第5章 平行宇宙：在虚拟世界中培养智能

5.1 三个世界的对话：元宇宙、数字孪生与平行系统

5.1.1 元宇宙（Metaverse）：互联网的三维化演进

"元宇宙"（Metaverse）概念于2021年前后引发全球关注，Facebook更名为Meta即为这一趋势的标志性事件。该概念最早可追溯至1992年尼尔·斯蒂芬森（Neal Stephenson）的科幻小说《雪崩》（Snow Crash），小说描绘了一个持久的、共享的、三维的虚拟空间——用户以数字化身（Avatar）进入该空间进行社交、商业与娱乐活动。从技术演进视角而言，元宇宙可视为互联网从二维信息空间向三维沉浸空间的技术升级。¹⁵¹

元宇宙的核心特征包括：

• 持久性（Persistence）：虚拟空间持续运行，不因单个用户离线而中断。

• 共享性（Shared Experience）：多用户在同一虚拟空间内实时交互与协同。

• 经济系统（Economy）：内置虚拟资产（如NFT）与交易机制，形成相对独立的经济循环。

• 沉浸感（Immersion）：通过VR/AR技术实现多模态感官沉浸。

然而，元宇宙在智能系统研究中的定位存在根本性局限：其设计目标主要服务于人类用户的虚拟体验，而非智能体的自主培养。元宇宙中的AI角色（NPC）通常基于预设脚本运行，其行为模式是固定且有限的。因此，元宇宙更类似于一个面向人类的"虚拟游乐场"，而非面向智能系统的"培养环境"。

元宇宙概念在2021年随Facebook更名为Meta而达到舆论顶峰，此后经历了一定的理性回归。这并不意味着元宇宙缺乏技术价值，而是表明其发展需要更加务实的工程导向。当前，元宇宙技术在以下领域展现出实际应用潜力：

远程协作（Remote Collaboration）：分布在不同地理位置的团队成员可在共享虚拟空间中进行面对面式的讨论与协同，较传统视频会议提供更高级别的空间临场感（Spatial Presence）。

虚拟培训（Virtual Training）：医疗手术模拟、飞行程序演练、工业设备操作培训等场景可利用虚拟环境实现"零风险试错"（Zero-Risk Trial-and-Error），此理念与平行教育（Parallel Education）存在方法论层面的内在关联。

数字资产（Digital Assets）：NFT（Non-Fungible Token，非同质化代币）技术实现了虚拟物品的确权与流通。尽管NFT市场经历了显著的泡沫化与价值回调，但数字资产确权的底层技术逻辑在未来虚拟经济中仍可能发挥基础性作用。

元宇宙作为具身智能训练平台的局限性在于：其技术架构主要面向人类用户的沉浸式体验设计，而非AI Agent的自主学习。若要使其成为具身智能的有效训练平台，仍需突破物理仿真精度、AI角色自主性、虚实交互机制等一系列关键技术瓶颈。

5.1.2 数字孪生（Digital Twin）：物理世界的数字镜像

数字孪生（Digital Twin）的概念由密歇根大学迈克尔·格里夫斯（Michael Grieves）于2002年提出，其核心思想是：为物理实体构建高精度数字复制品，实现物理实体与数字模型之间的实时状态同步。¹⁶³

以航空工程为例，波音787客机在飞行过程中，数千个传感器实时采集发动机温度、机翼振动、燃油消耗等运行数据，这些数据被传送至地面的数字孪生模型。该模型与真实飞机保持同步运转——飞机的发动机温度升高，模型中的相应参数亦同步更新。

数字孪生的核心价值在于预测性维护（Predictive Maintenance）。工程师通过监测数字孪生模型的运行状态，可在物理实体故障发生前识别异常信号并提前安排检修。例如，数字孪生模型可提示"3号发动机振动模式异常，预测将在50个飞行小时内发生故障"，航空公司据此提前更换零部件，避免飞行中发生非计划故障。¹⁶³

数字孪生的核心特征包括：

• 实时同步（Real-Time Synchronization）：数字孪生的状态与物理实体的状态保持时间一致性。

• 高保真（High Fidelity）：数字孪生的建模精度足以准确反映物理实体的动态行为。

• 一对一映射（One-to-One Mapping）：一个物理实体对应一个数字孪生实例。

然而，数字孪生存在根本性局限：其主要功能聚焦于描述（Description）与监控（Monitoring），在预测（Prediction）与引导（Prescription）方面的能力相对有限。数字孪生能够回答"当前状态是什么"的问题，但不善于回答"未来会怎样"以及"应该怎么做"的问题。这一局限恰为平行系统（Parallel Systems）的理论突破提供了空间。

5.1.3 平行系统（Parallel Systems）：虚实互动的耦合系统

平行系统（Parallel Systems）的概念由中国科学院自动化研究所王飞跃研究员于2004年正式提出。¹⁶ 其核心思想是：构建与物理系统平行运行的人工系统（Artificial Systems），通过虚实互动、相互学习，实现对复杂系统的有效管理与控制。

平行系统与数字孪生在理论定位上存在根本差异：

• 数字孪生是"镜像"（Mirror）：被动地反映物理实体的状态，遵循一对一映射关系。

• 平行系统是"伙伴"（Partner）：主动地参与物理系统的管理、优化与演化，支持一对一、一对多、多对一、多对多等灵活的映射关系。¹⁶¹⁵¹

王飞跃教授提出的平行系统理论建立在"三个世界"的哲学基础之上：物理世界（Physical World）、精神世界（Mental World）、人工世界（Artificial World）。三个世界相互作用、相互影响，构成了社会物理信息系统（Cyber-Physical-Social Systems, CPSS）的理论框架。¹⁵¹¹⁶⁴

5.1.4 三者的关系：技术演进而非相互替代

元宇宙、数字孪生、平行系统三者并非替代关系，而是呈现技术演进（Technology Evolution）的层级关系：

维度	元宇宙（Metaverse）	数字孪生（Digital Twin）	平行系统（Parallel Systems）
核心目标	社交、娱乐、虚拟生活体验	监控、描述、预测性维护	智能培养、系统优化、虚实共进化
与物理世界的关系	人类用户"进入"虚拟世界	数字镜像反映物理实体	人工系统与物理系统平行互动
智能体的角色	NPC为预设脚本驱动	以数据分析和可视化为主	核心——通过计算实验培养智能
实时性要求	无需与物理世界同步	实时同步	虚实交互、持续反馈
映射关系	单一虚拟世界对应多用户	一对一	灵活：一对一/一对多/多对一/多对多
一句话概括	"体验空间"	"监控空间"	"进化空间"

三者的功能定位可通过以下类比加以理解：

• 元宇宙相当于"观看游泳教学视频"——可以观察他人的游泳姿态，但无法直接获得游泳技能。

• 数字孪生相当于"教练在池边观察学习者的动作"——能够识别当前姿态的正误，但不具备主动预测或替代学习者行动的能力。

• 平行系统相当于"在浅水区练习后再进入深水区"——在安全可控的环境中进行试错、练习与改进，再将习得的技能迁移至真实环境，且虚拟教练（人工系统）持续提供反馈与优化建议。

王飞跃教授指出，未来复杂系统的管理都应采用平行范式——平行驾驶（Parallel Driving）、平行视觉（Parallel Vision）、平行机器人（Parallel Robotics）、平行制造（Parallel Manufacturing）、平行城市（Parallel Cities）等。¹⁶²"平行化"不是技术可选项，而是复杂系统管理的必然路径。

时间维度的本质差异

元宇宙、数字孪生和平行系统在时间维度上存在本质差异。

在元宇宙中，时间是"虚拟的"——可以加速、倒流或暂停。然而，这种时间可塑性服务于娱乐体验，而非系统性问题解决。

在数字孪生中，时间是"同步的"——数字孪生的时间与物理实体的时间保持1:1对应关系，不支持快进或分支探索。

在平行系统中，时间是"可塑的工具"（Malleable Tool）——支持加速（在虚拟世界中"快进"以观察长期效应）、分支（同时探索多种可能的未来路径）、回溯（改变历史决策以观察不同结果）。这种时间可塑性服务于计算实验（Computational Experiments）的需求——使系统能够在压缩时间内探索大量可能性。¹⁵¹

以城市交通管理为例：数字孪生可报告"当前道路拥堵状况"；平行系统则可预测"若调整信号灯配时策略，未来一小时交通流量将如何演化"——且在虚拟世界中完成这一小时的推演仅需数秒。

5.2 核心理论：王飞跃教授的ACP方法论

5.2.1 A：人工系统（Artificial Systems）

ACP方法论是平行系统的核心技术框架，由三个递进环节构成：A（Artificial Systems，人工系统）、C（Computational Experiments，计算实验）、P（Parallel Execution，平行执行）。¹⁶¹⁵¹

ACP方法论的提出源于王飞跃教授对复杂系统管理问题的长期学术思考。2000年代初期，中国处于快速城市化进程中，交通管理、社会治理、工业生产等领域面临前所未有的复杂挑战。传统管理方法——依赖专家经验、历史数据、简化模型——难以有效应对这些挑战。王飞跃教授提出了一种全新方法论：不在真实世界中直接试错（代价过高），也不在数学模型中纯理论推导（复杂系统无法精确解析建模），而是在虚拟世界中通过"模拟+实验+优化"的系统化路径求解。此即ACP方法论的学术渊源。¹⁵¹

ACP方法论具有形式化的数学表达。设实际系统为 $S$，人工系统为 $A(S)$，计算实验为 $C(A(S))$，平行执行为 $P(S, A(S), C(A(S)))$。完整的ACP过程可表示为：

$$S \rightarrow A(S) \rightarrow C(A(S)) \rightarrow P(S, A(S), C(A(S))) \rightarrow S'$$

其中 $S'$ 为优化后的实际系统。该过程可迭代循环——$S' \rightarrow A(S') \rightarrow C(A(S')) \rightarrow P(\cdots) \rightarrow S''$——实现系统的持续进化。¹⁵¹

这种"螺旋上升"（Spiral Ascending）的优化模式是ACP方法论区别于传统"一次性优化"方法的核心特征。

A——人工系统是整个框架的基础环节。其核心思想是：为复杂系统构建可计算、可实验、可交互的人工模型。

人工系统不同于传统意义上的数学模型。传统数学模型通常以微分方程、概率分布等数学工具描述系统行为，追求精确性与解析性。然而，复杂系统（如城市交通、社会网络、自动驾驶）往往难以用简洁的数学方程完全描述——涉及过多变量、不确定性与涌现性（Emergence）现象。

人工系统采用另一种思路：以软件"定义"系统（Software-Defined Systems）。不试图以数学公式"推导"系统行为，而是以软件代理（Software Agent）"模拟"系统各组成部分的行为，使其在虚拟环境中自主演化，观察涌现出的整体行为模式。¹⁵¹¹⁵⁹

王飞跃教授将这种方法称为"软件定义的系统"。人工系统是对实际系统的"软件化定义"，它不仅是数字化的"仿真"（Simulation），更是为实际系统运行提供"可替代版本"（Alternative Version）。¹⁵⁹

人工系统与实际系统的映射关系具有灵活性：¹⁶

• 一对一（One-to-One）：一个人工系统对应一个实际系统。例如，为一辆自动驾驶汽车构建软件定义的虚拟汽车。

• 一对多（One-to-Many）：一个人工系统对应多个实际系统。例如，一个虚拟交通系统对应城市中的所有车辆。

• 多对一（Many-to-One）：多个人工系统对应一个实际系统。例如，为一辆自动驾驶汽车构建多个人工系统——一个描述当前状态，一个预测未来风险，一个规划最优路径。¹⁵⁸

• 多对多（Many-to-Many）：多个人工系统对应多个实际系统。例如，城市级平行交通系统中，多辆虚拟车辆在多条虚拟道路上运行。

案例分析：城市交通平行系统

城市交通是典型的复杂系统——由数百万辆车辆、数万名行人、数千个信号灯、数百条道路组成，各组分相互作用产生拥堵、事故、潮汐现象等涌现行为。这些涌现行为无法从单个组分（如一辆车）的行为中直接推导。

传统科学方法面对复杂系统时往往面临困境。牛顿力学可精确预测行星轨道，但无法精确预测城市交通流量——因为城市交通涉及过多变量、不确定性及"人性因素"。经济模型在2008年金融危机面前几乎失效——因为金融系统作为复杂系统，其行为不能用简单因果关系解释。

人工系统的核心思路是：既然复杂系统难以用简洁数学公式完全描述，则以软件进行模拟。 不用微分方程描述车辆流动，而用"软件车辆"模拟每辆车的行为；不用概率分布描述行人移动，而用"软件行人"模拟每个人的决策。当这些软件代理在虚拟环境中自主运行时，其集体行为将自然涌现与真实系统相似的模式。

该方法的优势在于：不需要"完全理解"系统的全部规律，只需要"模拟"系统中各参与者的行为。正如模拟人群漩涡现象时，不需要理解其流体力学原理，只需要模拟每个人的行进方向、速度与碰撞避免规则——当足够多的虚拟人按此规则运行时，"漩涡"现象将自然涌现。

在电商物流领域，人工系统的应用也在快速扩展。菜鸟网络的"智能物流大脑"本质上是一个平行物流系统——在虚拟世界中模拟全国包裹流动，预测各网点的包裹量，优化各运输线路的运力配置。通过该系统，菜鸟可在"双11"购物节到来前，在虚拟世界中预演数千万个包裹的流转过程，提前发现瓶颈并调配资源。

人工系统的构建本质上是一种"软件化思维"——不用数学公式描述系统，而用软件代理模拟系统中每个参与者。这种思维方式与面向对象编程（Object-Oriented Programming）具有天然亲和力：系统中的每个对象（车辆、行人、信号灯）均可封装为一个类（Class），具有自身的属性（位置、速度、状态）和方法（加速、刹车、变道）。

这种面向对象的系统建模方式赋予人工系统高度的灵活性与可扩展性。当需要引入新的交通参与者类型（如电动自行车）时，仅需创建新的类并定义其行为规则，然后将其注入现有人工系统，无需重新建模整个系统。

案例2：疫情传播的平行系统

2020年新冠疫情期间，多个研究团队采用ACP方法构建了疫情传播的平行系统。人工系统包含虚拟人口（年龄、职业、出行习惯）、虚拟城市（交通网络、工作场所、居住区）和虚拟病毒（传播率、潜伏期、致死率）等要素。通过大量计算实验——"若实施城市封锁，感染人数将如何变化？""若推广疫苗接种，群体免疫需要多长时间？"——为政策制定者提供了重要的决策依据。¹⁵¹

案例3：供应链的平行系统

全球供应链是典型的复杂系统——涉及数万个供应商、物流节点和市场需求信号。基于ACP方法的平行供应链系统在虚拟世界中构建完整的供应链网络，通过计算实验测试不同策略的效果："若某港口关闭，货物应如何重新路由？""若某种原材料价格上涨，哪些替代方案更为经济？"这些计算实验使企业能够在真实危机发生前制定应急预案。

该方法的优势在于：可在虚拟世界中测试各种在现实中不可行的场景。 例如，"若所有驾驶员均转为保守型，交通拥堵将减少多少？""若在所有路口增加10秒绿灯时间，整体通行效率将提高多少？"这些问题在真实世界中无法通过实验回答，但在人工系统中可通过参数切换即时获得结果。

5.2.2 C：计算实验（Computational Experiments）

若将人工系统视为"实验室"，则C——计算实验即在此实验室中开展的系统性实验。

计算实验的核心思想是：利用人工系统进行可重复、可控制、可加速的实验，探索复杂系统的内在规律与最优策略。¹⁵¹¹⁵⁶

计算实验与传统仿真存在本质区别。传统仿真通常旨在"验证已知方案"——例如，验证某个控制算法在特定场景下的性能。计算实验的目的则是"探索未知可能"——在虚拟世界中系统性地尝试各种策略、参数和场景，从中发现最优解。¹⁵⁹

计算实验具有三个关键特征：

零风险（Zero Risk）：在虚拟世界中，自动驾驶汽车可"经历"一百万次事故而不造成物理世界中的任何损害。可测试各种极端场景——台风中的高速公路、地震后的城市道路、恐怖袭击后的疏散——而不产生真实的生命与财产损失。¹⁵⁶

零成本（相对）（Near-Zero Cost）：在真实世界中进行交通实验需要封路、调配车辆、雇佣驾驶员，成本极高。在虚拟世界中，主要成本仅为计算资源与电力消耗。

可加速（Accelerability）：虚拟世界中的时间可被加速。虚拟交通系统可以100倍速运行——现实世界中1天，虚拟世界中已过100天。这意味着可在数小时内"经历"数年的交通演化，快速评估长期策略的效果。¹⁵¹

域随机化（Domain Randomization）是计算实验中的重要技术手段。其核心思想是：在每次实验中随机化仿真环境参数——摩擦系数、光照条件、传感器噪声、其他车辆行为模式等。如此训练出的策略不会过拟合（Overfit）到特定仿真环境，而对各种"意外"情况具有鲁棒性。¹⁵¹⁴⁶

以自动驾驶策略训练为例：可在每次实验中随机改变路面摩擦系数（在0.3至0.8之间随机选取）、天气条件（晴天、雨天、雾天、雪天随机切换）、其他车辆的驾驶风格（保守、正常、激进随机分配）。经过数万个随机实验，策略将学会"以不变应万变"——无论真实世界条件如何变化，均能有效应对。

OpenAI在训练机械臂Dactyl时采用了域随机化技术：在仿真中随机改变物体的位置、姿态、材质和光照条件，使仿真训练的策略迁移到真实机械臂时的抓取成功率从30%提升至89%。¹⁵⁰

计算实验的另一经典案例来自Waymo（谷歌旗下自动驾驶公司）。Waymo的自动驾驶系统在投入真实道路测试前，在仿真中"行驶"超过200亿英里。在仿真环境中，系统每天"经历"数百万种场景——各种天气条件、交通状况和行人行为。这些计算实验使Waymo的系统在真实道路上的事故率极低——截至2024年，Waymo自动驾驶汽车在美国多个城市的公共道路上累计行驶数百万英里，未发生任何严重事故。

计算实验在药物研发领域也具有重要应用。传统药物研发周期长达10-15年，成本超过20亿美元。通过计算实验，研究人员可在虚拟世界中筛选数百万种候选药物分子，预测其疗效与副作用，找到最有希望的候选者后再进行真正的临床试验。2024年，AlphaFold（DeepMind的蛋白质结构预测AI）预测了超过2亿种蛋白质的结构，为药物研发提供了前所未有的计算基础。

5.2.3 P：平行执行（Parallel Execution）

P——平行执行是ACP方法论的最终目标环节。其核心思想是：使实际系统与人工系统实现实时交互、相互学习、共同进化。¹⁶¹⁵⁷

平行执行的工作流程如下：

1. 实际系统运行产生数据（如自动驾驶汽车的传感器数据、行驶轨迹）→ 输入人工系统。

2. 人工系统通过计算实验优化策略（如在虚拟世界中测试各种驾驶策略以寻找最优方案）→ 反馈至实际系统。

3. 实际系统应用优化后的策略 → 产生新数据 → 输入人工系统 → 再次优化……

4. 循环往复 → 两个系统共同进化，实际系统的性能持续提升，人工系统的模型精度持续提高。

这种"虚实互动"机制构成一个闭环反馈系统（Closed-Loop Feedback System）。其运行不是一次性的（"建好人工系统、做一次实验、将结果应用到实际系统"），而是持续的、动态的、实时的互动过程。¹⁵⁹

王飞跃教授将平行执行描述为一种"新型反馈控制机制"——不同于传统的"测量-计算-执行"反馈，而是"虚实互动"的反馈。人工系统与实际系统之间的闭环反馈、虚实互动、平行执行，可实现对复杂系统的有效管控。¹⁶

平行执行具有三种实施方式：¹⁵⁷

整体平行执行（Global Parallel Execution）：整个人工系统与实际系统平行运行。适用于系统规模有限、可整体建模的场景。

局部平行执行（Local Parallel Execution）：仅对实际系统中的某个子系统进行平行执行。例如，仅在特定道路上部署平行系统，而非整个城市的交通系统。

混合平行执行（Hybrid Parallel Execution）：整体平行与局部平行相结合。例如，对整个城市交通系统进行"粗粒度"的整体平行，同时对某些关键路口进行"细粒度"的局部平行。

平行执行依赖于一系列关键技术的支撑：

实时数据融合（Real-Time Data Fusion）：实际系统产生的数据（如自动驾驶车辆的传感器数据）需要实时传输至人工系统。这要求低延迟、高可靠的数据通信网络。5G/6G通信技术的发展为平行执行提供了关键基础设施。

模型同步与校准（Model Synchronization and Calibration）：人工系统的模型需根据实际系统的数据进行持续校准——调整模型参数使人工系统的行为更接近实际系统。这是一个持续的"学习"过程，类似于人类通过"实践-反思-改进"不断提升技能。

安全隔离（Safety Isolation）：虚拟世界中的实验不能影响真实世界的运行。即使人工系统"崩溃"，实际系统也应不受影响。这要求人工系统与实际系统之间有明确的"安全边界"——数据可以流动，但控制权限必须严格隔离。

可视化与交互（Visualization and Interaction）：平行执行的结果需要以人类可理解的方式呈现。这包括数据可视化（将复杂数据转化为直观图表）、场景可视化（在三维环境中展示虚拟和实际系统的状态）以及人机交互界面（使操作员可以与系统进行交互）。

5.2.4 ACP = 描述智能 + 预测智能 + 引导智能

王飞跃教授将ACP方法论的智能输出归纳为三个递进层次：¹⁵¹

描述智能（Descriptive Intelligence）：人工系统描述实际系统的当前状态。"当前发生了什么？"——这是A的功能。

预测智能（Predictive Intelligence）：计算实验预测实际系统的未来状态。"未来可能发生什么？"——这是C的功能。

引导智能（Prescriptive Intelligence）：平行执行引导实际系统优化。"应该怎么做？"——这是P的功能。

三者合一，构成基础智能（Foundation Intelligence）。¹⁵¹

ACP方法论还包含一个核心理念："用小数据生成大数据，从大数据中提取深度智能。"¹⁵¹

该理念的内涵为：在复杂系统中，真实世界的数据往往为"小数据"（Small Data）——样本量少、覆盖不全、获取成本高。但通过人工系统，可以生成海量的"合成数据"（Synthetic Big Data），再利用这些大数据训练和优化智能模型，最终将学到的"深度智能"（Deep Intelligence）应用到实际系统中。

以自动驾驶为例，"鬼探头"（行人从停放车辆之间突然冲出）在真实世界中发生频率低（小数据），难以采集足够的训练样本。但在人工系统中，可以"一键生成"一万种不同的鬼探头场景（大数据），利用这些数据训练感知和决策模型。最终，模型学到了应对鬼探头的方法（深度智能），可应用到真实世界中。

5.3 平行智能的应用版图

5.3.1 平行交通：智能城市的虚拟沙盒

王飞跃教授的平行交通系统是ACP方法论最早且最成功的应用之一。

其核心理念是：为整个城市的交通系统构建一个"平行世界"——虚拟的道路、虚拟的车辆、虚拟的行人、虚拟的信号灯。在此虚拟世界中，可以进行各种在现实中不可行的实验：¹⁶⁷

• 信号灯优化：测试不同的信号灯配时策略以寻找最优方案。

• 拥堵预测：在虚拟世界中加速运行以预测未来数小时的交通状况。

• 应急预案评估：模拟交通事故、恶劣天气、大型活动等场景以评估应急预案的有效性。

• 新路开通评估：在虚拟世界中"开通"新道路以观察对整个交通网络的影响，无需真实的道路建设。

王飞跃教授在2018年的报告中提到，平行交通系统已列入国家发改委"互联网+"示范项目。¹⁶⁷ 该系统不仅为交通管理部门提供决策支持，还为自动驾驶的测试与验证提供了"虚拟考场"——自动驾驶汽车可在平行交通系统中完成考核后再上路。

平行交通系统的典型案例是济南城市交通平行系统。济南是中国著名的交通拥堵城市之一，高峰时段交通拥堵指数常年位居全国前列。2019年，济南市引入基于ACP方法的平行交通管理系统。系统首先构建了济南市全域道路的"人工交通系统"——包括虚拟道路网络、虚拟车辆流、虚拟信号灯控制策略。随后，在人工系统中进行了大量计算实验——测试不同的信号灯配时方案、限行策略和公共交通优化方案。经过数月的计算实验，系统找到了一组最优策略组合——包括动态信号灯配时（根据实时交通流量调整绿灯时长）、智能诱导（通过手机APP引导车辆选择最优路线）和公交优先（在拥堵路段为公交车开辟专用通道）。这些策略应用到真实济南交通系统后，高峰时段平均车速提升了15%，拥堵指数下降了20%。更重要的是，这些优化在"不增加道路建设"的情况下实现——纯粹通过管理优化提升效率。

另一个案例是**新加坡虚拟新加坡（Virtual Singapore）**项目。新加坡国土面积仅734平方公里，但人口超过560万，是全球人口密度最高的国家之一，交通管理挑战极大。新加坡政府与法国达索系统（Dassault Systemes）合作，构建了新加坡全境的三维数字模型——包括每一栋建筑、每一条道路、每一棵树木。在虚拟新加坡中，城市规划师可以"试验"各种政策：新的地铁线路如何影响周边交通？新的商业区如何改变人口流动？大型活动（如F1赛车）如何影响城市交通？这些计算实验帮助新加坡在"不试错"的情况下优化城市规划。

5.3.2 平行驾驶：自动驾驶的虚拟训练场

平行驾驶（Parallel Driving）是王飞跃教授于2005年首次提出的概念。¹⁵⁸¹⁶⁴ 其核心思想是：在虚拟世界中培养自动驾驶的智能，然后迁移到真实车辆上。

平行驾驶的架构包含三个层面：¹⁶⁴

物理层（Physical Space）：真实的自动驾驶车辆在真实道路上行驶。

人机共驾层（Social Space）：考虑人与车的交互——远程安全员可在紧急情况下接管车辆，或在复杂场景中辅助决策。

人工世界层（Cyber Space）：完全虚拟的世界，包含软件定义的车辆、虚拟道路环境和各种极端场景。

在平行驾驶框架中，一辆物理汽车对应三部"软件汽车"：¹⁵⁸

• 描述车（Descriptive Car）：描述车辆的当前状态（位置、速度、方向等）。

• 预测车（Predictive Car）：预测前方道路状况和潜在风险。

• 引导车（Prescriptive Car）：规划最优行车路线和驾驶策略。

这三部软件汽车在云端运行，与物理汽车实时同步、平行执行。若预测车发现前方风险，会提前通知物理汽车采取预防措施；若引导车发现更优路线，会建议物理汽车调整路径。

青岛慧拓智能科技有限公司是平行驾驶理念的实践者之一。该公司专注于自动驾驶与车联网前沿技术研究，以平行智能理论为指导，为物流、公交、港口、矿山等场景提供自动驾驶解决方案。¹⁶⁴

慧拓科技在矿山无人驾驶领域的应用值得关注。中国的大型露天矿山环境恶劣——粉尘大、能见度低、道路条件差，对人类驾驶员的健康与安全构成严重威胁。慧拓科技为这些矿山构建了平行驾驶系统：在虚拟世界中创建矿山的数字副本——包括道路地形、装载点、卸载点、障碍物位置等。自动驾驶矿卡在虚拟世界中"训练"——学习如何在复杂地形中行驶、如何与装载机协同作业、如何应对突发状况。训练完成后，算法被部署到真实矿卡上。目前，慧拓科技的无人矿卡已在国内多个大型矿山投入商业运营，累计运输土方量超过数千万立方米。这些矿卡的事故率接近于零——因为虚拟世界中的"一百万次训练"使其对各种"意外"都有了充分准备。

另一个平行驾驶的应用场景是港口集装箱运输。港口是自动驾驶的理想场景——环境相对封闭、路线相对固定、交通参与者相对可控。但由于港口环境复杂（大型起重机、集装箱堆垛、多辆AGV同时作业），传统自动驾驶方案难以应对。平行驾驶系统通过在虚拟港口中"预演"各种场景——起重机突然移动、集装箱掉落、多车交汇等——来训练自动驾驶系统的应对能力。天津港、青岛港等国内主要港口已开始引入基于平行智能的自动驾驶集装箱卡车。

平行驾驶在公交领域的应用也在探索中。未来，公交车可在虚拟城市中学习最优路线、最优停靠策略和最优发车间隔，然后将学到的策略应用到真实公交系统中。这种虚实结合的公交管理有望大幅提升公共交通的效率和服务质量。

平行驾驶在农业领域的应用亦在探索中。农业机械（如拖拉机、收割机）的自动驾驶面临独特挑战——农田环境复杂多变，缺乏清晰车道线，地形起伏不平，作物高度和密度变化大。传统自动驾驶算法难以直接应用于农业场景。平行驾驶的思路是：在虚拟农田中训练农业机械的自动驾驶算法。虚拟农田可模拟各种地形、作物类型和天气条件。算法在虚拟世界中学习如何在田间行驶、如何避开水沟、如何在作物之间穿行。训练完成后，算法被部署到真实农业机械上。这种"虚拟训练+现实应用"的模式有望缓解农业劳动力短缺问题。

平行驾驶在灾害响应（Disaster Response）中的应用亦具巨大潜力。在地震、洪水、火灾等灾害场景中，救援人员需快速进入危险区域进行搜救，但灾害环境往往极其危险——建筑物可能倒塌、道路可能中断、有毒物质可能泄漏。无人救援车辆可在虚拟灾害环境中"训练"——学习如何在瓦砾中穿行、如何识别受困人员、如何避开危险区域。训练完成后，无人救援车辆可在真实灾害现场执行任务，显著降低救援人员的风险。

5.3.3 平行视觉：视觉感知的合成数据引擎

平行视觉（Parallel Vision）是ACP方法论在计算机视觉领域的应用。其核心问题是：如何解决视觉感知中的"长尾场景"（Long-Tail Scenarios）问题？¹⁶¹

长尾场景是指在日常生活中发生频率低、但一旦发生便具有高危险性的场景——如极端恶劣天气、突发交通事故、突然出现的行人等。由于这些场景发生概率低，难以采集足够的真实数据来训练视觉模型。¹⁶¹

平行视觉的解决方案是：在虚拟世界中生成这些罕见场景，利用合成数据训练视觉模型。

具体方法是：采用Agent建模方法，在计算机上建立人工场景，设计丰富且典型的环境条件和目标运动模式，生成大量带有详细标注信息的图像和视频数据集。然后利用这些合成数据训练目标检测、语义分割、深度估计等视觉模型。最后，通过虚实互动的平行执行不断优化视觉模型，使其在真实世界中的表现持续提升。¹⁶¹

王飞跃教授以简练的语言概括了这一思想："要在人工世界吃多堑，物理世界长多智。"¹⁶¹ 即让自动驾驶汽车在虚拟世界中"多吃亏"（经历各种危险场景），在真实世界中就能"多长智慧"（学会应对各种情况）。

平行视觉的具体应用案例包括**"鬼探头"场景的数据生成**。在真实世界中，鬼探头（行人从停放车辆之间突然冲出）是非常危险但罕见的场景，难以采集足够的训练数据。但在平行视觉框架下，研究人员可在虚拟世界中生成数万种不同的鬼探头场景：不同的行人、不同的车辆间距、不同的光线条件、不同的道路类型。这些合成数据与真实数据混合训练，可显著提升模型对鬼探头的检测能力。实验结果表明，使用虚实混合数据训练的目标检测模型，对鬼探头的检测精度比仅用真实数据训练的模型提升了25%以上。

另一个应用是夜间驾驶场景的数据增强。真实世界中夜间驾驶数据的采集成本高（需在夜间进行测试）、风险大（夜间视线差、容易出事故）。但在虚拟世界中，"夜间"仅是一个可调参数——研究人员可将"白天场景"一键转换为"夜间场景"，调整光照强度、添加路灯效果、模拟车灯眩光。这些"虚拟夜间数据"与少量真实夜间数据混合训练，可大幅提升模型在夜间驾驶中的表现。

平行视觉面临的主要技术挑战是虚拟数据与真实数据的差异（Sim-to-Real Gap）。合成数据训练出来的模型在真实数据上的性能往往存在差距，该差距来自多个方面：

渲染质量（Rendering Quality）：虚拟世界的图像由计算机生成，其逼真度与真实图像仍有差距。虚拟图像可能过于"完美"——没有噪点、没有运动模糊、没有镜头畸变——而真实图像充满了这些"不完美"。一个在"完美图像"上训练的模型，在"不完美图像"上可能出现性能下降。

物理一致性（Physical Consistency）：虚拟世界中的物理规律是"模拟"的，不是"真实"的。虚拟车辆的轮胎摩擦、虚拟行人的行走姿态、虚拟天气的光照效果，都与真实世界存在差异。这些差异会影响模型学到的"规律"的泛化能力。

场景多样性（Scene Diversity）：虽然虚拟世界可以生成大量场景，但这些场景是否"足够多样"？如果生成算法本身存在偏见（如总是生成类似的场景），那么训练出来的模型也会继承同样的偏见。

解决这些挑战的方法包括：域随机化（在虚拟世界中故意加入各种"噪声"，使模型学会应对变化）、域适应（学习从虚拟到真实的映射以缩小分布差异）、以及虚实混合训练（将虚拟数据和真实数据混合使用以取长补短）。

另一个重要的研究方向是神经渲染（Neural Rendering）——用神经网络生成逼真的虚拟图像。神经渲染可生成接近照片级真实感的虚拟场景，显著缩小虚拟图像与真实图像之间的"视觉鸿沟"。NVIDIA的NeRF（Neural Radiance Fields）技术即为一例——可从少量照片出发生成完整的三维场景，且渲染质量极高。

5.3.4 平行机器人：虚实融合的智能体

2015年，王飞跃教授提出了"平行机器人"（Parallel Robotics）的概念。¹⁶²

平行机器人不是简单的"仿真机器人"，而是一个虚实融合的系统：物理机器人 + 软件机器人 + 仿真系统 + 物联网 + 数据库。它实现了三大功能：¹⁶²

学习与训练：在虚拟世界中训练机器人的控制策略，然后迁移到物理机器人上。虚拟世界可"加速运行"，使机器人在数小时内"经历"数月的训练。

实验与评估：在虚拟世界中测试机器人的各项性能——承载能力、运动速度、能耗效率等，而无需让物理机器人"冒险"。

管理与控制：通过软件机器人监控物理机器人的状态，预测可能的故障，优化运行策略。

波士顿动力（Boston Dynamics）的Atlas训练过程本质上体现了平行机器人的思想。Atlas的诸多动作（如后空翻）均在仿真中反复训练、优化，然后迁移到物理机器人上。仿真中的"试错"（摔倒、失衡）不会产生物理损伤，但每一次"试错"都使Atlas的控制策略更加完善。

5.3.5 平行制造：从"试错"到"先试后造"

制造业是ACP方法论的重要应用领域，也是"平行制造"（Parallel Manufacturing）的核心场景。

传统制造业依赖"试错法"（Trial and Error）：设计产品→制造原型→测试发现问题→修改设计→再制造原型……这一循环可能需要数十次迭代，每次迭代均消耗大量时间与成本。波音787客机的研发过程中，仅风洞测试就进行了超过15,000小时，成本超过数亿美元。

平行制造改变了这一模式。在虚拟世界中，制造商可"制造"数千个"虚拟产品"——不同的材料、不同的结构、不同的工艺参数——然后通过计算实验测试其性能。这种方式的优势包括：

成本节省：虚拟原型不需要真实的材料、设备和人工，成本接近于零。波音公司在设计787梦想客机时，通过大量虚拟仿真节省了超过30%的研发成本。

时间缩短：虚拟实验可"加速运行"——在数秒内完成真实世界中需要数小时的测试。汽车碰撞测试在虚拟世界中可在数分钟内完成数百次，而在真实世界中每次测试都需要数天准备和数周分析。

安全性：某些测试在真实世界中极其危险——如测试电池过热爆炸、测试建筑结构的地震耐受性。在虚拟世界中，这些"危险测试"可完全安全地进行。

创新加速：虚拟世界允许工程师尝试"非常规"设计——在传统方法中因成本过高而不敢尝试的设计。若失败，损失仅为"虚拟"的；若成功，则可能带来突破性创新。

德国工业4.0战略的核心即"数字孪生+平行制造"——在虚拟世界中设计、测试、优化产品，然后在真实世界中精确制造。西门子（Siemens）、博世（Bosch）、大众（Volkswagen）等德国企业已广泛使用平行制造技术，显著提升了研发效率和产品质量。

中国的制造业也在快速拥抱平行制造。华为在其芯片设计过程中大量使用虚拟仿真来测试芯片的性能和功耗，显著缩短了研发周期。比亚迪在其新能源汽车的研发中，通过虚拟碰撞测试来优化车身结构，大幅提升了车辆的安全性能。

5.3.6 工业5.0时代的智能社会基础设施

王飞跃教授将平行智能的理念延伸至更广阔的领域——工业5.0（Industrial 5.0）或"平行制造"。

他认为，未来的智能社会基础设施将以各种各样的社会物理信息系统（CPSS）为核心，形成"人机结合、知行合一、虚实一体"的智能生产、智能经济和智能社会。在工业5.0时代，企业将有三种类型的"员工"：¹⁵¹

• 生物型员工（Biological Staff，约占5%）：人类员工，负责创造性工作、战略决策和复杂沟通。

• 数字型员工（Digital Staff，约占80%）：软件定义的AI助手，负责数据处理、流程管理和常规决策。

• 机器型员工（Robotic Staff，约占15%）：物理机器人，负责体力劳动、重复性操作和危险环境作业。

同时，三种操作模式将协同运作：

• 自主模式（Autonomous Mode，约占80%）：系统自主运行，无需人类干预。

• 平行模式（Parallel Mode，约占15%）：人工系统与物理系统平行执行，人类在关键节点参与决策。

• 专家/应急模式（Expert/Emergency Mode，约占5%）：遇到复杂或紧急情况时，由人类专家介入处理。¹⁵¹

该愿景的核心元素已在现实中逐步落地。智能客服（数字型员工）、自动驾驶卡车（机器型员工在自主模式下运行）、远程医疗（专家模式下人类医生介入）等均为具体实践。

5.3.7 平行教育：ACP方法论的元应用

ACP方法论不仅可应用于"教机器"，还可应用于"教人类"——此即"平行教育"（Parallel Education）。

在传统教育模式中，学生通过"听讲"和"做题"来学习知识。但这种模式的效率往往有限——因为学生缺乏充分的"试错"机会。一个数学定理，学生可能"听懂了"，但一做题就错；一个物理公式，学生可能"记住了"，但一应用就困惑。

平行教育的思路是：为每个学生构建一个"虚拟学习环境"（人工系统），在此环境中学生可以"安全地试错"。解不出题目？虚拟环境可提供提示、反馈和多次尝试机会。做错了？系统会分析错误模式并提供针对性练习。

本书配套的微缩智能车虚拟仿真实验课程即为平行教育的实践案例。学生在虚拟环境中"驾驶"智能车，从手动控制到PID控制再到深度学习，每一步都可以在虚拟世界中试错——碰撞了？重置后继续。这种"零成本试错"的学习模式显著提升了学习效率和学习效果。

更广泛的平行教育应用包括：

• 医学教育：医学生在虚拟病人身上练习诊断和治疗，犯错不会伤害真实的病人。

• 飞行员培训：飞行模拟器是平行教育的经典应用——飞行员在虚拟环境中飞行数千小时，然后才上真飞机。

• 工程教育：学生在虚拟工厂中操作设备、学习工业流程，而不会损坏昂贵的真实设备。

平行教育的核心理念是："在人工世界中吃多堑，在真实世界中长多智"——让学习者在安全的环境中积累足够的经验，然后再面对真实世界的挑战。

5.3.8 平行军事：战场的虚拟预演

军事领域是平行系统最早的应用领域之一。早在1990年代，美国军方就开始使用"战争游戏"（War Games）来模拟战场场景——在虚拟环境中预演各种作战方案，评估不同策略的效果。

现代军事仿真已发展到极高水平。虚拟战场可模拟真实的地理环境、天气条件、敌方行为和武器性能。指挥官可在虚拟世界中演练各种战术——进攻、防御、撤退、包围——观察不同决策的后果，然后选择最优方案。

这种"虚拟预演"的价值是巨大的。在真实战争中，一次错误的决策可能导致数千人伤亡。但在虚拟战场中，"失败"只是数据——指挥官可从"失败"中学习，调整策略，再次预演，直至找到最佳方案。

军事仿真亦面临伦理挑战——当"虚拟作战"变得过于轻松时，是否会降低对真实战争的敬畏？这一问题没有简单的答案，但它提示我们：平行系统的力量是双刃剑，需要审慎使用。

5.4 平行智能的哲学意涵：从"镜像"到"伙伴"

5.4.1 默顿系统的可计算化

王飞跃教授提出ACP方法论的学术动机，源自一个深刻的认识论问题：复杂社会系统能否被精确建模？

社会学家罗伯特·默顿（Robert Merton）提出了著名观点：社会系统复杂到无法精确预测——因为对社会系统的"分析"本身就会"改变"系统的行为。例如，当预测股市将上涨时，这一预测本身就会影响投资者的行为，从而改变股市的走向。这种"自我实现"或"自我否定"的效应，使社会系统成为"默顿系统"（Mertonian Systems）——其行为不能被独立分析，因为分析本身就是系统的一部分。¹⁶³

传统的科学方法论（基于牛顿力学的方法论）假设：系统可被精确建模，模型可被解析求解。这种方法适用于"牛顿系统"（Newtonian Systems）——如行星运动、桥梁结构等。但对于"默顿系统"——如城市交通、社会网络、金融市场——传统建模方法几乎完全失效。¹⁶³

王飞跃教授的解决方案是：用人工系统来"软化"复杂性，通过计算实验来"硬化"为可执行方案。¹⁶

具体而言，传统方法试图用"精确的数学模型"描述复杂系统（这在理论上不可行），而ACP方法用人工系统来"近似"复杂系统——不要求精确，只要求"足够像"。然后，通过在人工系统中进行大量计算实验，探索各种可能的策略和结果。最终，将虚拟世界中发现的最优策略应用到真实世界中。

该方法的核心价值在于：不要求"先完全理解系统规律，再制定最优策略"。相反，它承认"系统规律可能永远无法完全理解"，但通过在虚拟世界中的"试错"，仍可找到"足够好"（Good Enough）的策略。¹⁶

ACP方法论的深远意义不仅在于提供了一套实用的技术框架，更在于它代表了一种新的科学范式（New Scientific Paradigm）。传统科学方法追求"精确预测"——给定初始条件，精确计算未来状态。ACP方法则接受"不确定性"——不追求精确预测单个未来，而是探索"多种可能的未来"，从中选择最优策略。这种"从预测到引导"的范式转换，可能是21世纪科学方法论最重要的进展之一。

这种思维方式的转变类似于医学史上的重大范式转换：从"治疗已发生的疾病"到"预防疾病发生"。传统科学是"治疗"——等问题发生后再研究解决。ACP方法是"预防"——在问题发生前，通过虚拟实验找到最优策略。这并非否定传统科学的重要性，而是指出在面对复杂系统时，需要一种补充性的方法论。

5.4.2 从"大数据"到"深度智能"

ACP方法论的核心循环可概括为："小数据生成大数据，从大数据中提取深度智能。"¹⁵¹

该循环打破了传统的"数据→知识→智能"线性模型。传统观点认为，需先收集大量数据，然后从中提取知识，最后形成智能。但ACP方法论指出：在复杂系统中，真实数据往往为"小数据"（Small Data）——稀缺、昂贵、有偏见；而"大数据"（Big Data）可通过人工系统来"生成"。

这种"生成式"数据获取方式与当前大语言模型的训练方式具有方法论层面的共通性。GPT-4的训练数据不仅包括真实的互联网文本，还包括大量的"合成数据"（Synthetic Data）——通过模型自身生成的文本来扩充训练集。同样，平行系统通过人工系统生成"合成场景"，来扩充自动驾驶的训练数据。

5.4.3"三个世界"的融合

王飞跃教授的CPSS框架提出了一个宏大的理论愿景：物理世界、精神世界、人工世界的融合。¹⁵¹

物理世界是物质存在的世界——道路、车辆、建筑、自然环境。精神世界是人类的主观世界——意图、信念、情感、价值观。人工世界是人类创造的虚拟世界——软件、模型、数据、算法。

这三个世界在传统学术体系中是分离的：物理学家研究物理世界，心理学家研究精神世界，计算机科学家研究人工世界。但ACP方法论认为，这三个世界应当是"融合"的——人工世界不再只是"虚构"（Fiction），而是解决复杂问题的"另一半空间"。¹⁵¹

在自动驾驶中，这种融合体现为：

• 物理世界：真实的道路、车辆、行人。

• 精神世界：驾驶员的意图、情绪、驾驶风格；行人的心理状态。

• 人工世界：虚拟的交通系统、软件定义的驾驶员、计算实验。

只有同时考虑三个世界，才能真正理解和有效管理自动驾驶这一复杂系统。

这种"三个世界融合"的视角对理解具身智能的未来发展方向具有重要理论价值。当前具身智能研究主要集中在物理世界与人工世界的交互——在虚拟世界中训练算法，然后应用到物理机器人上。但随着技术进步，精神世界（人类的意图、情感、价值观）也将成为具身智能系统必须考虑的因素。

例如，若仅考虑物理世界（车辆的运动学模型），会忽略驾驶员的"非理性行为"；若仅考虑精神世界（驾驶员的意图），会忽略车辆的物理约束；若仅考虑人工世界（仿真模型），会忽略真实世界的复杂性。因此，具身智能系统不仅需要"理解"物理世界的规律，还需要"理解"人类的精神世界——知道人类想要什么、担心什么、重视什么。这种"三世界融合"的智能，才是真正"以人为本"的智能。

5.4.4 ACP与复杂系统科学的未来

ACP方法论不仅是一种技术手段，更是一种认识论层面的突破。它挑战了传统科学方法的两个基本假设：

假设一：系统是完全可知的。 传统科学假设，通过充分研究，可以完全理解一个系统的规律。ACP方法指出：对于复杂系统，完全理解在理论上可能不可行，也非必要。可在"不完全理解"的情况下，通过"试错"找到"足够好"的解决方案。

假设二：模型必须精确。 传统科学追求精确的数学模型——微分方程、概率分布、统计规律。ACP方法指出：模型不需要精确，只需要"足够像"。一个粗糙但实用的模型，比一个精确但无法求解的模型更有价值。

这也解释了ACP方法论在中国获得特别重视和发展的深层原因。中国正处于快速发展和转型过程中，面临大量复杂的系统问题——城市化、交通管理、环境治理、公共卫生等。这些问题没有现成答案，也没有足够的数据支持传统的精确建模。ACP方法提供了一种务实的解决方案：不需要等到"完全理解"，可以先在虚拟世界中"试错"，找到"足够好"的策略，再应用到现实世界中。

但ACP方法论比单纯的数据生成更进一步：它强调"虚实互动"——不仅用人工系统生成数据，还将实际系统的反馈回流到人工系统中，不断优化人工系统的模型。这种"闭环"使人工系统越来越"像"实际系统，生成的数据越来越"真实"，提取的智能越来越"深度"。

5.4.5 从平行系统到"平行社会"

ACP方法论的终极愿景，不仅限于某个特定技术系统的优化，而是面向整个社会——构建"平行社会"（Parallel Society）。在平行社会中，每个人、每个组织、每项政策都有"虚拟副本"。通过在虚拟社会中进行计算实验，可以：

• 测试新政策的效果，而不影响真实的民生。

• 探索教育改革的可能路径，而不拿真实的学生"做实验"。

• 评估医疗改革方案，而不让真实的病人承担风险。

• 模拟气候变化的影响，而不等待灾难真的发生。

该愿景的核心元素已在逐步实现中：城市级数字孪生、交通系统的平行管理、医疗系统的仿真优化——这些都是"平行社会"的雏形。

当然，"平行社会"亦面临巨大挑战：数据隐私、伦理边界、数字鸿沟、技术依赖等。如何在享受平行系统带来的便利的同时，避免其成为"数字牢笼"或"监控工具"，是必须认真思考的议题。

ACP方法论和平行智能的理念已经打开了一扇新的大门——通往"用虚拟世界的智慧来解决真实世界的问题"的大门。

5.4.6 ACP方法论的局限与反思

ACP方法论虽具有强大理论价值，但亦有自身局限，需保持清醒认识。

第一，人工系统的"可信度"问题。 人工系统是实际系统的"近似"而非"复制"。近似越准确，ACP方法的效果越好；近似越粗糙，ACP方法的可靠性越低。如何评估人工系统的"可信度"？如何在"模型精度"和"计算效率"之间找到平衡？这些问题至今没有完全解决。

第二，"虚拟成功"不等于"现实成功"。 正如第6章将要详细讨论的，Sim-to-Real鸿沟意味着在虚拟世界中表现完美的策略，在真实世界中可能失效。ACP方法不是Sim-to-Real问题的"万能解药"，它只是提供了一种"降低试错成本"的手段。

第三，伦理和隐私问题。 平行系统需要大量数据来构建人工系统和进行计算实验。这些数据可能涉及个人隐私、商业机密、国家安全。如何在"数据驱动"和"隐私保护"之间找到平衡？如何防止平行系统被滥用为"监控工具"？这些问题需要法律、伦理、技术的共同应对。

第四，"数字鸿沟"风险。 平行系统需要强大的计算资源和专业的技术人才。发达国家和大企业可能率先掌握和应用ACP方法，而发展中国家和中小企业可能被进一步甩在后面。如何避免ACP方法加剧"数字鸿沟"，是重要的社会议题。

尽管存在这些局限，ACP方法论的价值是毋庸置疑的。它提供了一种新的思维方式——不是在真实世界中硬碰硬地试错，而是在虚拟世界中系统化地探索。这种思维方式，将在未来的智能社会中发挥越来越重要的作用。

5.5 本章小结：虚拟是现实的"孵化器"

本章系统探讨了王飞跃教授的ACP方法论——人工系统（A）、计算实验（C）、平行执行（P）。

元宇宙是"体验空间"——人类用户进入虚拟世界进行社交与娱乐。数字孪生是"监控空间"——被动反映物理实体的状态。平行系统是"进化空间"——在虚拟世界中培养智能，然后应用到物理世界。三者不是替代关系，而是技术演进关系。

ACP方法论提供了系统化的虚实互动框架：

• A（人工系统）：为复杂系统构建可计算、可实验的软件模型。从城市交通到疫情传播，从供应链到自动驾驶，人工系统可模拟各种复杂场景。

• C（计算实验）：在虚拟世界中进行零风险、低成本、可加速的实验。域随机化、Waymo的200亿英里仿真、药物研发的虚拟筛选，均为计算实验的典型应用。

• P（平行执行）：使实际系统与人工系统实时交互、共同进化。从济南交通优化到慧拓无人矿卡，平行执行正在各领域逐步落地。

平行智能已在多个领域展开应用：平行交通、平行驾驶、平行视觉、平行机器人、平行制造、平行城市、平行教育、平行军事。在工业5.0时代，平行智能将成为智能社会的基础设施——生物型员工（5%）、数字型员工（80%）、机器型员工（15%）在自主模式（80%）、平行模式（15%）和专家模式（5%）中协同工作。

ACP的哲学意涵深刻：以人工系统"软化"默顿系统的复杂性，通过计算实验"硬化"为可执行方案，实现了"使无解问题变得有解"。它代表了一种新的科学范式——从"精确预测"到"引导优化"，从"完全理解"到"足够好"。

**从平行系统到"平行社会"**的终极愿景，为我们打开了一扇通往"用虚拟世界的智慧来解决真实世界的问题"的大门。当然，这扇门后面也有挑战：数据隐私、伦理边界、数字鸿沟、技术依赖。如何在享受便利的同时避免风险，是必须认真思考的议题。

预告：下一章将探讨虚拟中培养的智能如何在现实中"落地生根"。以2025中国智能车未来挑战赛为案例，深度剖析Sim-to-Real的技术挑战与解决方案。从域随机化到渐进式迁移，从研究团队的实践到Sim-to-Real的系统性方法论，将展示ACP方法论在实战中的威力与局限。

专栏5-1 王飞跃教授与ACP的诞生：从影子系统到平行智能

王飞跃教授是中国科学院自动化研究所复杂系统管理与控制国家重点实验室主任，IEEE、INCOSE、IFAC等多个国际学术组织的Fellow。他于1994年提出了"影子系统"（Shadow Systems）的概念，将模型视为数据生成器和可视化工具。2004年，在"三个世界"思想的影响下，他将影子系统发展为"平行系统"（Parallel Systems），并正式提出了ACP方法。¹⁶¹⁶²

ACP方法的发展经历了三个阶段：

• 第一阶段（2004—2010）：理论奠基。王飞跃教授系统阐述了平行系统的理论基础，将ACP方法应用于交通、制造等领域。

• 第二阶段（2010—2020）：应用拓展。平行驾驶、平行视觉、平行机器人等概念相继提出，ACP方法在多个领域落地。

• 第三阶段（2020至今）：与大模型融合。ACP方法与大语言模型、世界模型等前沿技术结合，开启了新的发展阶段。¹⁵¹

王飞跃教授认为，ACP方法的本质是"扩而治之"——不是把复杂问题"分而治之"（分解为子问题），而是通过人工系统"扩展"问题的维度，在更大的空间中"求解"。¹⁶²

专栏5-2 数字孪生与平行系统对照表

对比维度	数字孪生（Digital Twin）	平行系统（Parallel Systems）
起源	2002年，迈克尔·格里夫斯（Michael Grieves）	2004年，王飞跃
核心思想	预测控制的"牛顿定律"	引导型"默顿定律"
与物理系统的关系	被动反映（Mirror）	主动交互（Partner）
映射关系	一对一	灵活：一对一/一对多/多对一/多对多
智能体的角色	辅助描述和监控	核心——通过计算实验培养智能
实时性要求	实时同步	虚实交互、持续进化
目标	描述"现在"	预测"未来"、引导"行动"
一句话概括	"看"物理世界	"养"智能体

专栏5-3 计算实验的力量：让机器"死"一百万次

计算实验最核心的价值，可用一句话概括："让机器在虚拟世界中经历一百万次事故，而物理世界中的车辆零事故。"

在真实世界中，让自动驾驶经历一百万次事故是不可接受的——意味着数以百万计的人员伤亡和数以十亿计的财产损失。但在虚拟世界中，这是日常训练的一部分。

每一次"虚拟事故"都是一次宝贵的学习机会：

• "本次碰撞是由于感知延迟还是决策错误？"

• "若提前0.5秒刹车，能否避免事故？"

• "若当时选择变道而非刹车，结果将如何？"

通过对一百万次"虚拟事故"的分析，系统可总结出规律："在何种条件下容易发生何种事故""何种预防措施最有效"。这些规律被编码到决策模型中，使真实世界中的车辆更加安全。

这种"以虚拟世界的'失'换取物理世界的'得'"的思想，是计算实验最具革命性的价值。

延伸阅读：从平行系统到AI4S——平行科学的新前沿

2024年，王飞跃教授提出了"AI4S"（AI for Science）的平行科学框架。¹⁵¹ 他认为，ACP方法不仅可用于工程系统，还可用于科学研究——在虚拟世界中进行"计算实验"来探索自然界的规律。

在材料科学中，研究人员可在虚拟世界中"合成"各种材料，测试其性能，找到最优配方，然后再在实验室中真正合成——显著缩短新材料的研发周期。

在药物研发中，研究人员可在虚拟世界中筛选数百万候选药物分子，预测其疗效和副作用，找到最有希望的候选者，然后再进行真正的临床试验——大幅降低药物研发的成本和风险。

在气候科学中，研究人员可在虚拟世界中模拟各种气候政策的影响，评估不同减排方案的效果，为政策制定者提供科学依据。

"AI4S"代表了平行系统从"工程应用"走向"科学发现"的新阶段。它预示着一个未来：科学研究不再是"做实验→收集数据→分析规律"的线性过程，而是"建人工系统→做计算实验→发现规律→验证于现实"的平行过程。

【实验五】用深度学习教车自己开——端到端自动驾驶探索

聚焦问题：在不显式告知车辆"赛道中心线"定义的情况下，仅通过车辆自主"观察"与"学习"，能否实现自动驾驶？

实验目标

1. 理解端到端深度学习模型的基本思想。

2. 体验"数据采集→模型训练→模型测试"的完整流程。

3. 用CNN模型使虚拟小车自动通过第一关；采集数据训练新模型；通过第二关。

4. 对比"规则驱动"（PID）和"数据驱动"（深度学习）两种不同的智能范式。

实验内容与步骤

步骤1：已有CNN模型尝试第一关（5分钟）

运行drive.py代码，调用预训练的CNN模型，观察小车的自动驾驶表现。可观察到：小车无需任何显式规则，仅凭"学习"过的大量图像，即可自主沿赛道行驶。

思考问答：CNN模型是如何"感知"赛道并做出转向决策的？

本章知识链接：

• 3.2.2节"世界模型"——CNN本质上是一个"感知→认知"映射模型。

• 第2章2.1.3节"YOLO"——卷积神经网络（CNN）是计算机视觉的基础架构。

步骤2：已有CNN模型尝试第二关，分析失败原因（10分钟）

用第一关的CNN模型测试第二关。可观察到：小车在第二关表现不佳——因其仅在第一关数据上训练过，未"见过"第二关的急弯场景，因此不具备相应的处理能力。

思考问答：为何在第一关表现良好的CNN模型，在第二关会失效？

本章知识链接：

• 3.1.4节"强化学习的局限"——模型仅在训练数据的分布内有效。

• 第6章6.1.2节"分布偏移"——$P_{sim} \neq P_{real}$。

步骤3：采集第一关数据，启动CNN训练（15分钟）

进入训练模式，手动控制小车在第一关赛道行驶，采集"图像+转向角"数据对。随后运行model.py启动CNN模型训练。

思考问答：

1. 为何需要"手动控制"来采集数据？采集的数据包含哪些内容？

2. CNN模型从数据中学习的是什么？（提示：从图像到转向角的映射关系）

本章知识链接：

• 3.1.1节"强化学习"——此处使用的是"监督学习"（有标注数据），而非"强化学习"（试错奖励）。

• 第5章5.2.2节"计算实验"——在虚拟世界中采集数据具有"零成本"的优势。

步骤4（融会贯通）：采集数据训练新模型通过第二关

在第二关赛道采集数据，训练新的CNN模型，使小车能够通过第二关。预估该模型在其他赛道上的泛化表现。

评分标准：模型通过第二关并能解释训练过程和结果。

本章知识链接：

• 3.1.3节"从AlphaGo到AlphaGo Zero"——从"学习人类棋谱"到"自我对弈"。

• 本实验本质上是"学习人类驾驶数据"（监督学习），而非"自我探索"（强化学习）。

实验报告

1. 对比PID（规则驱动）和CNN（数据驱动）——哪种方法更适合应对"未见过"的赛道？原因是什么？

2. 若要使CNN通过第五关（有障碍物），需要做什么？（提示：需要采集包含障碍物的训练数据）

3. 端到端深度学习模型是否为"黑箱"？如何理解其决策过程？

4. 回顾研究团队在智能车挑战赛中使用的YOLO5方案——YOLO和CNN有什么关系？YOLO做了CNN无法完成的工作？