พลิกมุมมอง Digital Twin: ไม่ใช่เรื่องภาพ แต่คือเรื่องข้อมูล

Chakrapan Pawangkarat
Sep 21
2 min read

จักรพันธ์ ภวังคะรัตน์

Head of Property Management, JLL Thailand

เลขาธิการ สมาคมบริหารทรัพย์สินแห่งประเทศไทย

21 September 2025

บทนำ

เวลาที่ใครสักคนพูดคำว่า Digital Twin ภาพที่ลอยขึ้นมาในหัวของหลายคนอาจเป็นโมเดลสามมิติของอาคาร เมือง หรือโรงงานที่เหมือนจริงแทบทุกมิติ สามารถหมุนดูได้ 360 องศา และใช้สำหรับการนำเสนอหรือสื่อสารกับผู้มีส่วนได้ส่วนเสีย แต่ในความเป็นจริงแล้ว คุณค่าที่แท้จริงของ Digital Twin ไม่ได้อยู่ที่ความสมจริงทางภาพ แต่คือความลึกและความแม่นยำของข้อมูล

นี่คือที่มาของแนวคิด Non-Visual Digital Twin หรือ “ดิจิทัลทวินแบบไม่ใช้ภาพ” ที่ไม่ต้องมีโมเดลกราฟิกสวยงาม แต่ทำงานได้อย่างเต็มประสิทธิภาพด้วยการเป็น แบบจำลองเชิงข้อมูล (Data-Centric Model) ใช้ข้อมูลเรียลไทม์และข้อมูลประวัติศาสตร์เพื่อการจำลองสถานการณ์ วิเคราะห์ และคาดการณ์ผลลัพธ์ล่วงหน้า

บทความนี้จะพาผู้อ่านไปทำความเข้าใจ Non-Visual Digital Twin อย่างรอบด้าน ตั้งแต่โครงสร้างหลัก ตัวอย่างการใช้งานจริง ไปจนถึงคุณค่าทางธุรกิจและมาตรฐานสากลที่เกี่ยวข้อง พร้อมทั้งมองไปสู่อนาคตว่าทำไมองค์กรด้านอสังหาริมทรัพย์และเมืองอัจฉริยะควรเริ่มต้นจาก “ทวินสายข้อมูล” ก่อนที่จะลงทุนในโมเดล 3D ที่ซับซ้อน

1. Digital Twin ไม่จำเป็นต้องมีภาพ

จาก Visual Fidelity สู่ Data Fidelity

ในอดีต ความสำเร็จของ Digital Twin มักถูกวัดจาก ความสมจริงของภาพ (visual fidelity) ว่าตัวโมเดลดูคล้ายสินทรัพย์จริงแค่ไหน แต่วันนี้เรากำลังขยับไปสู่ยุคที่สิ่งสำคัญกว่าคือ ความถูกต้องและครบถ้วนของข้อมูล (data fidelity)

ตัวอย่างเช่น หากเรามีโมเดล 3D ของอาคารที่ละเอียดสวยงาม แต่ไม่สามารถบอกได้ว่าระบบเครื่องปรับอากาศกำลังใช้พลังงานเกินมาตรฐานหรือไม่ โมเดลนั้นก็แทบไม่มีคุณค่าต่อการบริหารอาคาร ในทางกลับกัน หากเรามีข้อมูลการใช้พลังงานเรียลไทม์จากทุกโซน แม้ไม่มีภาพ ก็ยังสามารถช่วยผู้จัดการอาคารตัดสินใจได้ว่าควรปรับโหลดหรือสั่งซ่อมบำรุงตรงไหน

นี่คือเหตุผลว่าทำไม Non-Visual Digital Twin กำลังเป็นที่จับตามอง

2. องค์ประกอบหลักของ Non-Visual Digital Twin

ดิจิทัลทวินสายข้อมูลมีองค์ประกอบสำคัญ 4 ส่วน ได้แก่

Physical Asset (สินทรัพย์จริง)
- อาคาร โรงงาน สะพาน หรือเครือข่ายสาธารณูปโภคที่ถูกติดตาม
- เป็น “แหล่งความจริง” ของข้อมูลทั้งหมด
Virtual Data Model (แบบจำลองข้อมูล)
- โครงสร้างข้อมูลที่รวม ข้อมูลคงที่ เช่น serial number, maintenance logs
- และ ข้อมูลพลวัต เช่น ค่า sensor, สถานะการทำงาน, consumption logs
- จัดเก็บตามมาตรฐาน เช่น Project Haystack, Brick Schema, ISO/IEC 30182
Data Connection (การเชื่อมโยงข้อมูล)
- ใช้ IoT sensors, API, edge computing และ cloud
- ทำให้ข้อมูลจากโลกจริงไหลเข้าสู่โลกดิจิทัลแบบ real-time
Analytical Engine (เครื่องวิเคราะห์)
- ขับเคลื่อนด้วย AI/ML เพื่อจำลองสถานการณ์ ทำนายผล และเสนอแนวทางปรับปรุง
- เป็นหัวใจที่เปลี่ยนข้อมูลดิบให้กลายเป็น insight

3. ตัวอย่างการใช้งานจริง

3.1 Predictive Maintenance

ในอาคารสำนักงาน Non-Visual Digital Twin สามารถเฝ้าระวังระบบ HVAC ได้อย่างแม่นยำ

ข้อมูล: vibration, temperature, pressure, energy use
การทำงาน: วิเคราะห์ความเบี่ยงเบนจาก baseline
ผลลัพธ์: แจ้งเตือนการเสื่อมสภาพล่วงหน้า สั่งงานผ่าน CMMS โดยไม่ต้องใช้ภาพ 3D

3.2 Energy Management at City Scale

ใน smart city การจัดการพลังงานต้องการข้อมูลมากกว่าภาพ

ข้อมูล: โหลดไฟฟ้า, สภาพอากาศ, demand จากอาคาร
การทำงาน: จำลอง peak demand และหาจุด overload
ผลลัพธ์: ผู้ปฏิบัติการสามารถ reroute พลังงาน ลดความเสี่ยง blackout

3.3 Infrastructure Monitoring

สะพานและระบบน้ำประปาสามารถใช้ Non-Visual Twin เพื่อตรวจสุขภาพโครงสร้าง

ข้อมูล: stress, vibration, flow, pressure
ผลลัพธ์: ช่วย prioritize ซ่อมแซมก่อนเกิดปัญหาใหญ่

3.4 Hospital Automation

โรงพยาบาลสามารถเพิ่มประสิทธิภาพการใช้ทรัพยากร

ข้อมูล: occupancy, staff workflow, patient flow
ผลลัพธ์: ลดความแออัดใน ER, ลดพลังงาน, ปรับตารางทำงานบุคลากร

4. ข้อดีเชิงกลยุทธ์

ประหยัดเวลาและต้นทุน
- ไม่ต้องลงทุนทำโมเดล 3D ที่ใช้ทรัพยากรสูง
เน้นการใช้งานจริง
- ให้ insight ที่นำไปปฏิบัติได้ทันที
ง่ายต่อการเชื่อมต่อ (interoperability)
- ใช้มาตรฐานเปิด ลดการผูกขาดกับ vendor
เข้าถึงได้ง่าย
- ใช้งานผ่าน dashboard, report, mobile app
ขยายผลได้เร็ว
- จาก single building → portfolio → smart city

5. มาตรฐานที่เกี่ยวข้อง

Gemini Principles (UK CDBB): เน้น openness, trust, value
ISO/IEC 30182: กรอบ conceptual model สำหรับ smart city
ASHRAE 223P: semantic tagging และ data exchange
Project Haystack / Brick Schema: ontology สำหรับ IoT และ BAS

มาตรฐานเหล่านี้ทำให้ Non-Visual Twin ไม่ใช่เพียงโครงการทดลอง แต่เป็น Common Data Environment (CDE) ที่ใช้จริงได้ในระยะยาว

6. มูลค่าทางธุรกิจ (Business Value)

ลด OPEX: predictive maintenance ช่วยลด downtime 30–40%
คืนทุนเร็ว: ลงทุนต่ำกว่า BIM-to-Twin คืนทุนใน 1–2 ปี
เสริมคะแนน Green Building: สนับสนุน LEED, TREES, WELL
เพิ่ม Resilience: ลดความเสี่ยงจาก failure และช่วยวางแผน BCP

7. มองไปข้างหน้า

ในอนาคต องค์กรจำนวนมากจะเลือกเริ่มจาก Non-Visual Twin เพราะพัฒนาเร็ว ลงทุนต่ำ และได้ผลลัพธ์เชิงข้อมูลที่นำไปใช้จริงได้ทันที ก่อนจะขยายไปสู่ Hybrid Twin ที่ผสมทั้ง data-centric + visual model สำหรับการสื่อสารกับ stakeholder

Key Message: คุณค่าของ Digital Twin ไม่ได้อยู่ที่ “ภาพเหมือนจริง” แต่คือ “ข้อมูลจริงที่ขับเคลื่อนการตัดสินใจ”

สรุป

Non-Visual Digital Twin คือการ “พลิกมุมมอง” ที่ทำให้องค์กรไม่ต้องติดกับดักว่าดิจิทัลทวินต้องสวยงามเหมือนจริง แต่หันมาให้ความสำคัญกับ ข้อมูลที่สร้างการตัดสินใจและการปรับปรุงจริง