李福东资深实战人工智能和数字化转型专家

Ø  清华大学工学学士，北京邮电大学工学硕士

Ø  中国联通集团首批数字化创新创业企业创始人/CEO

Ø  原中国联通集团数字化战略与工程咨询项目总负责人

Ø  原甲骨文公司（全球最大的企业级软件公司）数字化产品专家

Ø  原天融信公司（网络安全领导者）网络安全产品架构师

摘要

数据是物理世界在数字空间的映射和记录，模型是数字空间对物理世界的抽象和沉淀。

基础模型在大量数据上进行训练，以学习通用模式，再通过微调即可应用于各种业务场景。

本文研究了基础模型在赛博物理系统 (CPS) 数字孪生环境中的使用，探讨了其在提高数字孪生创建效率和功能有效性方面的潜力，并讨论了基础模型在更广泛环境中使用的挑战。

本文以自动驾驶系统（ADS）作为代表性 CPS 进行说明，并指出基础模型与数字孪生有效结合的发展方向。

关键词

数字孪生；赛博物理系统；基础模型；大语言模型

一、基础模型与数字孪生创建

基础模型是近年来机器学习领域的一项重要进展，这些模型在大量数据上进行训练，能够学习和应用通用模式。

由于其强大的适应性和灵活性，基础模型在许多领域展现了广泛的应用前景，特别是在赛博物理系统 (CPS) 的数字孪生创建方面。数字孪生是一种虚拟副本，可以实时反映物理系统的状态和行为。

赛博物理系统的物理孪生与数字孪生的关系，如图1所示：

基础模型是指在大规模数据上训练的机器学习模型，这些模型能够捕捉和理解数据中的复杂模式和关系。常见的基础模型包括大语言模型 (LLM)、视觉模型和多模态模型。这些模型在自然语言处理、计算机视觉和多模态融合等领域具有广泛应用。

自动驾驶系统（ADS）是典型的赛博物理系统，其核心功能包括环境感知、决策制定和车辆控制。

数字孪生技术通过模拟真实驾驶环境和条件来提高系统的开发和测试效率。基础模型在生成和优化ADS数字孪生方面具有显著潜力，例如模拟复杂的交通场景、预测潜在的风险和优化驾驶策略。

二、CPS 数字孪生基础模型的应用环境

CPS的数字孪生由数字孪生模型和数字孪生能力两部分组成。数字孪生模型是物理系统的虚拟表示，而数字孪生能力则指代数字孪生能够执行的各种功能。

本文提出了两种主要应用场景：使用基础模型生成数字孪生和将基础模型直接作为数字孪生。在前者中，基础模型通过自动化方式生成和优化数字孪生的模型和功能；在后者中，基础模型本身通过微调直接作为数字孪生，实时反映物理系统的状态并执行相应功能。

基础模型与数字孪生的关系，如图2所示：

场景1：生成数字孪生的基础模型

当前，生成数字孪生模型的技术主要包括基于模型的系统工程方法和机器学习技术。尽管这些方法在一定程度上提高了数字孪生的创建效率，但仍需大量的人工干预。基础模型的引入有望显著减少手工工作，自动生成更加逼真的数字孪生模型。

基础模型可以通过多种方式生成数字孪生模型和能力。例如，可以使用LLM生成模拟模型，或通过多模态模型生成环境条件（例如道路和天气）的数字孪生。具体的实现方案包括模型元素推荐系统、数字助理和全自动模型生成器。

使用基础模型生成数字孪生面临诸多挑战，如模型训练数据的可用性和质量、模型的保真度和有效性等。然而，这也为研究人员提供了非常多的探索机会，特别是在领域知识与模型微调结合方面。

以自动驾驶系统为例，基础模型可以生成逼真的驾驶环境模拟，支持自动驾驶算法的测试和优化。此外，基础模型还可以评估生成场景的真实性，确保自动驾驶系统的安全性和可靠性。

场景 2：微调基础模型作为数字孪生

微调基础模型使其能够直接作为数字孪生，是当前研究的一个重要方向。通过微调，基础模型可以捕捉特定CPS的行为模式和特性，提供实时的监控和分析能力。

微调后的基础模型可以用作整个数字孪生或其部分功能。例如，可以使用LLM生成自然语言描述的操作指令，或通过多模态模型实现复杂场景的模拟和分析。

尽管微调基础模型作为数字孪生具有巨大潜力，但其应用仍面临许多挑战，如模型的透明性和解释性、实时性要求和数据隐私保护等。

在自动驾驶系统中，微调基础模型可以生成高度逼真的驾驶场景，并通过实时数据不断优化和改进，为自动驾驶提供全面的支持和保障。

三、待解决的问题

尽管基础模型提供了开发各种形式的数字孪生的机会，但它们的应用，尤其是在安全关键和任务关键领域的应用，引起了人们对其固有不确定性的重大担忧。

例如，黄宇恒（音译）等人通过实证研究了 LLM 认知不确定性的不同量化方法（Ref.=2），旨在了解不确定性估计是否能够以及如何很好地帮助描述 LLM 执行不同任务的能力。

Tanneru 等人提出了量化 LLM 自然语言解释中不确定性的新方法（Ref.=3），目标是理解甚至量化大模型的不确定性。

可以预见，可靠并且值得信赖的基础模型在现实中的应用还有很长的路要走。对于高度关注安全性、保障性等的 CPS 领域，应谨慎确保基础模型的部署安全可靠，例如进行彻底的风险评估并遵守严格的验证流程。

对于任何解决方案，我们都需要彻底考虑其成本效益。首先，开发基础模型可能涉及高昂的计算资源、数据收集和预处理、模型训练、微调等方面的成本。这些成本在不同的 CPS 领域可能有所不同。

其次，部署某些基础模型需要专门的硬件资源（例如 GPU、FPGA），尤其是考虑到微调的基础模型（场景2）需要与 CPS 通信，这需要高吞吐量和低延迟的通信和计算。此外，微调的基础模型必须定期维护，这会增加维护成本。

然而，应用基础模型毕竟会带来很多方面的优势，例如可以减少构建传统数字孪生模型所需的人工工作量。因此，有必要通过实证研究比较使用基础模型与传统解决方案的成本效益，从而证明使用基础模型是合理的。

除了定制大型基础模型用于数字孪生以外，在某些情况下同样需要轻量级的专用基础模型。这在数字孪生应用需要在计算能力较低的专用硬件上执行，同样也适用于那些无法通过云访问大型基础模型的关键应用场景。

此外，这些专用基础模型将适用于对推理时间要求较高的数字孪生，因为轻量级模型的推理时间更短，更适合实时的数字孪生应用。同时，由于这些模型可以部署在专用资源上，因此无需将数据发送到云端等，从而提高安全性和隐私保护。

使用基础模型生成 CPS 的数字孪生有很多方面的挑战。例如，在生成数字孪生或将其用作数字孪生时如何处理幻觉（即基础模型生成的非基于事实信息的内容）问题。目前已经有多种解决幻觉问题的应对策略。

另一个挑战是如何评估数字孪生的保真度。有两个方面。首先，在使用基础模型生成数字孪生方面，可以像通常那样访问数字孪生的保真度。其次，当基础模型用作数字孪生时，它为评估其保真度开辟了一个新的研究方向，因为这将需要定义新的指标和方法。

最后，基础模型带来了许多与道德和法律方面相关的挑战，使用数字孪生生成基础模型势必会面临同样的问题。例如，使用基础模型生成数字孪生可能会生成受版权保护的模型，或者是使用了私有数据进行了训练，以及是否会做出歧视性和有偏见的决策。

四、总结与展望

基础模型为CPS数字孪生的创建和优化提供了新的方法和工具。本文提出了使用基础模型生成和微调数字孪生的两种主要方法，并讨论了其优势、挑战和未来的研究方向。我们相信，随着基础模型技术的不断发展，CPS数字孪生的应用将更加广泛和深入。

本文探讨了基础模型在赛博物理系统(CPS)数字孪生中的应用，重点分析了其在提高数字孪生创建效率和功能有效性方面的潜力。通过研究，我们发现基础模型在生成和优化数字孪生模型和能力方面具有显著优势，能够减少手工工作，提高模型的逼真度和准确性。

以自动驾驶系统（ADS）为例，新方案展示了基础模型在生成复杂交通场景、预测潜在风险和优化驾驶策略方面的实际应用。同时，我们也讨论了使用基础模型时面临的挑战，包括模型训练数据的可用性和质量、模型的透明性和解释性、以及数据隐私保护等。

展望未来，基础模型在CPS数字孪生中的应用将继续扩展和深化。随着技术的发展，基础模型的能力和适用范围将不断提高，使其在更多领域和应用场景中发挥作用。

为了充分利用基础模型的潜力，研究人员需要继续探索如何更有效地训练和微调模型，确保其在特定应用中的准确性和可靠性。

同时，解决模型的透明性和解释性问题将是未来研究的一个重要方向，特别是在安全关键和任务关键的CPS应用中。此外，随着对数据隐私和安全的关注不断增加，开发能够保护数据隐私的基础模型也将成为一个重要的研究领域。

总之，基础模型在CPS数字孪生中的应用前景广阔，但也需要应对一系列技术和伦理挑战。作者相信，随着这些问题的逐步解决，基础模型将为工业智能化和CPS的进一步发展提供强有力的支持。