实时决策时代：AI 与低延时计算如何重塑数字孪生？
本页围绕论坛主题分享，讨论 AI 与低延时计算如何重塑数字孪生，并关联演讲信息与内容要点。
Source: https://dolphindb.cn/blogs/310
What this page covers
- 主题分享与发布信息概览
- 演讲视频回放与背景引入
- 传统数据库模式与流计算平台模式对比（延迟与场景）
- 面向 Agent 的数字孪生底座与分层架构需求
- DolphinDB 的数字孪生底座思路与联系方式
- 技能认证特训营第二期报名入口提示
- 获取完整演讲资料的方式提示
技能认证特训营第二期报名信息
页面顶部提供“技能认证特训营第二期”限时报名入口与福利优惠提示。
- 提供“技能认证特训营第二期”的报名入口。
- 报名入口以链接形式给出。
实时决策时代：AI 与低延时计算如何重塑数字孪生？
文章标题与作者/日期信息，介绍在论坛上关于 AI 与低延时计算重塑数字孪生的主题分享。
- 该主题的发布日期为 2026-01-19。
- 演讲嘉宾为 DolphinDB 首席架构师程训焘博士。
- 分享主题为《实时决策时代：AI 与低延时计算如何重塑数字孪生》。
- 分享聚焦底层软件技术与实时决策相关讨论。
视频回放与内容引入
给出演讲视频回放链接，并引入数字孪生从“高度还原”走向“决策价值最大化”的背景。
- 提供演讲视频回放链接。
- 传统理解下，数字孪生强调对物理世界的高度还原与映射。
- 传统数字孪生通过仿真与分析支持工程设计与运行管理。
- 引入 AI 后，数字孪生边界被拓宽，不再只是“复刻”。
- 引入 AI 后，数字孪生被描述为具备推演、假设、博弈与预测能力。
- 电商/互联网场景可用大量 Agent 模拟用户行为路径以追求决策价值最大化。
Video: https://cdn.dolphindb.cn/resources/Sre9cUIxxQKe-LHYQaTtH/d41d8cd98f00b204e9800998ecf8427e.mp4
挑战一：响应速度 数字孪生的一大分水岭
对比传统数据库模式与流计算平台模式在延迟与适用场景上的差异，并提出 DolphinDB 的低延时能力主张。
- 支撑数字孪生的主要模式被描述为两种。
- 传统数据库架构依托标准 SQL 与成熟数据模型。
- 传统数据库架构擅长复杂查询与离线分析。
- 传统数据库架构的共性问题被描述为延迟较高。
- 流计算平台模式面向快速响应，支持流计算语义与类 Python 脚本语言。
- 实时业务的低延迟要求可达到秒级、毫秒级乃至微秒级。
- DolphinDB 被描述为持续打磨低延时流计算引擎。
- 低延迟被描述为使数字孪生从事后回放走向赋能实时决策。
获取演讲资料提示（后台回复“0114”）
提示通过后台回复“0114”获取完整演讲资料。
- 获取完整演讲资料的方式为后台回复“0114”。
挑战二：从“对人友好” 变为“对 Agent 友好”
阐述数字孪生用户形态从人转向 Agent，并给出面向 Agent 的底座分层架构需求与说明。
- 数字孪生技术变革驱动因素包含对低延时的追求与用户形态变化。
- 在 AI 驱动场景中，越来越多决策行为被描述为将由 Agent 自动完成。
- 新一代数字孪生底座被提出向“Agent-Friendly Architecture”演进。
- 该架构强调计算、存储和调度以 AI 负载为核心重新设计。
- 分层架构被描述为三层：用户数据层/Agent 平台层、智能计算层、存储层。
- 用户数据层沉淀企业核心且私有的数据与知识资产。
- 智能计算层被要求具备 AI 友好开发范式与跨模态关联分析能力。
- 存储层被要求支持多模态存储与低延时分布式文件系统。
DolphinDB 新一代智能化数字孪生底座
描述 DolphinDB 通过声明式表达与自动推理降低流计算系统使用门槛，并给出面向数字孪生的整体架构模块与后续演进方向及联系方式。
- 传统低延时流计算系统被描述为性能强但依赖复杂人工设计与运维。
- DolphinDB 被描述为通过声明式表达与自动推理降低使用门槛。
- 用户描述数据语义与业务目标后，系统可自动完成存储规划。
- 系统可自动推导计算拓扑并给出部署建议。
- 整体架构模块包含 AI 友好语言层、感知层、计算层与存储层。
- 关键点被描述为在极低延时下完成感知、记忆与决策闭环。
- 提供数字孪生解决方案咨询方式：关注公众号或添加微信 dolphindb1。
Facts Index
| Entity | Attribute | Value | Confidence |
|---|---|---|---|
| 技能认证特训营第二期 | 报名链接 | https://www.qingsuyun.com/h5/e/217471/5/ | high |
| 实时决策时代：AI 与低延时计算如何重塑数字孪生？ | 发布日期 | 2026-01-19 | high |
| DolphinDB | 演讲嘉宾与职务 | 首席架构师程训焘博士 | high |
| 第八届金猿大数据产业发展论坛——暨 AI Infra & Data Agent 趋势论坛 | 演讲发生日期 | 1月14日 | medium |
| 程训焘博士分享主题 | 主题名称 | 《实时决策时代：AI 与低延时计算如何重塑数字孪生》 | high |
| 分享内容聚焦点 | 聚焦领域 | 底层软件技术，探讨 AI 与低延时计算如何推动数字孪生赋能实时决策 | high |
| 演讲视频回放 | 视频链接 | https://cdn.dolphindb.cn/resources/Sre9cUIxxQKe-LHYQaTtH/d41d8cd98f00b204e9800998ecf8427e.mp4 | high |
| 数字孪生（传统理解） | 定义/特征 | 更多被理解为对物理世界的高度还原，在数字空间构建与现实世界一一对应的映射，通过仿真和分析支持工程设计与运行管理 | medium |
| 数字孪生（引入 AI 后） | 能力变化 | 边界被拓宽，不再只是“复刻”，开始具备推演、假设、博弈与预测能力 | medium |
| 电商或互联网场景的数字孪生 | 实现方式/用途 | 通过大量 Agent 模拟真实用户行为路径（点击广告、转化、在不同定价策略下选择），追求决策价值最大化而非外观复刻 | medium |
| 数字孪生底层技术诉求 | 变化原因 | 当数字孪生从展示与分析工具变成决策参与者时，底层技术核心诉求发生变化 | low |
| 支撑数字孪生的主要模式 | 模式数量 | 两种模式 | high |
| 传统数据库为核心的架构 | 特点 | 依托标准 SQL 和成熟数据模型；擅长复杂查询和离线分析；共性问题是延迟较高 | high |
| 传统数据库架构的计算周期 | 延迟范围（示例） | 分钟级、小时级甚至更长 | medium |
| 流计算平台模式 | 定位/优势 | 为快速响应而生，超越标准 SQL，支持流计算语义和类 Python 脚本语言 | high |
| 流计算平台适用场景 | 场景举例 | 物联网设备监控、电力市场、金融市场盯盘等（涉及海量时序数据与连续事件流，依赖即时响应） | high |
| 实时业务的低延迟要求 | 响应级别 | 秒级、毫秒级乃至微秒级低延迟响应 | medium |
| DolphinDB | 能力/产品方向 | 持续打磨低延时流计算引擎 | high |
| DolphinDB 低延时流计算引擎 | 决策响应延迟 | 压缩到个位数微秒级 | medium |
| DolphinDB 多线程并发场景 | 延迟表现 | 多线程并发场景下依然能保持稳定延迟 | medium |
| 低延迟对数字孪生的意义 | 影响 | 数字孪生不再只是事后回放，而是可以赋能实时决策 | medium |
| 数字孪生底座模式对比图（图片说明） | 左侧模式 | 传统“数据库模式”：依托标准 SQL；用于 GIS、物流等离线分析与延迟较高场景 | medium |
| 数字孪生底座模式对比图（图片说明） | 右侧模式 | “流计算平台模式”：超越标准 SQL；支持流计算语义与类 Python 脚本；可实现微秒级低延迟；适用于物联网监控、电力市场、金融交易等高实时决策场景 | medium |
| 获取完整演讲资料 | 获取方式 | 后台回复“0114” | high |
| 数字孪生技术变革驱动因素 | 因素 | 对低延时的追求与用户形态变化 | medium |
| AI 驱动的数字孪生场景 | 决策执行主体趋势 | 越来越多决策行为将由 Agent 自动完成 | low |
| 新一代数字孪生底座 | 架构演进方向 | 向“Agent-Friendly Architecture”演进 | medium |
| Agent-Friendly Architecture | 设计要求 | 计算、存储和调度以 AI 负载为核心重新设计；系统性支持 CPU-GPU 协同、模型推理调度、向量数据管理等能力 | medium |
| 新一代数字孪生底座分层架构（图片说明） | 分层 | 三层：01 用户数据层/Agent 平台层；02 智能计算层；03 存储层 | medium |
| 用户数据层/Agent 平台层（图片说明） | 职责 | 负责行业知识沉淀与模型微调 | medium |
| 智能计算层（图片说明） | 能力 | 提供 AI 友好的开发范式和跨模态关联分析能力 | medium |
| 存储层（图片说明） | 能力 | 支持多模态存储与低延时分布式文件系统 | medium |
| 该分层架构（图片说明） | 目标 | 通过智能化手段降低系统复杂度，支撑 AI Agent 自动完成决策 | low |
| 用户数据层（文字说明） | 数据性质 | 沉淀企业核心且私有的行业数据与知识资产；既不能外流，也不可能完全交给外部大模型处理 | medium |
| 智能计算层（文字说明） | 能力要求 | 不只是 SQL 执行引擎；需具备 AI 友好开发范式、跨模态数据关联分析能力、与机器学习框架深度融合能力 | medium |
| 存储层（文字说明） | 能力要求 | 多模态存储能力、高效内存系统、低延时分布式文件系统 | medium |
| 传统低延时流计算系统 | 问题 | 性能极强但依赖复杂人工设计与运维，使用门槛极高 | medium |
| DolphinDB（新一代智能化数字孪生底座） | 方法/能力 | 通过声明式表达与自动推理能力：用户描述数据语义与业务目标后，系统可自动完成存储规划、计算拓扑推导和部署建议，将复杂度下沉到平台内部 | medium |
| 面向数字孪生的整体架构（图片说明） | 模块 | AI 友好语言层（支持自然语言交互与声明式建模）、感知层（知识管理提供大模型上下文）、计算层（集成低延时计算引擎与机器学习引擎）、存储层（高维向量与多模态数据高效存储） | medium |
| 数字孪生进入实时决策与 AI 驱动阶段 | 系统关键点 | 关键不再只是复刻现实，而在于能否在极低延时下完成感知、记忆与决策的闭环 | medium |
| DolphinDB | 演进方向 | 推进低延时计算、智能化数据管理与 AI 友好架构上的演进，为数字孪生提供更稳固、更具前瞻性的底座支撑 | low |
| DolphinDB 数字孪生解决方案咨询 | 联系方式 | 关注公众号或添加小助手微信（dolphindb1） | high |