芬兰首都赫尔辛基运行着全球时间最长的数字孪生项目之一。过去三十年中,芬兰赫尔辛基逐步采用计算机辅助设计(CAD)、3D城市地图、以及后来的全尺寸数字孪生,并在此过程中尝试了很多想法,其中一些想法为芬兰赫尔辛基的公民、组织和当地企业带来了真正的好处。
Jarmo Suomisto于1998年加入赫尔辛基的规划部门,当时很多项目正在几步阶段,他从2014年开始负责Helsinki 3D+项目,以协调全市范围的数字孪生计划。
他说:“30年前,数字城市是一个伟大的理想主义梦想,现在,这个愿景已经接近于实现了。”

赫尔辛基市的数字孪生渲染
现在,赫尔辛基使用数字孪生来减少碳排放、改善城市服务、促进创新增长。
原型
赫尔辛基的数字孪生之旅始于20世纪80年代初期的城市建筑竞赛,建筑设计师的黑白线条图需要十二个小时才能渲染完成。从那时起,流程和技术一直不断演进发展。
“我们现在的3D渲染速度达到了每秒60帧,有完整的阴影和反射,”Suomisto说。
2000年,Suomisto与一个团队合作,在一个特殊的Bentley微站上以3D CAD的形式展示了整个赫尔辛基市。该团队还在城市规划演示的过程中,通过四个大型计算机引擎和三个投影仪上展现了赫尔辛基的实时计算机模拟,这种技术突显了赫尔辛基中心地区对新开发项目的需求,包括新建的图书馆、音乐厅、公园和商业开发项目。

赫尔辛基市的数字孪生进化时间表
“有很多建筑方面的竞赛,我们想展现这个地区的未来,”Suomisto说。
展示持续了一个月的时间,人们可以俯瞰整个区域。当时,老年人不玩电脑游戏,他们以为这是一部电影,后来他们发现可以使用鼠标操纵。后来,赫尔辛基市继续模拟技术来指导城市规划。
网格发挥效用
2015年,他们发布了Helsinki 3D+,开始利用新的工具获取和构建逼真的3D实景网格,将城市地理标记语言(CTGML)用于语义数据。
“这是两种互补性的技术,使用不同的生产工艺,我们通过这两种技术创造价值,”Suomisto说。
Reality Mesh汇集数据,通过各种游戏引擎渲染城市,包括Unreal Engine、Unity Engine和Minecraft。Bentley的软件已经把5万多张飞机侦察图像转换为精度为10厘米的实景网格模型。第一个完整的模型花了大约一个月的时间。
相比之下,CityGML适用于分析与建筑物、道路、基础设施和植被相关的数据,他们把来自各种地图、数据库、以及其他来源的矢量和语义数据组合成一个统一的城市模型。
早期成功
2016年,Suomisto的团队希望向参与资助该计划的决策者展示数据模型的力量。几个月后,他们创建了一个试点项目,其中包含12个与新城市模式相关的项目,其中一半成为永久性项目。
其中,最成功的项目包括关于新住宅开发的交流服务、地下连接地图、以及展示新栽树木的影响,这些都利用了Mesh丰富的视觉图形。而其他专注于数据分析的项目因为太复杂而无法用工具实施。
从那时起,模型的准确性和分辨率有了显着提高,并且在不同的游戏引擎之间有了更好的集成。围绕CTGML的设备生态系统也在不断完善,但这需要更多的专业知识。CTJSON接口也使CTGML数据更容易集成到其他应用中,有利于进一步发展。
打造长期价值
刚刚起步的城市,应该从以市中心为核心的小型项目开始,使用展示数字孪生视觉吸引力的实景网格。从长远来看,Suomisto预计CTGML模型因为可以更深入地了解隐藏在表面之下的数据,所以将在帮助城市实现可持续性和发展目标方面,发挥重要的作用。
其他城市也可以采用,围绕战略目标建立共识。例如,芬兰设定了到2035年实现碳中、到2050年回收所有废物的目标,数字孪生还有助于模拟不同的政策或个人决策将如何影响目标。
例如,赫尔辛基开发了一项服务,该服务使用CityGML数据分析太阳辐射,分析道路、墙壁、门窗更换对碳足迹的潜在影响。居住在赫尔辛基的房主,可以将新保温材料、窗户和热泵的成本与预期的节能和减少二氧化碳排放量进行比较。Suomisto说:“最好的入门方法就是使用实景网格模型,因为你会得到很好的结果,而且视觉上看起来很生动。随着城市领导者了解了这项技术的强大力量,你就可以获得更多资源做更多的事情。几年时间内,你就可以打造出一个很好的模型,运行这个模型,在这个模型上打造整个城市。”
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。