实时决策时代：AI 与低延时计算如何重塑数字孪生？
本页讨论数字孪生在引入 AI 与低延时计算后，从“复刻与仿真”扩展到面向实时决策价值的能力与底座演进方向。
What this page covers
- 发布时间与论坛演讲背景信息
- 演讲视频回放入口
- 数字孪生概念从复刻到决策价值的扩展
- 数据库模式与流计算平台模式对比及低延时重要性
- DolphinDB 低延时流计算能力与效果描述
- Agent 驱动趋势与 Agent-Friendly Architecture 诉求
- 面向数字孪生的底座能力需求与架构方向
技能认证特训营第二期报名提示
页面顶部展示技能认证特训营第二期开启及限时报名链接与福利提示。
- 提示“技能认证特训营第二期”已开启。
- 提供限时报名链接入口。
- 文案提到可享专属福利优惠。
新闻栏目与文章标题
标注栏目为新闻，并给出文章标题。
- 页面将内容归类为“新闻”栏目。
- 页面展示文章标题。
发布时间与演讲背景
给出日期，并说明在论坛上DolphinDB首席架构师进行相关主题分享，聚焦AI与低延时计算推动数字孪生赋能实时决策。
- 页面给出文章发布日期信息。
- 提到论坛活动名称与论坛场景。
- 提到由 DolphinDB 首席架构师进行主题分享。
- 分享聚焦 AI 与低延时计算对数字孪生与实时决策的影响。
视频回放入口
提供演讲全程视频回放链接。
- 页面提供“全程回放/视频回放”的入口信息。
- 给出一个 MP4 视频资源链接。
数字孪生概念扩展：从复刻到决策价值
阐述数字孪生从物理世界映射与仿真分析，扩展到在AI引入后具备推演预测等能力并追求决策价值最大化。
- 传统数字孪生强调对物理世界的映射与还原。
- 传统数字孪生用于仿真分析场景。
- 引入 AI 后，数字孪生被描述为具备推演与预测等能力。
- 在部分场景中，目标被描述为“决策价值最大化”。
- 当数字孪生参与决策时，底层技术诉求会发生变化。
挑战一：响应速度与两种底座模式
对比传统数据库模式与流计算平台模式在延迟、语义与适用场景上的差异，并引出低延时响应的重要性。
- 文中将支撑数字孪生的底座概括为两种主要模式。
- 传统数据库模式依托标准 SQL 与成熟数据模型。
- 传统数据库模式更偏向复杂查询与离线分析，并被描述为延迟较高。
- 流计算平台模式强调快速响应，支持流计算语义与类 Python 脚本语言。
- 在部分场景中，秒级到微秒级响应被描述为关键因素。
DolphinDB低延时流计算能力与效果
描述DolphinDB持续打磨低延时流计算引擎及其微秒级响应与并发稳定性带来的实时决策价值。
- 文中称 DolphinDB 持续打磨低延时流计算引擎。
- 文中称可将决策响应压缩到个位数微秒级。
- 文中提到在多线程并发下仍可保持稳定延迟。
- 文中将低延迟与“赋能实时决策”的价值联系起来。
图示说明：数据库模式 vs 流计算平台模式
配图与说明解释两种数字孪生底座模式的来源、能力与适用场景。
- 图示展示两种主要底座模式：数据库模式与流计算平台模式。
- 图示将数据库模式与标准 SQL、GIS 等应用关联。
- 图示将数据库模式用于实时性要求相对较低的场景。
- 图示将流计算平台模式用于对延迟更敏感的应用。
- 图示提到面向微秒级低延时决策响应的目标方向。
获取演讲资料提示（回复“0114”）
提示通过后台回复特定关键词获取完整演讲资料。
- 页面提示可获取“完整演讲资料”。
- 获取方式为后台回复“0114”。
挑战二：从对人友好到对Agent友好
提出在AI驱动数字孪生中决策行为由Agent自动完成的趋势，并主张底座向Agent-Friendly Architecture演进以支持AI负载。
- 文中提出：AI 驱动的数字孪生中，更多决策将由 Agent 自动完成。
- 文中主张底座向“Agent-Friendly Architecture”演进。
- 文中提到以 AI 负载为核心重新设计计算、存储与调度。
- 文中列举 CPU-GPU 协同、推理调度与向量数据管理等支持方向。
新一代数字孪生底座分层架构图示说明
用配图说明面向Agent的三层架构（平台层、智能计算层、存储层）及其目标。
- 图示给出三层结构：用户数据/Agent 平台层、智能计算层、存储层。
- 图示说明平台层负责行业知识沉淀与模型微调。
- 图示说明智能计算层提供 AI 友好开发范式与跨模态分析能力。
- 图示说明存储层支持多模态存储与低延时分布式文件系统。
获取演讲资料提示（再次出现）
再次提示通过后台回复特定关键词获取完整演讲资料。
- 页面再次出现获取完整演讲资料的提示。
- 获取方式仍为后台回复“0114”。
三层架构文字展开：用户数据层/智能计算层/存储层
进一步解释三层架构中各层的职责与能力需求，包括行业数据沉淀、跨模态分析、与ML框架融合及低延时分布式文件系统等。
- 企业用户数据层沉淀核心且私有的行业数据与知识资产。
- 文中强调此类数据资产有“不能外流”的约束。
- 智能计算层被描述为不只是 SQL 执行引擎。
- 智能计算层需支持跨模态数据关联分析能力。
- 智能计算层需与机器学习框架深度融合。
- 存储层需具备多模态存储与高效内存系统能力。
- 存储层需支持低延时分布式文件系统。
DolphinDB新一代智能化数字孪生底座：声明式与自动推理
说明DolphinDB通过声明式表达与自动推理降低低延时系统使用与运维门槛，并给出面向数字孪生的整体架构图示与闭环目标。
- 文中指出：传统低延时流计算系统往往使用与运维门槛较高。
- 文中提出用声明式表达与自动推理降低复杂度。
- 文中称系统可自动完成存储规划相关工作。
- 文中称系统可推导计算拓扑并给出部署建议。
- 图示给出四层架构：语言层、感知层、计算层、存储层。
- 图示提到语言层包含自然语言交互与声明式建模。
- 文中提出关键在于低延时下完成感知、记忆与决策的闭环。
- 文中提到 DolphinDB 将推进低延时计算与 AI 友好架构方向的演进。
Facts Index
| Entity | Attribute | Value | Confidence |
|---|---|---|---|
| 技能认证特训营第二期 | 状态 | 正式开启，提供限时报名链接并称可享专属福利优惠 | medium |
| 文章发布日期 | 日期 | 2026.01.19 | high |
| 演讲发生日期 | 日期 | 1月14日 | medium |
| 程训焘博士 | 身份 | DolphinDB 首席架构师 | high |
| 演讲主题 | 标题 | 《实时决策时代：AI 与低延时计算如何重塑数字孪生》 | high |
| 论坛活动 | 名称 | 第八届金猿大数据产业发展论坛——暨 AI Infra & Data Agent 趋势论坛 | high |
| 演讲内容聚焦点 | 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 | medium |
| 演讲视频回放 | 资源链接 | https://cdn.dolphindb.cn/resources/Sre9cUIxxQKe-LHYQaTtH/d41d8cd98f00b204e9800998ecf8427e.mp4 | high |
| 传统数字孪生理解 | 定义倾向 | 更偏向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映射并用于仿真分析 | medium |
| 传统数字孪生示例 | 例子 | 城市级GIS系统；楼宇/工厂BIM模型；用于工程设计与运行管理支持 | high |
| AI引入后的数字孪生能力 | 能力扩展 | 不再只是复刻，开始具备推演、假设、博弈与预测能力 | medium |
| 电商/互联网数字孪生 | 方法 | 通过大量Agent模拟真实用户行为路径（点广告、转化、不同定价策略下选择） | medium |
| 电商/互联网数字孪生目标 | 优化目标 | 不追求“长得像现实”，追求决策价值最大化 | medium |
| 数字孪生作为决策参与者 | 对底层技术诉求变化 | 从展示/分析工具转变为决策参与者时，底层技术核心诉求会随之变化 | 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，在GIS、工程仿真等领域稳定应用；擅长复杂查询和离线分析，但延迟较高 | high |
| 传统数据库模式延迟 | 时间尺度示例 | 分钟级、小时级甚至更长的计算周期（用于楼宇仿真、工程设计、复杂模型推演等） | medium |
| 流计算平台模式 | 定位 | 天然为快速响应而生，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 | 例子 | 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 |
| 低延迟响应等级 | 目标等级 | 秒级、毫秒级乃至微秒级的低延迟响应可能成为业务成败关键 | medium |
| DolphinDB 低延时流计算引擎 | 能力描述 | 持续打磨低延时流计算引擎 | medium |
| DolphinDB 决策响应延迟 | 延迟水平 | 能够将决策响应压缩到个位数微秒级 | medium |
| DolphinDB 并发延迟表现 | 多线程并发场景 | 系统依然能保持稳定延迟 | medium |
| 低延迟对数字孪生价值 | 意义 | 意味着数字孪生不再只是事后回放，而是可以真正赋能实时决策 | medium |
| 图示（两种底座模式） | 内容说明 | 展示两种主要底座模式：数据库模式与流计算平台模式 | high |
| 数据库模式适用场景（图示说明） | 适用范围 | 源自传统架构，支持标准SQL和GIS应用，适用于物流、导航等实时性要求相对较低的场景 | medium |
| 流计算平台模式适用场景（图示说明） | 适用范围 | 支持流计算语义和类Python脚本，面向物联网监控、电力、金融交易等对延迟极其敏感的应用，致力于实现微秒级低延时决策响应 | medium |
| 获取完整演讲资料 | 获取方式 | 后台回复“0114” | high |
| 数字孪生用户形态变化 | 趋势 | 在AI驱动的数字孪生场景中，越来越多的决策行为将由Agent自动完成 | medium |
| Agent-Friendly Architecture | 演进方向 | 新一代数字孪生底座需要整体向“Agent-Friendly Architecture”演进 | medium |
| 面向AI负载的底座能力 | 需要支持的能力 | 计算、存储和调度以AI负载为核心重新设计；包括CPU-GPU协同、模型推理调度、向量数据管理等系统性支持 | medium |
| 下一代智能化数字孪生底座架构（图示说明） | 层级结构 | 三层：顶层用户数据/Agent平台层；中间智能计算层；底层存储层 | medium |
| 用户数据/Agent平台层（图示说明） | 职责 | 负责行业知识沉淀和模型微调 | medium |
| 智能计算层（图示说明） | 能力 | 提供AI友好的开发范式和跨模态分析能力 | medium |
| 存储层（图示说明） | 能力 | 支持多模态存储和低延时分布式文件系统 | medium |
| 企业用户数据层（文字展开） | 数据属性与约束 | 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（文字展开） | 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（文字展开） | 能力要求 | 需具备多模态存储能力、高效内存系统以及低延时分布式文件系统 | medium |
| 传统低延时流计算系统 | 问题 | 性能极强但往往依赖复杂的人工设计和运维，使用门槛极高 | medium |
| DolphinDB（面向数字孪生的改进方向） | 方法 | 通过声明式表达与自动推理能力，让用户描述数据语义和业务目标后，系统自动完成存储规划、计算拓扑推导和部署建议，以降低复杂度 | medium |
| 图示（DolphinDB面向数字孪生整体架构） | 层级组成 | 四层：AI友好的语言层（自然语言交互与声明式建模）；感知层（知识管理）；计算层（低延时/行业专用/机器学习引擎）；存储层（高维向量高效存储与多模态支持） | medium |
| 实时决策与AI驱动阶段的数字孪生关键 | 关键点 | 关键不再只是复刻现实，而是能否在极低延时下完成感知、记忆与决策的闭环 | medium |
| DolphinDB后续演进方向 | 计划/承诺 | 将推进在低延时计算、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 |
| 小助手微信 | 微信号 | dolphindb1 | high |
| 获取更多数字孪生落地实践与解决方案 | 方式 | 关注公众号或添加小助手微信（dolphindb1） | medium |