Digitale Zwillinge und KI: Chancen und Herausforderungen von großen Sprachmodellen zu Weltmodellen
Digital Twin AI: Opportunities and Challenges from Large Language Models to World Models
January 4, 2026
papers.authors: Rong Zhou, Dongping Chen, Zihan Jia, Yao Su, Yixin Liu, Yiwen Lu, Dongwei Shi, Yue Huang, Tianyang Xu, Yi Pan, Xinliang Li, Yohannes Abate, Qingyu Chen, Zhengzhong Tu, Yu Yang, Yu Zhang, Qingsong Wen, Gengchen Mai, Sunyang Fu, Jiachen Li, Xuyu Wang, Ziran Wang, Jing Huang, Tianming Liu, Yong Chen, Lichao Sun, Lifang He
cs.AI
papers.abstract
Digitale Zwillinge als präzise digitale Abbilder physischer Systeme haben sich durch die Integration von KI-Technologien von passiven Simulationstools zu intelligenten und autonomen Einheiten weiterentwickelt. Dieses Papier stellt einen einheitlichen Vier-Stufen-Rahmen vor, der die KI-Integration über den gesamten Lebenszyklus digitaler Zwillinge systematisch charakterisiert, von der Modellierung über die Spiegelung und Intervention bis hin zum autonomen Management. Durch die Synthese bestehender Technologien und Praktiken destillieren wir einen einheitlichen Vier-Stufen-Rahmen, der systematisch beschreibt, wie KI-Methoden in den Lebenszyklus digitaler Zwillinge eingebettet werden: (1) Modellierung des physischen Zwillings durch physikbasierte und physikinformierte KI-Ansätze, (2) Spiegelung des physischen Systems in einen digitalen Zwilling mit Echtzeit-Synchronisation, (3) Intervention im physischen Zwilling durch prädiktive Modellierung, Anomalieerkennung und Optimierungsstrategien sowie (4) Erreichung eines autonomen Managements durch große Sprachmodelle, Foundation-Modelle und intelligente Agenten. Wir analysieren die Synergie zwischen physikbasierter Modellierung und datengesteuertem Lernen und betonen den Wandel von traditionellen numerischen Lösern hin zu physikinformierten und Foundation-Modellen für physikalische Systeme. Darüber hinaus untersuchen wir, wie generative KI-Technologien, einschließlich großer Sprachmodelle und generativer Weltmodelle, digitale Zwillinge in proaktive, sich selbst verbessernde kognitive Systeme verwandeln, die zu logischem Schlussfolgern, Kommunikation und kreativer Szenariengenerierung fähig sind. Anhand einer domänenübergreifenden Übersicht über elf Anwendungsbereiche – darunter Gesundheitswesen, Luft- und Raumfahrt, intelligente Fertigung, Robotik und Smart Cities – identifizieren wir gemeinsame Herausforderungen in Bezug auf Skalierbarkeit, Erklärbarkeit und Vertrauenswürdigkeit und skizzieren Richtungen für verantwortungsvolle KI-gesteuerte Digitale-Zwilling-Systeme.
English
Digital twins, as precise digital representations of physical systems, have evolved from passive simulation tools into intelligent and autonomous entities through the integration of artificial intelligence technologies. This paper presents a unified four-stage framework that systematically characterizes AI integration across the digital twin lifecycle, spanning modeling, mirroring, intervention, and autonomous management. By synthesizing existing technologies and practices, we distill a unified four-stage framework that systematically characterizes how AI methodologies are embedded across the digital twin lifecycle: (1) modeling the physical twin through physics-based and physics-informed AI approaches, (2) mirroring the physical system into a digital twin with real-time synchronization, (3) intervening in the physical twin through predictive modeling, anomaly detection, and optimization strategies, and (4) achieving autonomous management through large language models, foundation models, and intelligent agents. We analyze the synergy between physics-based modeling and data-driven learning, highlighting the shift from traditional numerical solvers to physics-informed and foundation models for physical systems. Furthermore, we examine how generative AI technologies, including large language models and generative world models, transform digital twins into proactive and self-improving cognitive systems capable of reasoning, communication, and creative scenario generation. Through a cross-domain review spanning eleven application domains, including healthcare, aerospace, smart manufacturing, robotics, and smart cities, we identify common challenges related to scalability, explainability, and trustworthiness, and outline directions for responsible AI-driven digital twin systems.