0 引言
数字孪生（Digital Twin）概念最早可以追溯到20世纪70年代的航空航天领域，2003年在产品全生命周期管理中被正式提出，从2011年开始得到正式应用[1]。随着数据采集技术、计算机算法算力等软硬件水平的提高，数字孪生概念得到更多地落地实施，美国信息咨询公司Gartner自2017年起连续3年将其列为“十大战略科技发展趋势”之一[2-4]。数字孪生建立在实时的建模仿真之上，在信息空间完成真实世界的同步映射[5]，实现物理实体全生命周期的监控、预测和优化。由于其数据驱动、虚实融合、实时交互的特点[6]，体现出不可替代的优势，相关研究与应用大部分集中在制造业[7]，也逐渐覆盖医疗保健[8]、建筑[9]、智慧城市[10]、供应链[11]等，成为了越来越多行业数智化转型的关键。
近年来，针对数字孪生的研究不断增多。理论研究主要涉及概念解析、模型构建[6,12,13]，例如辨析数字孪生与数字模型（Digital Model）、数字阴影（Digital Shadow）等概念的差异[14]；围绕数字孪生理论模型，有学者在以往物理实体、虚拟实体、连接的基础上扩展了服务和数据等维度[6]，提出数字孪生全要素模型构建的通用准则[13]，适应了新的需求和趋势。在运行机制方面，研究人员探讨了数字孪生车间的系统组成，提出信息物理融合理论，为多源异构数据的共融提供了参考[15]。在数字孪生设计方面，有学者提出数字孪生模型评价方法[16]、基于数字孪生的产品优化设计方法[17]和开发框架[18,19]。应用研究主要集中在数字孪生的运维、管理中[20,21]，并且国内外关注的重点存在一定差异[22]。发展方向也是研究热点，学者们纷纷对其在车间运行[23]、产品生命周期管理[24]、公共文化服务[25]等方面擘画蓝图，推进了数字孪生的应用。
数字孪生作为统筹“人-机-物-环境”的智能信息系统，使人机交互和协作关系进一步深化，向人机共融迈进。人在孪生过程各个环节中的交互是动态的、密集的，具有跨系统、多层次、高时效的特点[26]。人机协作模式现存一定的问题，数字孪生推动人机协作框架体系和协作范式转变[27]。针对人机交互场景和交互技术，以往学者系统性地回顾了人机交互领域针对数字孪生的研究[28]、生产制造业中人与数字孪生交互的文献，指出人与数字孪生系统的协作场景主要集中在生产计划控制、维护、协作机器人和远程控制[29]。“人在回路”理念的提出使越来越多的研究关注到数字孪生全流程的人智协作，用户需要参与数字孪生系统的设计和评估中[28]，数字孪生系统人机交互的安全控制也需要得到进一步保障[26]。
总体而言，以往针对数字孪生相关的研究或述评，或侧重于概念解析和理论模型，或侧重于当前技术水平和实施情况，只有少部分研究对人与数字孪生的交互与协作进行了分析。本研究在前人研究的基础上，聚焦人与数字孪生系统的协作，强调人工智能在其中发挥的作用，探讨数字孪生技术赋能信息资源管理的建设路径，提出以下研究问题。
（1）数字孪生生态中，人和数字孪生系统的独特职能定位分别是什么？人工智能在其中发挥了怎样的价值作用？
（2）数字孪生生态中的人智协作涉及哪些关键技术？
（3）人与数字孪生系统协作的场景有哪些？国内外当前的实践应用现状如何？
1 数据与方法
1.1 数据库选择与检索
本研究采用系统性综述方法对国内外数字孪生生态中人智协作的相关研究进行梳理和总结。采用数据库检索和追溯检索的方式，搜索近年来国内外学者关于数字孪生生态中人智协作的研究。
在Web of Science、Scopus、CNKI中，根据数据库的不同特点使用主题、篇关摘等字段，突出“用户”“人智协作”等关键信息，于2024年2月进行检索，检索式如表1所示。
表1 数据库检索式Table 1 Retrieval method and results |
| 数据库 | 检索式 | 检索结果/篇 |
|---|---|---|
| WOS核心集 | TS=(digital twin) AND (TS=((AI) OR (artificial intelligence))) AND (TS=((human-computer collaboration) OR (user))) | 317 |
| Scopus | (TITLE-ABS-KEY ("digital twin") AND TITLE-ABS-KEY ("AI" OR " artificial intelligence") AND TITLE-ABS-KEY ("HCI" OR " human-computer collaboration " OR "user")) | 269 |
| CNKI | (TKA%='数字孪生') AND TKA%=('人机协作'+'用户') AND TKA%=('人智协作'+'人工智能'+'协同智能') | 179 |
1.2 文献筛选标准
本研究参照《系统综述和元分析优先报告的条目》（PRISMA）所建议的步骤展开研究并汇报过程，保证研究的可复制性[30,31]。从3个方面限定了文献筛选标准：①文献类型。选择同行评审期刊文献、会议论文，排除书籍、学位论文等资料因评审和发表制度不尽相同的文献[32]。②研究内容。本研究明确数字孪生生态中的人智协作为研究对象，纳入文献包含对数字孪生系统和人类的协作以及人工智能在其中的作用。③研究设计。理论模型和述评类文献提供了前沿视角，实证类文献提供了基于现实的一手资料，本研究不对研究设计做限定，同时纳入理论研究和实证研究。由两名研究者使用Rayyan进行背对背文献筛选，Rayyan是一款界面清晰友好的筛选文献在线工具，能够实现快速去重、团队合作和基于标题摘要的筛选，便于进行系统性文献综述的筛选工作。
表2 文献信息抽取内容Table 2 Literature information extracted |
| 抽取信息 | 信息范围 | 研究内容 |
|---|---|---|
| 基础信息 | 标题、作者、年份、第一作者国家 | 情况概览 |
| 文献类型 | 期刊、会议、书籍 | 情况概览 |
| 研究对象 | 文章研究的重点内容 | 情况概览 |
| 人类的职能定位 | 数字孪生生态人智协作中人类的独特价值、职能定位 | RQ1 |
| 数字孪生系统的职能定位 | 数字孪生生态人智协作中数字孪生系统的独特价值、职能定位 | RQ1 |
| 人工智能的作用 | 人工智能技术发挥的关键作用 | RQ1 |
| 关键技术 | 支撑数字孪生生态人智协作的技术类型 | RQ2 |
| 人智协作场景 | 数字孪生生态人智协作实践场景 | RQ3 |
| 人智协作方式 | 数字孪生生态人智协作方式 | RQ3 |
2 数字孪生生态人智协作价值定位
人与数字孪生系统的协作共智体现在开发、设计、运行、维护等全流程中，形成整体闭环。本研究梳理和总结数字孪生生态中人类、数字孪生系统的职能分工以及协作过程中人工智能发挥的作用。
2.1 创新和决策：不可替代的人脑智慧
数字孪生系统必须通过整合专家等人员提供的知识，将人脑的知识经验融入数字孪生系统之中，构成闭环的人智协作模式，才能够在信息获取、判断、决策过程得出真正优化后的结果。通过回顾所纳入的45篇文献，本研究将数字孪生生态中体现的人类独特价值总结为设计、认知、评估、执行，人类必须与数字孪生系统共同协作的环节包括感知、分析、决策、控制。
（1）在数字孪生系统构建过程中，设计和评估依赖人类专家的经验和知识。为了避免数字孪生提供的功能是冗余的，需要基于业务专家、数字孪生工程师、企业管理者、终端操作员等群体智慧和经验来评定。人类的专业知识、创新思维、体验和感受是优化数字孪生的依据。适当的专业知识和技能培训是数字孪生生态中良好人智协作的基础，同时，数字孪生系统也在测试期或部署初期学习人类活动留下的数据，适应操作人员的行为习惯。
（2）数字孪生投入正常使用后，人在监督、决策和执行上具有不可替代性。尤其在复杂系统工程中，数字孪生系统只能提供数据分析以及预测结果，最终决策和执行需要交由工作人员。此外，数字孪生依赖高密度的人类反馈，运行流程中数据的收集和反馈存在手动或半自动的部分，人的行为和决策也是数字孪生系统训练和迭代的数据源。
2.2 辅助和增强：数字孪生的核心职能
人智协作过程中，数字孪生并非替代人类的价值，而是辅助和增强人类的智慧，以人为中心提供服务。通过建立人与物之间的创新联系，数字孪生技术提高了感知、计算、预测的能力，通过分析所有实体的状态及相互之间的动态关系来做出复杂决策，扮演着监护人、助手、合作伙伴的角色。
（2）辅助设计、分析、预测。设计是产品研发过程中至关重要的环节，数字孪生系统使人类快速而全面地掌握不同设计方法的后续效果，进而优化设计方案。如达索公司建立基于数字孪生的3D体验平台，在虚拟环节中实时获得用户反馈并调节复杂产品的设计[20]。数字孪生系统可以辅助人类有效评估工作量和任务复杂度，帮助人类更好地理解所需参与的工作[34]。诊断故障和维护是高脑力、高复杂度的工作，不确定性较高，数字孪生增强了人类预测和维护故障的能力，如鱼类养殖数字孪生系统的饲料喂养预测功能，有效降低饲养成本，消除因未食用鱼食而造成的水污染[35]。数字孪生系统还可以帮助人类识别潜在的安全隐患，感知和预测突发事件[36]，推演建筑设计和施工方案的安全性和合规性[37]。
2.3 优化和支撑：人工智能是孪生基座
（1）人工智能辅助工作人员对系统操作和工作任务的认知，同时辅助数字孪生系统通过数据认知人类和物理世界。人工智能技术可以在数据收集、数据处理方面弥补不足，识别物理实体对象不能直接反映的属性和特征，帮助人类更深入理解系统从而节省工作量。传统的数据收集方法通常耗时较长且成本较高，尤其是人体中存在难以被设备直接获取的数据，人工智能技术可以辅助获取这些稀缺数据使系统更好地进行分析。人工智能可以较好地平衡建模过程的一般性和精确性，扩展数字孪生系统数据集[38]。此外，人工智能算法根据任务需求、用户状态和环境条件，通过优化前端界面来改善协作过程，自动调整数字孪生系统人机界面布局、功能，从而提高用户体验，减少认知负担[42]。
（2）人工智能支撑数字孪生系统预测人类的意图。物理实体和虚拟模型的特征和运行状态应该具备高精确性，仅仅通过传感器捕获难以满足需要，人工智能算法学习和预测工人、机器和人机界面的行为状态，进行预测性辅助、维护，提高数字孪生生态的稳定性。协作过程中，通过测量物理接触的力和轨迹，或通过手势、语音等无接触式指令，预测工作人员的意图，相应地协调机器速度、动作。此外，根据领域专家、工程师等人的行为数据中学习和训练，经过长期的迭代和自适应，形成通用的可解释人工智能模块，比人脑更加快速响应，生成可信赖的预测性辅助和维护等方面的决策。
（3）人工智能算法驱动数字孪生系统学习人类的行为，辅助人类在数字孪生系统中的操作、决策。数字孪生生态中人员使用“可穿戴-交互式”通用人工智能系统与各种终端交互、执行任务，所产生的数据部分沉淀为知识以重用，优化后续的任务。人员的工作状态数据包括位置、动作、身份权限、眼动追踪、脑电数据等，交互产生的数据有交互类型、交互时间和次数[42]。以人为中心的数字孪生系统人工智能算法通过这些数据预测人类身体负荷，灵活地安排所有工作任务，提升年龄较大、身体较弱等“弱势”人员的工作幸福感。此外，面对意外事故或任务，系统积累的数据和知识具有比一般操作人员更加丰富而全面的经验，适时指导工作人员解决难题。
3 数字孪生生态人智协作关键技术
3.1 数据孪生中的关键技术
数据孪生主要是指对物理空间实体的材料、结构、行为等数据，以及数字孪生虚拟团队的角色、权限等人员数据的实时采集和传输。数据是数字孪生生态的基础，数据源包括环境、机器、人员和人机交互等，数据的获取和传输主要依赖物理传感设备和通信设施。
数据的传输方面，涉及多种路径，包括物理实体和虚拟模型之间、环境与数字孪生系统之间、人类与数字孪生系统之间等。因此，开发本体以提供机器可理解的词汇表可以为数据的语义理解、交换和统一形式提供保障[46]。数据往往具有不确定性和多样性，需要通过人工干预和领域专家知识来优化数据集，建设人在回路的数据集迭代模式。5G/6G提升了无线环境中数据的传输速率，但由于高保真传输带来巨大的数据流量造成迟缓或瓶颈，剪枝、知识蒸馏等模型压缩技术可以有效降低传输负担。
3.2 模型孪生中的关键技术
模型孪生是对收集到的实时数据建模，定义数据之间的关系，将物理实体进行精确地映射模拟和分析。为人体也建立相应的数字孪生模型，提供低延迟、交互灵敏的服务[38]。模型孪生的关键技术主要在于数据融合和管理、图像识别与处理，涉及人工智能算法、云计算、边缘计算等。模型的构建以及过程的集成需要引入员工和专家经验，经过人的经验进行评估和调整。
由数据、算法、算力驱动的人工智能技术，包括机器学习（ML）、深度学习（DL）和联邦学习（FL）等，主要集中在大数据计算和分析阶段，既可以利用非结构化数据生成结构化数据，也可以同时使用结构化和非结构化数据。数字孪生系统所选用的算法依据不同行业领域的布局成本、对象特征而不同。如鱼类养殖数字孪生系统中，AANet用于水下3D立体匹配；LSTM网络用于水质监控和预测[35]。还有常见的用于图像分割、提取空间维度特征和时间维度特征的CNN算法、用于对数据的降维的PCA算法等。人工智能算法飞速发展，不断有性能更佳的算法在数字孪生服务中集成，如3DCNN在CNN算法基础上能够实时高效分析人体运动数据，优化数字孪生系统与人类的协作[20]。
云计算和边缘计算共同构成云边协同，提高了数字孪生中生态人智协作的实时性。数字孪生辅助决策需要集成全局数据，云计算中心服务器发挥着统筹和存储数据的作用，但如果所有数据都在中心服务器上进行运算和处理，可能存在计算瓶颈，无法达到数字孪生实时交互映射的要求，阻碍人与系统的协作。边缘计算能够降低数字孪生生态高并发的带宽压力，在局部或在本地设备上实时处理和分析数据，使终端设备及时与人类反馈，交互更加流畅。
3.3 过程孪生中的关键技术
过程孪生是数据和模型的动态集成，包括数字孪生系统全生命周期的演化和与工作人员的交互，主要涉及人机接口、沉浸式感知等关键技术。针对消费者、目标用户，采用扩展现实、生物识别、自然语言处理等展开人智协同，针对后台工作人员，利用知识工程、机器学习、深度学习等与数字孪生系统协作设计、研发、评估等。
工作人员通过人机接口更好地融入数字孪生生态，使用友好的用户界面以自然、高效的方式与数字孪生系统互动，例如手势，触摸，语音等多模态交互方式。用户可以通过网页端、移动端访问数字孪生接口，从仪表板中获取大数据分析的报告和结果，根据偏好编辑参数或规则[35]。
4 数字孪生生态人智协作的实践进路
4.1 数字孪生生态人智协作当前行业应用
通过系统性回顾文献，数字孪生人智协作在设计、生产、制造和维护等具体环节改进传统生产力和服务效果，在第一产业、第二产业和第三产业中均有所涉及，其中第三产业中的应用最广泛，第二产业次之，第一产业较为有限。针对不同行业需求，数字孪生人智协作都有一定的解决方案，代表性地，在工业、医疗保健、智慧城市、公共文化中的实践应用较为突出（表3）。
表3 不同领域数字孪生生态人智协作的实践Table 3 Practices in different domains |
| 行业领域 | 数字孪生人智协作应用 |
|---|---|
| 工业 | 生产计划控制、交互式操作指引、工人安全保障 |
| 医疗保健 | 患者诊断与护理、医院设计与管理 |
| 智慧城市 | 城市规划设计、交通和环境管控、建筑安全管理 |
| 公共文化服务 | 沉浸式知识服务、机构场馆管理、文化遗产保护 |
工业中数字孪生生态的人智协作进一步推进了生产的智能化转型。随着制造生产的柔性化、个性化需求不断提升，大多数工厂提升生产效率的阻碍主要在于生产计划控制，数字孪生系统可以为管理人员提供实时的数据反馈，及时调整工作计划、预测需求或故障，让机器采取与工人操作相匹配的行动。数字孪生系统提供交互式的指引，指导操作员的工作，避免传统的以经验为主的设计和生产模式。尤其对于高个性化且产量低的产品，如航空航天零部件，制造流程非常复杂且不确定性高，数字孪生为管理人员提供实时信息，使他们做出更有效的生产计划、质量控制等方面的决策，适应订单需求和原材料变化，以及操作人员、设备和环境的实时状态[34]。海洋环境中数字孪生协作系统的开发应用，通过训练、测试、评估和可视化机器人活动，避免危险环境中工人安全问题[49]。未来，数字孪生系统实现了员工、设备、产品互联互通，人类价值在协同过程中得到提升，工作人员的安全问题也得到更好的保障。
医疗保健方面，数字孪生人智协作集中在患者的诊断与护理、医院的设计与管理方面，惠及医护、患者以及医院管理人员[50,51]。在患者护理方面，人工智能驱动的数字孪生辅助医护人员监测患者症状、评估疾病趋势，制定个性化的治疗方案，如肿瘤的诊断和治疗[52]、个性化的药物推荐[53]，老年人健康预防[54,55]。医生可以在患者的数字孪生体上测试治疗方案，数字孪生体将预测治疗效果，根据实时的模拟效果优化治疗方案[50]。比如制定手术方案，通过在高精度的心脏数字孪生体[38]、大脑数字孪生体[56]，融合多模态血管、神经成像数据，医生可以了解病变的形态、分布和血管通路，测试患者实时状态下手术方案的可行性，制定个性化的治疗决策。人体数字孪生体通过生成多模态信息提供身临其境的治疗过程，包括图像、音视频、触觉、脑电等[38]。甚至可以用患者数字孪生体进行医疗实验、医学生培训。对于涉及伦理、隐私的敏感健康数据，数字孪生体的应用可以自动隐藏与治疗无关的病人信息，医护工作者只聚焦于疾病治疗本身，规避了隐私和法律问题[50]。数字孪生体也有助于同一患者异构数据的采集、协调，以及在医疗机构之间的共享。目前已有64种人工智能驱动的算法和医疗器械被美国联邦药品管理局批准使用于临床医疗[57]，但是由于人体的组成和疾病高度复杂，应用于医疗保健方面的数字孪生系统存在深远的挑战。
数字孪生对智慧城市建设的支撑主要在交通、环境、城市规划等方面，帮助政策制定者、城市管理者提高了规划、设计、管理的效率，为居民带来安全、便捷、舒适的生活。电力、燃气等公共基础设施业务中，数字孪生技术的应用减少了人力和时间的成本[58]。数字孪生处理和识别复杂数据的优势，从几何、物理、规则等多个维度对建筑进行全方位的建模，帮助城市管理者、建筑工人进行在建项目可视化管控。智能建筑利用数字孪生可视化展现温度、空气质量、噪音等，帮助居民或管理者了解建筑内外环境[59]。在消防等应急管理场景中，数字孪生与管理者的实时协作帮助居民在突发事件中快速掌握自身精确坐标，选择合适的疏散路线，尽可能地降低疏散的延迟[37]，或提供沉浸式的突发事件情境以实现应急指挥，或进行全息化的预案演练[36]。
尤其是公共文化服务方面，数字孪生人智协作加快了公共文化服务机构的智慧化进程。在图书馆中，数字孪生人智协作进一步提升了知识空间的智慧程度，在古籍保护、阅读推广、主题展览、学科咨询等方面得到了应用[60]。在用户方面，图书馆对资源建立数字孪生体，使读者通过全感官的沉浸式体验，提升阅读兴趣。数字孪生对文化场景重构与再现，丰富了文艺作品的展现方式，加强人机互动，提高用户的参观体验。读者可以建立自己的数字孪生体，数字孪生体根据读者的用户画像评估图书馆系统的个性化信息服务，从而优化对真实读者的信息服务[61]。强大计算能力能够对读者数据、资源数据等进行挖掘，进行精准匹配和资源推荐[62]。在馆员方面，数字孪生使得资源组织、终端设备、数据管理都得到了升级，加强了图书馆智慧信息中心、未来学习中心的职能。所有智能设备和书籍在数字孪生系统中得到实时全面的监控，加强了场馆管理、安全防护[62]。美术馆、档案馆以及博物馆等其他公共文化的主要阵地也逐渐布局数字孪生生态，共同推动惠民服务的建设和发展。文化遗产保护方面，数字孪生系统可以辅助工作人员监测文化遗产生命周期及可能存在的风险，进行文物的保护、修复、传承工作[25]。
4.2 孪生共智协作方式与整体框架
根据对数字孪生生态中人类和机器的价值定位、关键技术、实践场景的探析分析，本研究结合前人等对人机交互等级的划分[63]，按照人类和智能系统的协作的程度，将数字孪生生态中的人智协作方式分为预设、协同、自主3种类型，如图4所示。①预设型是指数字孪生系统被预先定义和编程，人和系统执行的任务是解耦的，系统执行一组预定义的程序并实时反馈给人类。但人类不在系统正在运行的过程中进行实时干预，而是定期对孪生系统进行改进和调整。②协同型孪生是指数字孪生系统和工作人员发挥各方优势，共享空间和资源，实现实时的共同协作。配备传感器、可穿戴设备等通过人与机器之间的物理接触，或非接触性的信息交换，如手势、语音指令、眼动信号解读人类的意图和行为，实时调节机器执行的任务。数字孪生系统借助算法、算力优势，实时地辅助人类的工作需求。③自主型是一种超越实时协作的方式，数字孪生系统通过海量数据和知识的积累，形成了自主的训练和迭代优化模式，自动执行各种各样的任务而不需要人为干预，实时提供反馈，但只在工作人员需要时提供指导。双方的协作程度达到了一定的“默契”，共同良好地完成工作目标。
随着物联网、人工智能、大数据、沉浸式交互与感知等技术的发展，数字孪生的概念得以逐步实现，但是支撑数字孪生人智协作的整体技术成熟度有待提升，尤其是人工智能技术作为孪生基座，其算法、算力的加强将迎来数字孪生生态的大规模升级，优化工作人员福利和整体生产力。总体而言，数字孪生人智协作的行业应用前景广阔，但相关认知和需求仍需深化。
人工智能驱动的数字孪生重塑人的工作和生活，优化人智协同有助于避免新技术浪潮中人类劳动力价值的降低。从协同视角设计数字孪生生态中的每一个模块，建立以人为中心的人工智能孪生基座，协调设备资源、信息资源与人力资源，才能最终提供价值更高的用户体验，提高人机协作效果，增强系统智慧互联。
4.3 数字孪生生态人智协作瓶颈阻碍与未来展望
总体而言，当前数字孪生的案例大多是在实验室环境中进行的，聚焦于数字孪生生态中人智交互的研究和实践处于探索初期。数字孪生生态人智协作的尝试和探索还存在较大发展空间，数字孪生模型的构建、虚拟数据与物理数据的融合、人机交互和协作等方面都需要更多理论和技术的支持，本研究基于信息资源管理学科的视角探讨当前阻碍和发展策略。
（1）数字孪生生态中存在一定的人机交互鸿沟。知识、技能、用户接受程度以及信任程度会影响人类与数字孪生系统的交互和协作[37]。用户面对新技术时并不一定以开放的态度接受和采纳，由于缺乏对于数字孪生的认知，用户接受和采纳数字孪生系统存在障碍，因此需要加强终端用户的教育培训，交互界面和设备应当更加友好直观[16]、系统的可解释性有待提高[59]。人类如何认知数字孪生，数字孪生如何感知和呈现人类数据，以及人类如何在数字孪生生态中定位自身的价值，环环相扣逐层深入。与“算法厌恶”相似，恐怖谷理论可能也会出现在数字孪生生态之中。数字孪生系统高度智能化，向“人工智能体”发展，可能导致人类价值的替代风险。人工智能驱动的数字孪生系统除了基本的计算和执行功能，甚至具备思考和决策能力，员工可能因此对自身价值产生担忧，从而降低使用意愿、产生抗拒心理。此外，信任是推进人类与数字孪生协作的关键，人类需要对系统保有足够的信任才会采纳其建议，比如医疗保健方面，必须设定权威的方法来评估人工智能算法所采用的生物学、医学模型。因此，要实现技术赋能人类，而不是让技术取代人类，缩小人类与智能技术之间交互的认知鸿沟和执行鸿沟，充分发挥人与数字孪生系统的长处，形成优势互补。
（3）开发和部署具备人机交互接口组件的数字孪生系统面临较大的建设和维护成本，甚至需要重新构建底层软件平台、配置硬件资源，可能要考虑公共资源投入或建立合作模式降低边际成本、实现规模效应。许多中小型企业缺乏基于云标准的基础设施和其他资源，数字孪生人智协作的落地面临更大的困难[39]。可以建设模块化的微服务或数字孪生云平台，中小型制造商可通过云服务获得数字孪生的能力，为数字孪生人智协作提供更多的盈利来源，避免盲目的技术炒作。
（4）提高数字孪生人智协作功能模块搭建的灵活性，包括可扩展性、可迁移性和互操作性。可以采用最终用户开发方法和工具，使得无论是否具备软件工程技能知识的用户都可以修改和扩展数字孪生生态的功能。新投入使用的模型或设备，可能缺乏训练算法的数据，用户需要重新配置或调整，可以将以往成熟设备的模型迁移至新系统中，实现“即插即用”[59]。可以适当简化人体数字孪生模型的构建，使得系统在成本更低的计算设备上运行。此外，需要开发更好的接口规范和通信协议，支持人智协同设备或功能的集成，提高互操作性。
5 结语
本研究基于45篇国内外文献展开系统性回顾，梳理了数字孪生人智协作的研究和应用现状，总结了数字孪生环境下人与智能信息系统的职能定位、关键支撑技术与实践场景。数字孪生人智协作具备较强的前景和实践意义，但当前的研究和实践尚处于初期。本研究从信息资源管理的学科视角提出发展瓶颈与未来展望，在一定程度上丰富了数字孪生和人智协作领域的研究，但也由于样本文献有限而存在一定的局限性，未来可以增加文献来源，进一步深度挖掘和分析，优化数字孪生生态下人智协作的路径。
