数字孪生最关键的点在于制作每台运行中的工业机械的“孪生模型”，然后分别根据模拟和数据进行预测。即便是同一种类的发动机也需要一台一台地分别制作。这种方式不仅费时而且对系统带来的负荷非常高，但为什么GE仍坚持一台一台地开发呢？

GE数字的CTO（首席技术官）哈雷尔·科迪什（Harel Kodesh）解释说：“GE正在模仿亚马逊和谷歌向消费者提供服务的手法。”

“亚马逊和谷歌通过机器学习，分析消费者浏览内容和购买商品的行为数据，然后预测每一个消费者的偏好，制作‘心理模型（psychological model）’。然后使用该模型选出针对每个消费者最适宜的广告、内容和商品等，进而向消费者推荐。制作这种‘心理模型’的工业机械版，就是GE数字孪生要达到的目标。”

在亚马逊和谷歌的这种方法出现以前，预测消费者偏好所采用的方法是精确度不高的“人口统计学（demographic）模型”。企业只能收集到与消费者相关的“住址”“年龄”“性别”等有限信息，然后根据这些属性的“统计平均值”推断消费者的行为偏好。比如，以“住在东京的40岁的男性”为对象，那么“平均年收×万日元”“通勤时间×分钟”等数据可以从统计数据上获得。以这种平均值为基础锁定消费者，然后集中发送推销邮件。这种方法是传统的营销方式。

亚马逊和谷歌使用的基于心理模型的消费者偏好预测，与人口统计学模型相反，没有必要收集消费者的住址、年龄和性别等属性信息。这是因为通过消费者购买行为和内容浏览记录等数据，就可以预测每个消费者的偏好，这种预测精度远高于前者。(www.daowen.com)

GE过去也使用过类似人口统计学的预测方法。比如，在喷气式飞机发动机上，从过去的运行数据上调查飞行时间和故障率的关系。“这架飞机发动机已经运行了×小时，所以故障率应该很高”，据此判断后对这架飞机进行维修。

若使用数字孪生方法，则可以根据过去的运行数据预测每一台飞机发动机的故障情况。借助安装在喷气式发动机上监控发动机风扇叶片物理状态的传感器、监控发动机运行状态的传感器以及温度传感器、粉尘传感器等收集的数据，可以精确监测每一台发动机的运行状态，也可以将发动机的老化信息反馈到数字孪生上。

“在空气中粉尘多的中国飞行的发动机，与在粉尘少的美国飞行的发动机相比，即便是同样的飞行时间，故障风险完全不一样。通过制作每一天发动机的孪生数据，可以提高预测的精度”，GRC的帕里斯如是说。