Jumeau Numérique IA : Opportunités et Défis des Grands Modèles de Langage aux Modèles du Monde
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
Les jumeaux numériques, en tant que représentations précises de systèmes physiques, ont évolué d'outils de simulation passifs vers des entités intelligentes et autonomes grâce à l'intégration des technologies d'intelligence artificielle. Cet article présente un cadre unifié à quatre étapes qui caractérise systématiquement l'intégration de l'IA tout au long du cycle de vie du jumeau numérique, couvrant la modélisation, la mise en miroir, l'intervention et la gestion autonome. En synthétisant les technologies et pratiques existantes, nous dégageons un cadre unifié à quatre étapes qui caractérise systématiquement l'intégration des méthodologies d'IA dans le cycle de vie du jumeau numérique : (1) modélisation du jumeau physique via des approches d'IA basées sur la physique et informées par la physique, (2) mise en miroir du système physique dans un jumeau numérique avec synchronisation en temps réel, (3) intervention sur le jumeau physique par la modélisation prédictive, la détection d'anomalies et les stratégies d'optimisation, et (4) réalisation d'une gestion autonome grâce aux grands modèles de langage, modèles fondateurs et agents intelligents. Nous analysons la synergie entre la modélisation physique et l'apprentissage par données, soulignant le passage des solveurs numériques traditionnels aux modèles informés par la physique et aux modèles fondateurs pour les systèmes physiques. De plus, nous examinons comment les technologies d'IA générative, incluant les grands modèles de langage et les modèles génératifs de mondes, transforment les jumeaux numériques en systèmes cognitifs proactifs et auto-améliorés capables de raisonnement, de communication et de génération de scénarios créatifs. À travers une revue transversale couvrant onze domaines d'application, incluant la santé, l'aérospatial, la fabrication intelligente, la robotique et les villes intelligentes, nous identifions les défis communs liés à l'évolutivité, l'explicabilité et la fiabilité, et esquissons des orientations pour des systèmes de jumeaux numériques pilotés par une IA responsable.
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.