生成式人工智能（Gen AI）与数字孪生的结合能够彻底改变企业运营方式。生成式AI可简化数字孪生的部署流程，而数字孪生可优化并验证生成式AI的输出。通过结合这两种技术，企业能够实现成本降低、部署加速，并创造远超单一技术所能提供的价值。
本文由麦肯锡数字的Alex Cosmas、Guilherme Cruz、Sebastian Cubela等人共同完成。
这两种技术已在各行业和应用场景中证明了其价值。
1. 数字孪生是可复用的虚拟模型，能够模拟资产、人员、流程及其环境的动态，并通过策略仿真优化行为。其核心作用包括：
支持数据驱动决策：通过构建真实场景的模拟与结果预测，提供早期预警（如事件发生概率）；
虚拟实验室功能：无风险测试设计与方案，优化调度、维护等流程，缩短产品上市周期。
2. 生成式AI能够生成音频、代码、图像、文本、仿真视频等内容，正在以多样化的方式革新业务流程。
目前，75%的大型企业正通过数字孪生规模化其AI解决方案，二者的结合有望释放数万亿美元经济价值。
二者结合可提升洞察力并放大彼此价值，以下是具体场景：
1. 通用模型构建
构建高度专业化的数字孪生（如多机生产调度或车辆路径规划）通常耗时6个月以上，且需高昂的开发与算力成本。通过GitHub等软件开发平台，大型语言模型（LLM）可为数字孪生生成代码，加速开发进程。LLM甚至可能构建通用数字孪生模型——一种跨行业适用的基础框架。
数字孪生的架构可表示为时间序列图中的节点与边，基于图的LLM（如GNN-LM、TextGNN）可生成孪生体基础模型，并适配不同场景。例如，在智慧城市中，交通系统、公共设施等数据可输入LLM，由LLM识别节点关联性，构建交互模拟与预测的底层框架。
2. 数据收集、传输与增强
数字孪生依赖多源（常为实时）数据，而LLM的嵌入技术（Embedding）能高效压缩数据并保留关键信息，从而优化数据传输与处理。以制造业为例：
此外，生成式AI可合成训练数据。例如，若现有维护日志缺少某种缺陷数据，生成式AI可创建包含该缺陷的合成数据集，增强数字孪生的识别能力。
3. 自然语言交互界面
多模态LLM（如Gemini、GPT-4V）能解析数字孪生的海量数据，并以自然语言生成用户可理解的洞察。例如，用户可直接提问“如何优化生产线效率？”，LLM将驱动数字孪生模拟方案并反馈结果。这种交互方式降低了技术使用门槛，使非技术人员也能参与决策。
4. 动态约束验证
生成式AI通过数字孪生的实时数据增强上下文理解，而数字孪生则通过“假设推演”优化AI输出。例如：
领导者可通过确立明确原则、构建指导框架以及承诺安全可靠使用等方式，缓解与人工智能工具相关的风险。生成式人工智能的应用伴随潜在的不准确性与偏见问题，因此必须确保工具针对隐私保护和受监管数据进行优化。在启动开发前，需进行全面尽职调查以评估第三方的价值观和安全措施。
开发过程中，需谨慎考虑模型的假设和简化，以确保输出结果具有上下文相关性。持续监控机制同样至关重要，因为不准确的模型容易产生误导性输出，而模型本身往往无法自行识别此类错误。通过将数字孪生与生成式人工智能构建于高容量、高质量的数据基础之上，可有效规避该问题。在构建数字孪生前，需明确孪生体的业务用例并确保可获取安全优质的数据。
生成式人工智能可能引发 伦理挑战，特别是在数据隐私与安全领域。这些风险在处理个人身份信息（PII）的敏感行业尤为显著。应对此类挑战需要特别关注数据保护，并以符合伦理的方式获取训练数据。此外，随着人工智能工具的持续演进，维持人工智能系统的持续学习与发展文化至关重要。定期适应性训练、优化反馈循环以及用户教育，是确保成功并保持符合法律和社会标准的关键。
数字孪生与生成式人工智能的共生关系提升了二者的联合可扩展性、可访问性和可负担性。这一前沿领域将使创新型组织能够强化其竞争优势，同时为后进组织提供追赶竞争对手的机遇。
