设备端人工智能与数字孪生：构建智能信息物理系统的协同方法

《Future Generation Computer Systems》：On-Device AI and Digital Twins: A Synergistic Approach to Intelligent Cyber-Physical Systems

本研究提出利用数字孪生（DT）作为边缘AI（OD-AI）的中间层，解决资源受限环境下模型部署、验证和动态调整的挑战。通过实验验证，在微工厂场景中，DT通过多模型协同执行、实时数据过滤和模型自优化，显著提升了AI系统的准确性和可靠性，同时保持低延迟通信。该架构支持分布式DT实例管理，平衡边缘计算与云端资源，为工业物联网提供自适应智能解决方案。

　　人工智能（AI）与工业互联网（IIoT）的融合正在深刻改变工业领域的“信息物理系统”（CPSs），推动了智能自动化、实时决策和自适应控制的发展。这种融合的核心在于“边缘端AI”（On-Device AI，简称OD-AI），即AI模型的训练和推理直接在边缘设备上进行。尽管OD-AI能显著降低延迟、提高能效并增强数据隐私保护，但其在资源受限环境中的部署仍然面临诸多挑战，如计算资源的不足、硬件异构性带来的兼容性问题等。与此同时，随着AI在工业系统中的应用日益广泛，对动态协调和模型适应性的需求也愈发突出，这促使研究人员探索新的架构解决方案，以支持分布式智能并保持系统的响应能力和稳定性。

本文探讨了“数字孪生”（Digital Twins，简称DTs）在边缘端AI部署中的应用潜力。数字孪生作为一种在物理与数字世界之间架起桥梁的抽象技术，能够提供高保真、实时同步的数字模型，从而支持边缘端AI的执行、优化资源分配并实现低延迟的决策。通过在实际工业微工厂环境中进行实验验证，研究团队展示了数字孪生如何提升智能系统的生命周期管理、运行效率和适应性。实验结果表明，数字孪生在资源受限的环境中能够发挥重要作用，为下一代智能CPSs提供了一个可扩展、安全且高效的解决方案。

数字孪生在工业智能系统中的应用并非孤立存在，而是与传统的中间件、工业层等共同构成一个统一的架构。传统中间件主要负责通信、协议抽象、互操作性和数据集成，而数字孪生则专注于语义层面的动态建模、上下文感知推理和适应性调整。这种分层协作的架构使得数字孪生能够在不干扰现有工业体系的前提下，为AI驱动的智能应用提供更全面、更可靠的数据支持。此外，数字孪生还可以作为测试和验证AI模型的动态环境，因为它能够实时反映物理资产的状态和行为，从而实现更精准的模拟、更安全的实验和更有效的性能评估。

在边缘端AI的部署中，数字孪生的作用尤为关键。一方面，它可以充当边缘设备的“智能代理”，承担数据处理、模型验证和模型更新等任务，从而减轻边缘设备的计算负担；另一方面，数字孪生能够支持多种AI模型的协同运行，包括模型间的比较、优化和重新训练。这种能力不仅增强了系统的鲁棒性，还为应对动态环境变化提供了灵活性。例如，当边缘设备的AI模型性能下降时，数字孪生可以及时介入，通过自身的计算资源进行模型更新，确保AI决策的准确性和可靠性。此外，数字孪生还能通过智能信息处理，过滤和优化数据，减少对外部系统的计算压力，同时维护数据完整性，确保系统的长期运行效率。

在资源受限的边缘设备（如MCU）中，模型的训练和推理往往受到硬件能力的限制。因此，如何在不影响实时性的情况下实现模型的持续优化和适应性调整成为一大挑战。本文提出的架构方案通过数字孪生与边缘AI的结合，为这一问题提供了可行的解决方案。数字孪生不仅能够处理来自边缘设备的数据，还能够通过自身的模型进行更精确的预测和分析，从而为边缘设备提供决策支持。此外，数字孪生还能够监控边缘设备的运行状态，检测潜在的故障，并在必要时采取措施防止系统失效。这种机制显著提高了系统的可靠性和容错能力。

在实际部署中，数字孪生能够实现对边缘设备的动态管理，包括模型更新、资源分配和任务调度。例如，当边缘设备的AI模型因环境变化导致性能下降时，数字孪生可以利用其收集的数据进行模型的再训练，从而提升边缘设备的分类准确率和运行效率。同时，数字孪生还能够根据任务需求，灵活地选择不同的模型版本或配置，确保系统在不同应用场景下的适应性。此外，数字孪生还能够通过异构计算环境中的同步机制，确保边缘设备与云端或其他计算节点之间的数据一致性，从而支持更复杂的AI任务。

为了验证该架构的有效性，研究团队在微工厂环境中进行了实验评估。实验涉及多种AI模型的运行，包括在边缘设备上执行的轻量级模型和在数字孪生中运行的复杂模型。实验结果表明，数字孪生能够显著提升系统的运行效率，同时有效管理AI模型的生命周期。通过与边缘设备的紧密协作，数字孪生不仅能够提供更准确的决策支持，还能在不影响实时性的情况下实现模型的动态更新。此外，实验还展示了数字孪生在资源消耗方面的优势，表明其在边缘端的部署是可行的，且不会对计算资源、内存使用或网络流量造成过大负担。

数字孪生的引入还带来了新的研究方向，特别是在分布式AI系统中。通过构建多个数字孪生实例（Replica DTs，简称R-DTs），系统可以实现更精细的模型管理和任务分配。每个R-DT可以专注于特定的AI任务，如分类、检测或优化，从而形成一个协同工作的智能网络。这种架构不仅提高了系统的灵活性，还增强了其在复杂工业环境中的适应能力。然而，这种多数字孪生架构也引入了新的挑战，如如何协调不同数字孪生实例之间的数据同步、如何确保模型输出的一致性以及如何在不同计算层级之间实现高效的资源调度。

总体来看，数字孪生与边缘AI的结合为工业智能系统提供了一种全新的解决方案。它不仅能够克服边缘设备的资源限制，还能通过动态模型管理、上下文感知推理和高效的数据处理，提升系统的智能化水平。此外，数字孪生还能够作为中间层，为边缘AI提供更可靠的执行环境，同时支持跨平台的互操作性和长期的系统演进。未来的研究可以进一步探索数字孪生在边缘-云协同、联邦学习以及实时异常检测等方面的应用，以增强其自主性和响应能力。