的是采购总监，系统会提前把所有相关数据整理好，按车型项目维度展示影响金额。比如某款车型单台影响 3700 欧元，对应整条产线的年度预算影响是 4 亿欧元。
采购总监可以快速识别出受影响最大的四个车型项目，一键下发给对应的项目经理。四位项目经理可以同步看到各自负责项目的具体影响。
整个过程不需要人工去整理数据、分发任务，系统自动完成。原来可能要花几天的信息同步工作，现在几分钟就完成了。
接下来，项目经理需要定位到具体的零部件。系统会在产品 Virtual Twin 上，把来自中国的零部件标成橙色，同时显示每个零部件的关税影响金额。
比如电池单台影响 3500 到 4000 欧元，是影响最大的零部件。有了这个可视化的呈现，优先级就非常清晰了，不需要再去翻厚厚的 BOM 表。
项目经理可以快速选出需要优先处理的零部件，分配给对应的品类经理。紧接着，上百名采购专员就可以同步开展替代方案调研。
系统还会给采购专员提供辅助：自动推荐已经通过认证的替代零部件和备选供应商，省去大量资质审核和寻源的时间。
采购专员不需要再去各个系统里查供应商资质、查替代件信息，系统直接把可用的选项推到面前，只需要做评估和选择就可以了。
整个流程从顶层分析到一线执行，全程无缝衔接，所有数据都基于同一个 Virtual Twin 底座，不会出现数据不一致的问题。
为什么我要花这么多时间讲这个案例？因为供应链异常从来都是赢家通吃的游戏 —— 不管是关税波动、原材料短缺还是电子元器件缺货，永远是反应最快的那一家抢到资源。
谁先识别出风险，谁先动手寻找替代方案，谁就能拿到最好的资源、最优的价格。反应慢的企业，要么拿不到货，要么只能接受更高的成本。
而反应速度的背后，不是某个人的能力强，而是整个组织的决策体系是不是足够高效、足够协同。单点的效率提升没用，必须是全链路的提速。

和大家聊一个更本质的问题：一套完整的工业智能体系，到底由哪几部分组成？
为什么军队打仗要用地图？从总统到前线士兵，大家都基于同一张地图沟通，就不会在目标和方案上出现大的偏差。
你试试不用地图，只用 Excel 表格和邮件来指挥一场军事行动，会是什么结果？效率会极低，而且极易出错。地图的本质，是一套统一的、可视化的共同语言。
那么对于一家工业企业来说，属于你们的 “作战地图” 是什么？我们的答案是：Virtual Twin，以及更广义的数字化表征体系。
对于不同的行业、不同的企业，这张地图的具体形态不一样，但本质是一样的：它是整个组织的共同语言，是所有决策的参照系。
对于汽车制造商，比如大众、福特、雷诺、特斯拉，这张地图就是整车的 Virtual Twin；对于运营工业系统的企业，比如波音、阿尔斯通，这张地图就是工厂的 Virtual Twin。
对于嵌入式软件占比很高、物理属性相对弱的复杂产品，比如英伟达的芯片产品，这张地图就是系统模型。
对于更多由语义、知识描述的产品，比如生命科学领域的企业，这张地图就是本体论。而如果想把整个组织作为一个整体来管理，这张地图就是组织的系统表示。
这就是我们说的第一大系统：表征系统。它是所有能力的基础，重要性不亚于地图对于军事行动的意义。
很多企业做数字化转型做了很多年，数据越积越多，但效率还是上不去。核心原因就是没有一套统一的表征系统，各个系统的数据对不齐，大家没有共同的语言。
每个部门都有自己的系统、自己的数据口径，沟通起来先要对齐数据定义，大量的时间都浪费在数据对齐上，而不是决策本身。
什么是理解系统？就是把散落在各个三字母系统里的数据，全部投射到 Virtual Twin 这张地图上，形成完整的业务上下文。
举个例子，我们做法阵风战机的维护工作，需要对接将近 70 个不同的数据源 —— 包括 IoT 传感器数据、技术人员的维修报告、各个信息系统的记录等等，涉及数十亿条事件数据。
我们把这些数据全部投射到战机的 Virtual Twin 和保障系统的 Virtual Twin 上，所有数据就有了统一的坐标和上下文，维护人员可以快速定位问题、调取信息。
维护人员不需要登录七十个系统去查数据，只需要在 Virtual Twin 上点一下对应的部位，所有相关的数据就都呈现出来了。
这就是理解系统的价值：它不是又造了一个数据仓库，而是让数据有了归属和意义，让零散的数据变成了可理解、可决策的业务信息。
有了地图，有了对现状的理解，接下来第三大系统，是参与与协作系统。
包含了所有让团队成员共享想法、共享模型、共享行动计划的协作机制。
我经常说，企业的协作不能只靠咖啡机旁的闲聊、靠邮件、靠 PPT。这些方式都是非结构化的，信息散落在各处，没法沉淀成组织知识。
我们需要一套数字化连续的协作模式，每一次讨论、每一个决策、每一次修改，都能自动沉淀到系统里，和对应的 Virtual Twin 关联起来。
这样整个组织就是一个持续学习的系统，知识不会随着人员流动而流失，经验可以不断复用和迭代。这才是真正的组织级知识沉淀。
在大型企业里，一次业务调整可能涉及成百上千项任务，要流转给成千上万名员工。我们的行动系统，现在每周要编排将近 20 万个业务流程。

最后，我们来聊聊这套体系能给企业带来的实际价值。总结下来，主要落在三个核心角度上，也是所有工业企业最关心的三个话题。
第一个角度，是压缩时间、降低研发成本。也就是在保障大型项目性能达标的前提下，尽可能加快研发速度，缩短上市时间。
通过 Virtual Twin 和 AI 的结合，企业可以在虚拟世界里完成大部分的设计验证、性能仿真和流程优化，减少物理样机的数量，避免后期的设计返工。
很多企业研发周期长，很大一部分原因是要做多轮物理样机验证，每一轮都要花几个月甚至几年的时间。用 Virtual Twin 仿真，可以大幅减少物理样机的轮次。
同时，知识的高效复用也能大幅提升研发效率。设计师不需要从零开始做设计，可以直接调用沉淀下来的成熟方案，把精力集中在真正的创新点上。

第二个角度，是降低持续性运营成本。这里面包括了供应链管理、采购成本、组织运营效率、供应链韧性等等日常运营的方方面面。
我们前面讲的供应链关税的案例，就属于这个维度。通过更快速的异常响应、更精准的成本分析、更合理的供应商布局，企业可以持续优化运营成本。
尤其是在当下供应链波动频繁的环境里，供应链韧性本身就是一种核心竞争力。反应快的企业，不仅能规避风险，还能在波动中抓住机会。

第三个角度，是提升产品与服务的性能。大家提到达索系统，第一反应都是 3D 设计，都是物理产品，但其实服务和组织，同样可以用产品的思路去优化。
一项服务的交付流程、一个组织的运作模式，都可以看作是一种 “产品”，都可以通过 Virtual Twin 进行模拟、优化和迭代，持续提升交付质量和运营效率。
不管是产品、服务还是组织，底层的逻辑是相通的：用数字化的方式完整定义，用仿真验证性能，用数据持续优化，最终实现性能的持续提升。
以上这三个角度，不是孤立的。研发效率的提升会带动产品性能的提升，运营成本的优化会给研发投入留出更多空间，三者形成正向循环。