十年之后,数字孪生将这样改变我们的工作与生活

640?wx_fmt=png

来源:资本实验室


数字孪生是近几年兴起的非常前沿的新技术,简单说就是利用物理模型,使用传感器获取数据的仿真过程,在虚拟空间中完成映射,以反映相对应的实体的全生命周期过程。


在未来,物理世界中的各种事物都将可以使用数字孪生技术进行复制。在工业领域,通过数字孪生技术的使用,将大幅推动产品在设计、生产、维护及维修等环节的变革。 

640?wx_fmt=jpeg

数字孪生技术不仅可以让我们看到产品外部的变化,更重要的是可以看到产品内部的每一个零部件的工作状态。


例如,通过数字3D模型,我们可以看到汽车在运行过程中,发动机内部的每一个零部件、线路、各种接头的每一个数字化的变化,从而可以对产品进行预防性维护。毫不夸张的说,数字孪生将是改变行业游戏规则的一项新技术。

640?wx_fmt=jpeg

据预测,到2022年,85%的物联网平台将使用某种数字孪生技术进行监控,少数城市将率先利用数字孪生技术进行智慧城市的管理。


当然,数字孪生不仅将在工厂与城市运营中发挥作用,也将在家居生活、个人健康管理等方面大有可为。全球知名的未来学家Thomas Frey认为:在十年之后,数字孪生技术将从以下七个方面改变我们的工作和生活。


1.智能家居管理中心


物联网让我们的家居生活变得越来越智能,因此需要一个中央管理系统对安全系统、电视网络、Wi-Fi、冰箱、太阳能、热水器、厨房设备、暖气/空调等系统进行统一管理。

640?wx_fmt=jpeg

未来十年内,大多数家庭都将拥有一个中央管理中心,数字孪生技术将成为其中的重要组成部分,也将成为对未来家庭需求管理至关重要的智能系统。


2.工业设备监控


未来工厂中每个设备都拥有一个数字复制体。通过它,我们可以精确地了解这些实体设备的运行方式。

640?wx_fmt=jpeg

通过数字模型与实体设备的无缝匹配,可以实时获取设备监控系统的运行数据,从而实现故障预判和及时维修。 


3.远程操控


监控只是数字孪生技术的初级应用,控制才是最终级的应用场景。通过数字模型,我们将可以实现设备的远程操控。

640?wx_fmt=jpeg

在未来,远程辅助、远程操作、远程紧急命令都将成为日常管理的常用汇词。


4.智慧城市管理


未来,无人机群将为城市提供基于图像扫描的城市数字模型,街道、社区、娱乐、商业等各功能模块都将拥有数字模型。

640?wx_fmt=jpeg

随着城市数字模型的扩充与发展,数字孪生技术将覆盖城市的每条电力线、变电站、污水系统、供水和排水系统、城市应急系统、Wi-Fi网络,高速公路,交通控制系统等所有看见或看不见的地方,而城市管理将更加轻松可控。


5.推动现实世界探索


互联网时代,搜索技术让我们得以更轻松地发现、了解和认知事物。在未来,无人机、自动驾驶汽车、传感器将取代当前网络爬虫的工作。搜索技术将变得更加复杂,我们将能够搜索气味、味道、振动、纹理、比重、反射、气压等物理世界的属性。

640?wx_fmt=jpeg

随着时间的推移,新的搜索引擎将能够在数字世界和现实世界中找到几乎所有的东西。


6.健康监测与管理


未来,我们每个人都将拥有自己的数字孪生体。

640?wx_fmt=jpeg

通过各种新型医疗检测和扫描仪器以及可穿戴设备,我们可以完美地复制出一个数字化身体,并可以追踪这个数字化身体每一部分的运动与变化,从而更好地进行健康监测和管理。


7.大脑活动的监控与管理


人脑是大自然中最复杂的产品之一,很多国家的科研人员正在试图用数字化技术找出人类大脑的思考方式。

640?wx_fmt=jpeg

例如,美国惠普公司正在与瑞士洛桑联邦理工学院合作开展Blue Brain项目,旨在建立哺乳动物大脑的数字模型,以期发现大脑的工作原理,利用大量的计算方法来模拟大脑的运动、感知和管理等功能,从而协助脑部疾病的诊断与治疗。


目前,我们正在使用的各种有形的或无形的产品、服务都经历了无数次的更新迭代,数字孪生技术同样如此。


总体来看,数字孪生技术还处在早期阶段,要实现成熟应用,还需要克服很多困难。但可以肯定的是,在数字时代的未来,数字孪生将完全改变我们发现、认知和改造世界的方式。


未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。


未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

640?wx_fmt=jpeg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/493621.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

什么是图像

图像,尤其是数字图像的定义,在冈萨雷斯的书中是一个二维函数f(x,y),x,y是空间平面坐标,幅值f是图像在该点处的灰度或者强度。下面通过OpenCV中最常用的图像表示方法Mat来看一下在计算机中是怎么定义图像的。 Mat的定义 OpenCV在2.0之后改用…

吴恩达作业6:梯度检验

梯度检验的目的就是看反向传播过程中的导数有没有较大的误差,首先看Jtheta*x的梯度检验:代码如下 import numpy as np """ Jx*theta的前向传播 """ def forward_propagation(x,theta):Jx*thetareturn J ""&quo…

10年后的计算机会是怎样的?

作者:孙鹏(剑桥大学计算机系博士)来源:新原理研究所上个世纪三十年代,邱奇和图灵共同提出了通用计算机的概念[1]。在接下来的十多年里,因为战争需要下的国家推动,计算机得以很快从理论发展成为实…

什么是图像变换

还是看OpenCV官方手册,我觉得这样可以同时学习如何使用函数和如何理解一些基本概念。 首先,这里的几何变换geometrical transformations是针对2D图像而言的,不改变图像内容而是将像素网格变形deform the pixel grid,映射到目标图…

MSRA20周年研究趋势文章|图像识别的未来:机遇与挑战并存

文/微软亚洲研究院 代季峰 林思德 郭百宁识别图像对人类来说是件极容易的事情,但是对机器而言,这也经历了漫长岁月。在计算机视觉领域,图像识别这几年的发展突飞猛进。例如,在 PASCAL VOC 物体检测基准测试中,检测器的…

吴恩达作业7:梯度下降优化算法

先说说BatchGD用整个训练样本进行训练得出损失值,SGD是只用一个训练样本训练就得出损失值,GD导致训练慢,SGD导致收敛到最小值不平滑,故引入Mini-batch GD,选取部分样本进行训练得出损失值, 普通梯度下降算…

什么是单应矩阵和本质矩阵

知乎上面的大牛还是很多,直接搜Homography或者单应矩阵就能得到很多大神的回答,可能回答中的一句话或者一个链接就够自己学习很久。 其实在之前研究双目视觉的时候就接触了对极几何,通过视觉就可以得到物体的远近信息,这也是特斯…

tensorflow实现反卷积

先看ogrid用法 from numpy import ogrid,repeat,newaxis from skimage import io import numpy as np size3 x,yogrid[:size,:size]#第一部分产生多行一列 第二部分产生一行多列 print(x) print(y) 打印结果: newaxis用法: """ newaxis…

寿命能推算吗?加州大学科学家提出“预测方法”

来源:中国科学报从古至今,从国内到国外,从炼丹术到现代科学,长生不老似乎一直是人类乐此不疲的追求。但若要延缓衰老,首先要弄清是什么造成了衰老。近日,加州大学洛杉矶分校(UCLA)生…

Deep Image Homography Estimation

在知乎问题:深度学习应用在哪些领域让你觉得「我去,这也能行!」?中遇到一篇提交在arXiv 2016(arXiv不是正式发表,只是可以证明原创性,提供时间戳的网站)的文章《Deep Image Homograp…

tensorflow:双线性插值反卷积

首先生成333的黑色图片 """ 生成333黑色图像 """ def produce_image():size 3x, y ogrid[:size, :size] # 第一部分产生多行一列 第二部分产生一行多列z x yz z[:, :, newaxis] # 增加第三维# print(z)img repeat(z, 3, 2)/12 # 在第三…

腾讯医疗AI新突破:提出器官神经网络,全自动辅助头颈放疗规划 | 论文

来源:量子位腾讯医疗AI实验室又有新研究。这次跟美国加州大学合作,在国际权威期刊《Medical Physics》发表最新研究成果:《器官神经网络:深度学习用于快速和全自动整体头颈危及器官靶区勾画》AnatomyNet: Deep Learning for Fast …

视频制作中的绿幕与拜耳阵列

先来欣赏一些大片背后的特效。 现在国内的电影市场越来越大,做短视频的自媒体也越来越多,在他们的后期视频制作的片花中可以看到很多都在使用绿幕或者蓝幕,这是为什么呢? 首先肯定是为了抠图的方便。将主体部分抠出再将通过特效…

吴恩达作业8:三层神经网络实现手势数字的识别(基于tensorflow)

数据集的载入,随机产生mini-batch放在tf_utils.py,代码如下 import h5py import numpy as np import tensorflow as tf import mathdef load_dataset():train_dataset h5py.File(datasets/train_signs.h5, "r")train_set_x_orig np.array(train_datase…

基于visual Studio2013解决面试题之0307最后谁剩下

题目解决代码及点评/* n 个数字(0,1,…,n-1)形成一个圆圈,从数字 0 开始,每次从这个圆圈中删除第 m 个数字(第一个为当前数字本身,第二个为当前数字的下一个数字&…

谷歌、苹果等大佬亲自戳穿自动驾驶完美童话,技术、场景、安全牢笼实难突围!...

来源: 物联网智库摘要:自动驾驶普及不仅局限于自身技术和应用场景,而且与产业链各环节密切相关。一项科技从诞生到被人们所接受是一个循序渐进的过程,自动驾驶真正普及还任重而道远。2018年11月1日百度世界大会上,百度…

使用文件监控对象FileSystemWatcher实现数据同步

使用文件监控对象FileSystemWatcher实现数据同步 原文 使用文件监控对象FileSystemWatcher实现数据同步 最近在项目中有这么个需求,就是得去实时获取某个在无规律改变的文本文件中的内 容。首先想到的是用程序定期去访问这个文件,因为对实时性要求很高&a…

吴恩达作业11:残差网络实现手势数字的识别(基于 keras)+tensorbord显示loss值和acc值

一,残差网络实现手写数字识别 数据集地址:https://download.csdn.net/download/fanzonghao/10551018 首先来resnets_utils.py,里面有手势数字的数据集载入函数和随机产生mini-batch的函数,代码如下: import os import numpy as…

通过SVD求解单应矩阵

我们现在知道原则上4对匹配点对就可以唯一确定单应矩阵,但是在实际应用中我们无法保证两个视图严格满足使用条件(只有旋转变换;远景;平面场景),所以要使用拟合的方法求一个最优解。现在就来以SIFT算法源码为…

注意力机制(Attention)最新综述论文及相关源码

来源:专知注意力机制(Attention)起源于模仿人类的思维方式,后被广泛应用于机器翻译、情感分类、自动摘要、自动问答等、依存分析等机器学习应用中。专知编辑整理了Arxiv上一篇关于注意力机制在NLP中应用的综述《An Introductory Survey on Attention Mec…