這個 lesson 把 Chapter 4 轉成一個很實用的建模練習： 先把你要服務的真實系統畫出來，才能討論 AI 應該看什麼、預測什麼、又忽略什麼。
Digital twin 的真正價值在討論過程
Chapter 4 一開始就把 數位分身 （digital twin） 定義成一個真實系統的模型。這個模型追求的不是複雜度本身；它的目的在於讓團隊聚焦在真正影響結果的輸入與輸出。
書裡最值得保留的判斷是：digital twin 的價值常常不在圖本身，而在團隊一起討論「哪些訊號重要、哪些其實可以先不管」的過程。
風機偏航馬達的例子很適合當 lesson 主軸
Chapter 4 用風機 yaw motor 的例子很有說服力，因為它展示了一個看似複雜的工業系統，最後卻只抓兩個輸入：電流與溫度，然後預測一個輸出：剩餘壽命。
這張圖很適合放在主頁，因為它把 Chapter 4 的核心說得很清楚：先選定關鍵輸入，再對準一個真正有價值的輸出。
這個例子最有啟發性的地方，在於作者刻意提醒：真實世界永遠還有更多可量測的訊號，但並不是每個 use case 都值得把它們納進模型。對這顆馬達來說，簡單模型已經足夠支撐昂貴的維修決策。
Digital twin 是 Chapter 3 後面的下一步
如果說 storyboard 在檢查一個 AI 故事能不能成立，digital twin 則是在檢查這個故事背後的系統模型是否合理。它會逼團隊回答幾個更技術也更務實的問題：
- 現在有哪些資料真的收得到？
- 哪些資料需要外部來源、人工填寫，或跨系統整合？
- 你到底要模型預測什麼？
- 那個預測對使用者有沒有可採取的價值？
智慧手錶的例子展示了模型會一路擴張
Chapter 4 後半用 smartwatch 當例子，展示 digital twin 會隨著資料來源擴張。手錶本身只能給出第一版模型；一旦加入手機 GPS、地形、睡眠資料，模型能預測的事情就變多，風險也一起升高。
這張圖很有用，因為它讓你看到 digital twin 會一輪輪擴張。每多一個資料來源，預測能力、資料治理與倫理風險都會一起改變。
這一段很值得拿來提醒團隊：資料越多，不代表產品一定越好。更多資料可能意味著更強預測，也可能意味著更高整合成本、更模糊的授權邊界，以及更令人不安的推論。
最後要回到 use case 與倫理
Chapter 4 收得很好，它把 digital twin 重新拉回使用情境與倫理問題。你要預測什麼、那個預測會被誰使用、資料是否會跨用途流動，這些都需要在建模當下就談清楚。
這張圖像是整章的總結。它把 Chapter 3 的故事與 Chapter 4 的系統模型接了起來，也提醒你每個預測後面都連著資料來源、推論鏈與倫理判斷。
這個 lesson 在 v1 的用法
如果把 Chapter 4 收斂成一個可操作框架，最值得留下的是這組步驟：
- 在紙中央畫出你服務的真實系統。
- 左邊標註能取得的輸入資料。
- 補上缺失資料與其來源。
- 右邊標註要預測的輸出。
- 檢查這個預測是否對應到真實決策與倫理邊界。