通樞紐及其他基礎設施每天都會產生大量營運數據。但這些數據分散在設備、建築信息模擬(BIM)、物聯網(IoT)等不同營運系統之中,難以放在同一個脈絡下分析。要令數據真正支援營運,企業需要把這些來源連接起來,再轉化為可以採取行動的資訊。
數位孿生(Digital Twin)正是用來連接實體資產與數碼環境的一項重要技術。數位孿生技術的優點是能建立一個與實體對象連接並持續同步的動態、數據驅動虛擬表示,讓營運者觀察系統狀態、診斷異常及預測行為,並評估不同改善方案可能帶來的影響。
數位孿生技術由單一設備擴展至建築群、乃至鐵路網絡,逐步成為企業分析和管理資產的數據基礎。本文會先說明數位孿生是什麼、與 BIM 有何分別,再整理常見應用、優點與導入門檻,並以港鐵網絡模型說明網絡級數位孿生的發展方向。
什麼是企業級數位孿生?從三層架構理解技術原理
數位孿生是實體資產在虛擬空間中的動態即時映射。透過數位孿生技術,技術人員可以為一棟大廈、一台設備或整條鐵路網絡建立一個數碼分身。這個分身有別於靜態的 3D 模型,會隨現實數據持續更新。以樓宇冷氣系統為例,感應器不斷把溫度、用電量、震動等數據傳回平台,數碼模型便同步反映設備狀態。當數據出現異常,營運者可以及早發現;也可以先在模型內模擬不同維修或節能方案,再決定是否落實。
企業級數位孿生大致可以拆成三個互相連接的層面。
第一層是實體資產。
對大型基建營運者而言,這一層可以包括列車、路軌、車站機電設備、升降機、空調系統、樓宇設施,以及分布在不同位置的 IoT 感應器。日常營運中,這些設備會持續產生溫度、振動、能源消耗、運行狀態等數據。
第二層是數據傳輸與實時同步。
實體資產產生的資料可透過邊緣運算、通訊網絡、應用程式介面(API)和雲端平台傳送到數碼模型,形成由現實世界到虛擬環境的 Real-to-Virtual 數據流。分析結果亦可以回到維修、調度、控制流程,形成 Virtual-to-Real 的反饋。不過,反饋不一定代表全自動控制;在不少實際場景中,系統會先提出建議,再由人員作最終判斷。
第三層是虛擬模型與運算。
BIM 模型、設備數據、歷史維修紀錄、物理模型、人工智能演算法可在這一層整合,用於異常偵測、情境模擬、預測性維修和營運優化。
數位孿生、傳統模擬與 BIM 有何分別?
數位孿生、傳統模擬、BIM 三者可以互相配合,但各自處理的問題和使用方式並不相同。
| 比較範疇 | 傳統模擬 | BIM 建築信息模擬 | 數位孿生 |
| 主要目的 | 測試特定假設或情境 | 建立、管理建築/資產資訊 | 持續反映及分析實體資產狀態 |
| 數據來源 | 歷史數據、假設參數 | 設計、工程、資產資料 | BIM、IoT、營運、即時/近即時數據 |
| 與實體資產連接 | 通常沒有持續連接 | 視乎系統及應用而定 | 強調持續數據同步 |
| 互動反饋機制 | 主要為單向分析 | 視乎整合程度而定 | 可連接營運流程形成反饋閉環 |
| 生命週期覆蓋 | 規劃或特定分析 | 設計、施工,亦可延伸至營運 | 可貫穿營運及資產生命週期 |
決策用途 | 比較不同假設 | 資訊整合協作 | 監察、診斷、預測、優化 |
BIM 亦不應被簡化成「靜態 3D 模型」。現代 BIM 本身可以承載大量資產和生命週期資訊。主要分別在於數位孿生通常更強調與實體系統持續同步,並把營運數據帶入分析和決策流程。 與實體建築保持同步、並採用結構化數據的數位孿生基礎設施,有助不同建築應用在較一致的數據環境下運作。
數位孿生優點與企業導入挑戰
對持有大量實體資產的企業而言,數位孿生的價值在於改善資產生命週期管理,把分散在不同系統的營運資訊整理成可供決策使用的依據。
數據驅動的營運優點:資產全生命週期價值與預測性維修
常見的數位孿生優點包括提升營運效率、改善資產管理及支援跨資產決策:
● 提升營運效率:把設備和營運數據放在同一個分析環境中,團隊會較容易看出異常趨勢和資源配置問題。
● 改善資產生命週期管理:把設計、施工、營運和維修資訊連接起來,有助企業掌握資產由投入使用到更新或更換的完整狀態。
● 加強安全及風險管理:異常狀態可以在同一數據環境中被識別和追蹤,讓營運團隊更早評估潛在風險。
● 支援跨資產決策:當多個數位孿生由單一設備逐步連接成資產組合或網絡,管理層便可以把視角由局部設備,提升到整體營運層面。
ESG 與可持續發展:碳足跡追蹤與環境管理
大型建築和基建資產通常包含空調、照明、機電系統等大量耗能設備。當相關資料分散在不同平台,企業每次進行能源分析報告都可能需要投入大量時間整理數據。傳統碳排放盤查往往需要從不同系統手動整理數據,不僅耗時,還容易出現數據格式不一致、更新滯後、跨部門整合困難等問題。
數位孿生可把各方面營運數據持續接入同一個數據環境,減少依賴人工整理,支援更持續的環境與能源監察。主要應用包括:
●持續追蹤能源使用及碳排放變化: 透過自動化數據擷取,持續收集電力、設備負荷及其他活動數據,再配合相應排放因子估算碳排放,讓管理團隊更快掌握不同資產或時段的碳足跡變化。
●模擬交通及建築能耗情境: 管理團隊可比較不同空調設定、設備排程、人流變化、空間使用模式或能源配置對能耗的影響,作為營運優化及減排方案評估的依據。
●提高 ESG 數據整理與匯報效率: 當能源、碳排放及資產營運數據已在同一架構中持續更新,部分 ESG 指標可由系統自動整理,減少重複人工整理,為定期 ESG 匯報提供較一致的數據基礎。
企業導入數位孿生的實務門檻
不過,企業級數位孿生並不是把 IoT、BIM 和 AI 放進同一個平台便完成。真正的困難通常在數據、系統和營運流程能否接得上。
數據孤島是其中一個常見問題。大型企業往往同時使用不同年代的營運系統,各項技術之間缺乏互操作性,設備之間的數據標準未必一致,一些舊有設備甚至缺乏足夠的數碼介面。在這種情況下,數據是否完整、標準能否對齊,以及不同系統能否交換資訊,都會直接影響數位孿生能做到什麼。數據格式缺乏標準化帶來了顯著的挑戰,例如兼容性問題、效率低下以及用戶體驗不一致等。
在建築環境中,由於發展商、工程師與技術供應商需要協力打造統一系統,互通性的不足便成為一大痛點。缺乏統一通訊協議會導致物聯網生態系統呈現碎片化,從而限制了房地產科技創新的成效。根據麥肯錫全球研究院 2015 年的研究估計,平均約 40% 的物聯網潛在經濟價值,需要不同 IoT 系統互通才能實現。
成本和部署次序同樣需要取捨。感應器、通訊基建、雲端運算、系統整合、模型建立和後續維護都需要投入。因此,企業往往先揀選營運價值較清晰的場景做概念驗證,再按結果決定是否將數位孿生技術擴展到相應的資產上。
對基礎設施科技公司來說,另一項難題是把方案帶出實驗室拓展到用戶真實場景。模型在受控環境中表現良好,不代表可以直接套用到鐵路、公共基建、大型建築等高可靠性場景。真實環境中的設備差異、數據質素、營運限制,都需要另外驗證。
數位孿生應用:智慧建築與跨資產管理
在智慧建築環境中,數位孿生應用尤其集中在兩個方向:一是利用 AI 提前識別設備衰退及維修需求;二是把分析尺度由單一設備擴展至建築群、交通樞紐、城市級資產,用於能源及環境管理。
AI 支援的大型設施管理與預測性維修
人工智能可以進一步增強數位孿生的預測能力。大型設施中的 IoT 感應器可以持續收集設備的運行數據,再輸入分析模型。如果系統發現某些數據逐步偏離正常模式,便可以先標示異常,再由維修團隊進一步檢查。

以 MTR Lab 投資的內地初創企業諦聲科技為例,其智能物聯網與聲學 AI 解決方案展示了前端感測如何為數位孿生預測性維修提供關鍵數據,核心在於聲紋識別技術。透過分析聲音信號中的獨特特徵,如頻率、時域特徵等,來識別特定個體或設備的狀態。用於即時監控設備運行狀態,檢測異常情況,並進行健康評估和預警。在關鍵設施(如鐵路系統或電力網)部署智能 IoT 聲學感測器後,系統可持續收集監測設備發出的聲音與振動訊號,並利用邊緣計算及與 AI 演算法識別異常模式,支援設備狀態監察、健康評估及預警。這項技術是數位孿生實踐預測性維修的關鍵前端感知層。當聲學感測器於設備出現微小異常時即時發出警報,系統便能將數據無縫對接至資產模型與工單系統,在故障惡化前精準安排檢修。
在較成熟的數位孿生預測性維修流程中,分析結果可以進一步連接企業的維修管理或工單系統。當風險達到預設門檻,系統可自動建立檢查或維修工單,按設備重要程度、預測故障時間、可用維修資源安排處理優次。
這樣就形成了「感測—分析—預測—派單—維修」的閉環,有助設施管理,從而降低突發故障風險。
跨資產能源管理與城市環境模擬
數位孿生應用亦可以超越單一設備或單一建築。
當多幢建築、交通設施、能源設備、環境數據可以放在共同架構下分析,管理者便可以比較不同營運方案。例如,在交通樞紐或大型建築群中,可進一步研究人流、能源需求、設備負荷和環境條件之間的關係。
在更大型的城市應用中,城市管理者亦可將數位孿生用於研究熱島效應,從而比較不同規劃或營運方案可能對局部溫度及能源需求帶來的影響。 再生能源調配亦是數位孿生技術的一個潛在應用方向,其可協助模擬不同供需情境,評估何時使用、儲存、重新分配能源較為合適。
實務案例分析:isBIM 如何用AI賦能基礎設施與建築數碼轉型

2023 年,MTR Lab 與戈壁大灣區共同投資建築人工智能科技公司isBIM。isBIM 結合人工智能 SaaS 平台、數據驅動解決方案、數位孿生應用,協助建築項目提升營運效率。 isBIM 旗下 JARVIS 平台實現 BIM、人工智能與數位孿生技術的一體化整合。平台可把不同來源的項目資訊匯集到雲端分析,用於管理工程進度、安全事項、溫室氣體排放、ESG 資訊,並處理不同系統數據標準不一致所形成的數據孤島。MTR Lab的投資推動了 JARVIS 平台研發,提升其數據處理能力,進而協助業界人員透過數據驅動的決策支持可持續發展,在增強建築項目的營運效益的同時,降低對環境的影響。
此舉實現了更快速的項目交付、更安全的施工現場以及更智慧的建築,契合香港的數碼轉型目標。MTR Lab 支持 isBIM 的研發以擴展這些解決方案,進一步將「房產及建築科技」鞏固為推動城市進步關鍵領域的重點關注。
導入企業級數位孿生的 5 大實施階段
企業可以透過以下 5 步應用數位孿生技術:
1. 定義營運問題、商業指標及 ROI
先找出具實際價值的問題,例如能源消耗、設備故障、維修安排或資產利用率,再設定可量度的基準和目標。同時評估預期投入、營運效益、投資回報(ROI)。改善幅度應建基於企業本身的歷史數據。
2. 準備數據基礎設施
盤點現有 BIM、設備資料及維修紀錄,並按需要建立或更新 BIM 3D 幾何模型、部署 IoT 感應器網絡,同時確認數據質素、存取權限及更新頻率。
3. 建立系統整合與數據管道
透過 API、邊緣運算及雲端架構連接不同系統,建立可持續更新的數據流程,並按實際場景建立 Real-to-Virtual 及 Virtual-to-Real 的實時或近實時雙向數據連接。
4. 訓練 AI 模型並進行 PoC 驗證
導入合適的機器學習或分析模型,先選取單一設備、樓宇、車站或其他具代表性的場景進行概念驗證,再評估模型準確度、數據完整性,以及工作流程是否真的得到改善。
5. 擴展至全資產組合並持續優化
當個別場景已證明具實際價值,再逐步擴展至更大範圍的資產組合,同時建立跨部門的數據治理、模型管理及決策流程,把分析結果連接至營運、維修或控制環節,逐步形成閉環決策系統。
數位孿生未來發展趨勢:網絡級資產智能與智慧城市
下一階段的目標是讓系統更有能力理解複雜情境,增強支援決策的能力。
邊緣運算可以讓部分數據在更接近設備的位置處理,縮短由感測到分析的流程;人工智能則可從大量歷史及即時數據中識別異常模式和資產狀態變化。隨着生成式 AI 和大型語言模型(LLM)逐步加入,管理人員亦可能透過自然語言查詢資產資料、整理異常事件、分析不同營運情境,並取得相應的決策建議。
這些技術的結合,亦令數位孿生逐步由單一設備模型走向鐵路網絡級數位孿生(Network-level Digital Twins)。對鐵路而言,單一冷氣機、升降機或列車的最佳運行方式,未必代表整個網絡的最佳方案。而當車站、列車、機電設備、能源系統、人流等資產可以放在共同模型中分析,營運者便可進一步進行跨資產協同模擬,評估一項營運調整對整個鐵路網絡可能帶來的連鎖影響。
MTR Lab 致力推動智慧城市與可持續發展,探索能應對未來營運需要的創新技術。隨着大型基建、交通系統及建築資產持續數碼化,市場對孿生技術的需求正不斷增加。數位孿生技術可協助分析冷氣、通風及列車牽引系統的能源消耗,並透過數據同步及預測性維修支援營運決策。MTR Lab 透過投資及生態圈夥伴資源,支持創新科技企業的技術研發與應用場景的發展,加快商業化和市場拓展。
結論與建議
數位孿生是什麼?簡單而言,它是與實體資產持續同步數據的虛擬模型。掌握數位孿生技術及應用有助企業了解設備與資產狀態,把數據應用於營運及資產管理,支援維修、能源管理和跨資產決策。數位孿生優點在於把分散在不同系統的數據轉化為可行動的資訊,讓營運團隊逐步由被動處理故障,轉向主動規劃維修與資源配置。
在瞬息萬變的科技浪潮中,開放共贏的合作生態是驅動創新的核心,更是應對全球可持續發展挑戰的關鍵。MTR Lab 致力透過具前瞻性的戰略投資,引領智慧城市發展,為大眾締造更優質的都市生活。我們堅守推動業界前行的使命,積極賦能房地產及建築領域,全面加速其深度的數碼化轉型,並引領產業落實減碳目標,共建綠色未來。
如果你的企業正在研發數位孿生、智慧建築、建築科技、AI、BIM 或鐵路科技方案,正尋找具戰略價值的投資夥伴及實際營運場景的測試支援,歡迎透過 MTR Lab 官方渠道提交業務方案,探索智慧城市與房地產科技創新的合作機會。
常見問題 FAQ
1. 數位孿生是什麼?
數位孿生是與實體資產連接、並持續同步數據的虛擬模型,可用於監察、診斷、預測和模擬。它與一般 3D 模型的分別,在於模型會隨現場數據更新:例如樓宇冷氣系統的感應器把溫度、用電量和振動數據傳回平台,模型便同步反映設備狀態。營運者可以先在模型內測試不同維修或節能方案,評估影響後再決定是否在現場落實,減少直接在實體設備上試驗的風險。
2. 數位孿生與 BIM 在企業應用上有什麼主要分別?
兩者的主要分別在於即時數據同步與雙向反饋能力。BIM 主要用於建立和管理建築及資產資訊,支援設計、施工和後續資產管理;數位孿生則更強調與實體資產持續連接和同步,並利用 IoT 及營運數據進行監察、分析和預測。兩者在實際項目中並非互相取代,BIM 往往會成為數位孿生的重要數據基礎之一。
3. 基礎設施營運商推行網絡級數位孿生時,最常見的系統整合問題是什麼?
常見問題包括不同年代的設備採用不同數據格式、舊有系統缺乏 API、資產命名和分類方式不一致、數據質素參差,以及營運技術(OT)與資訊科技(IT)之間的系統整合和權限管理。企業亦要避免在整合過程中建立新的數據孤島,因此數據標準和治理架構與技術平台本身同樣重要。
4. 企業部署網絡級數位孿生,可以使用什麼量化指標?
量化指標應按實際業務目標設定,例如設備故障次數、非計劃停機時間、維修工時、能源使用量、異常偵測準確度、資產可用率,以及完成特定營運工作的時間。較可靠的做法,是先建立自身基準,再比較導入數位孿生前後的變化,而不是套用沒有內部數據支持的固定改善百分比。
參考資料:
1. NIST - Economics of Digital Twins (NIST AMS 100-61)
2. McKinsey Global Institute - The Internet of Things: Mapping the value beyond the hype

