法则一：数字孪生必须基于实时数据。很多人理解的数字孪生就是一个3D模型——楼的外形、每层的布局、管道走向，做得跟游戏画面一样漂亮。但光有模型没有数据，那叫"数字模型"不叫"数字孪生"。真正的数字孪生是：模型里的每一个元素都跟物理世界的对应设备实时同步。
比如：物理世界里空调出风口的温度是23度，数字孪生模型里这个风口也显示23度，而且数据是实时刷新的——延迟不超过几秒钟。这个要求看着不高，做起来相当难。因为建筑里的传感器成千上万，数据采集、传输、处理、显示，每一个环节都可能出问题。我有见过把延迟标成"实时"的，实际上15分钟才刷新一次——这还叫什么孪生？
法则二：AI要解决具体的业务问题。很多厂家一上来就说"我们有AI平台"，你问他能做什么，他回答"实现了很多功能"。再追问"哪个功能最常用"，答不上来了。文章提出：AI必须瞄准一个具体的业务痛点。
举个例子：某栋写字楼的空调能耗占总能耗的50%以上。物业想降低电费，这就是一个具体的业务问题。AI的方案：收集过去两年的空调运行数据和电费数据，训练一个模型，预测不同设定温度下的能耗，然后给出一个"既能保证舒适度、又能省电"的运行策略。这个AI才有用。
法则三：模型需要持续学习和迭代。很多人以为AI模型是一劳永逸的——训练好、上线、完事。不对。建筑的使用模式会变——夏天变冬天、平时变周末、疫情时封控、疫情后恢复正常。AI模型如果不会自适应，过几个月就有"概念漂移"，预测就不准了。
所以数字孪生平台必须支持"在线学习"——模型在运行过程中不断用新数据微调参数。这个技术上的挑战不小，但方向是明确的。目前比较好的做法是"离线训练+在线推理+定期重训"的混合模式。
法则四：人机协作而非完全替代。这个道理很多人嘴上说同意，实际做的时候还是想"全自动"。文章举了一个暖通优化的例子：AI分析数据后建议"把冷冻水出水温度从7度提高到9度"，但AI不会告诉运维人员为什么这么建议。运维人员看到这个建议，第一反应是"靠谱吗？"。
比较好的做法是：AI输出建议的时候，附带解释——"根据过去5天的负荷数据，7度到10度区间对末端除湿效果无显著影响，但可以降低冷水机组能耗12%。"运维人员看到这个解释，就敢去操作了。随着AI的表现被验证，运维人员的信任逐步建立，AI的建议可以被自动执行。这是一个渐进过程。
我在实际项目里，看过照着这四项法则做得很好的案例。一个大型园区的能源管理平台，数字孪生模型基于上千个传感器的实时数据，AI自动调节园区几十台冷水机组的运行策略，全年节省电费超过15%。同时系统保留了人工干预的接口——运维人员可以随时接管控制权。这个平衡做得很好。
四项法则看着简单，真正做到位不容易。但它们给了我们一个清晰的框架——做AI和数字孪生项目的时候，可以一条一条对照检查：数据够不够实时？AI有没有解决具体问题？模型在不在持续学习？人机协作机制有没有？哪条没做好，补哪条。