數位孿生的三年躍進與下一步——從底層技術到全產業應用的全景觀察

為什麼要把世界搬進數位

很多人對數位孿生的第一印象是「預測」或「做假設情境的推演」。這沒錯，但只是其中兩格。文獻反覆指出，真正的價值不是那個虛擬複製品本身，而是複製之後打開的那個即時、雙向的閉環——實體變，孿生跟著變；孿生算出來的決策，再回頭作用到實體。

2024 年，Papachristou 等人發表的文獻中指出，醫療數位孿生靠即時雙向的資料交換，把原本靜態的健康紀錄變成會持續更新的活模型，這正是它和傳統一次性模擬最大的差別。

第二個被低估的理由，是在不能實驗的對象上安全試驗。你不能在真病人身上輪流試三種療法、不能把整座城市的號誌打亂來觀察、不能讓晶圓廠停線做破壞測試。數位孿生就是那個安全沙盒。2024 年，Shen 等人發表的系統性回顧中檢視 12 篇研究、歸納出個人化健康管理、精準療效與個人風險預測三類介入，在 45 個結果中約八成達到群體層級的有效性，顯示這個沙盒不是空談。

第三，是個人化——不是一個通用模型，而是為這一個個體（一位病人、一座晶圓廠、一塊林分）建一座專屬孿生，再去模擬它對特定處置的反應。把這三件事疊起來，就回答了「為什麼要把世界搬進數位」。

近三年的三級跳（2023-2025）

第一跳是定義與分類學的成熟。早年「數位孿生」常被誤當成 3D 視覺化或靜態資料庫。2025 年，Weingram 等人發表的文獻替數位孿生建立了一致的定義與機器學習強化版本的分類學，把它和科學計算、機器學習的關係講清楚，等於替整個領域釘下地基。

第二跳是生成式 AI 與基礎模型進場。2025 年，Rojek 等人發表的文獻探討生成式 AI 在數位孿生中的角色，並把它放進 Industry 5.0 邁向 Industry 6.0 的演進脈絡，意味著孿生開始具備「自己生成情境、自己提建議」的能力，而不只是被動反映。

第三跳是應用從製造擴散到各行各業。2025 年，Nguyen 等人發表的文獻把製造業的 AI 數位孿生按 machine、cell、shop floor、enterprise 四個層級系統性回顧，涵蓋預測性維護、製程最佳化、品質控制與動態排程；同年 Alfaro-Viquez 等人發表的文獻則把製造數位孿生拆成操作員、製程、產品三個維度，並對齊以人為本的 Industry 5.0。與此同時，2024 年 Inamdar 等人把數位孿生延伸到半導體與微電子的健康管理，2024 年 Shen 等人與 2025 年 Rehan 等人則分別把它推進到精準醫療與公衛防疫。一份 2024 年底的跨產業綜述（arXiv 預印本）更把應用域一次列到製造、醫療、運輸、能源、農業、太空、油氣與機器人。

上下游產業鏈全景

把數位孿生當成一條產業鏈來看，大致分三段。理解這三段，就知道一座孿生到底是由誰餵養、由誰建構、又服務了誰。

• 上游 致能技術：感測器與 IoT 負責把實體狀態變成資料，透過 MQTT、OPC UA 等通訊協定與 5G 上傳，再靠邊緣與雲端的算力（含高效能運算與 GPU）承接。2022 年一篇數位孿生致能技術回顧（arXiv 預印本）把這層的感測、連線、建模與運算技術做了系統盤點。
• 中游 建模與平台：把資料變成會推理的模型。手法包含 physics-based（物理方程式）、data-driven（資料驅動）與兩者結合的 hybrid；2024 年 Inamdar 等人提出的雙分支架構正是物理與資料驅動並用的代表。再加上機器學習、生成式 AI、3D 與沉浸式視覺化，以及把感測資料即時融進模型的資料同化，構成平台層。
• 下游 應用產業：製造與半導體（預測性維護、製程與良率）、醫療（虛擬病人、療效模擬）、公衛（疫情預演）、能源（電網即時調度）、都市（交通與管線）、以及我們的旗艦領域森林（碳監測與經營情境）。同一套技術骨幹，落到不同產業就長成不同的孿生。

未來幾年怎麼走

從文獻指出的研究方向，可以勾勒出接下來幾年的走向。

技術上，2025 年 Weingram 等人發表的文獻點名兩個方向——混合資料同化（hybrid assimilation）與 physics-informed 技術，目的都是讓孿生更準、更貼近真實物理。模型上，生成式 AI 與基礎模型會繼續往孿生裡長，2025 年 Rojek 等人描繪的 Industry 5.0 邁向 6.0，指向更自主、更以人為本的孿生系統。

能力上，重心會從「預測」進一步推向主動控制與最佳化——讓孿生在虛擬端評估大量可能動作、選最好的再下到實體。治理上，當不同產業的孿生越來越多、彼此要協作，可信任、安全與互通會成為必須解的題；2024 年 Papachristou 等人就已點出資料安全、可近用性、偏誤與品質是落地前要先處理的關卡。

一個誠實的提醒：本報告所引文獻多為回顧與綜述，描繪的是趨勢與方向；各家對時程與市場規模的量化預測來自市場研究機構、非本報告的科學文獻範圍，故不在此列數字，待有可追溯來源再補。

回到森林與台灣

森林數位孿生不是這條脈絡的例外，而是同源的一支。它要解的問題和半導體 PHM、醫療精準孿生、公衛防疫一模一樣——對一個無法重來、無法任意實驗的真實系統，先在數位世界把監測、模擬與最佳化跑一遍。

對台灣而言，這裡有一個有意思的交會：台灣在半導體與製造的數位孿生量能，與森林固碳、自然碳匯的需求，原本分屬兩個世界。但既然技術骨幹相通，跨產業的方法與人才是可以借力的。這也是這個知識庫把森林當旗艦、同時把半導體、AI 晶片、製造、醫療、公衛、能源一起收進來的理由——從底層到應用完整地理解這個世界怎麼用數位孿生，森林那一塊才不會孤立地做。