Gemello Digitale IA: Opportunità e Sfide dai Modelli Linguistici Estesi ai Modelli del Mondo

Digital Twin AI: Opportunities and Challenges from Large Language Models to World Models

January 4, 2026

Autori: 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

Abstract

I digital twin, in quanto rappresentazioni digitali precise di sistemi fisici, si sono evoluti da strumenti di simulazione passivi a entità intelligenti e autonome attraverso l'integrazione di tecnologie di intelligenza artificiale. Questo articolo presenta un quadro unificato in quattro fasi che caratterizza sistematicamente l'integrazione dell'IA lungo l'intero ciclo di vita del digital twin, abbracciando modellazione, mirroring, intervento e gestione autonoma. Sintetizzando le tecnologie e le pratiche esistenti, distilliamo un quadro unificato in quattro fasi che caratterizza sistematicamente come le metodologie di IA sono incorporate nel ciclo di vita del digital twin: (1) modellazione del gemello fisico attraverso approcci di IA basati sulla fisica e informati dalla fisica, (2) mirroring del sistema fisico in un digital twin con sincronizzazione in tempo reale, (3) intervento sul gemello fisico attraverso modelli predittivi, rilevamento di anomalie e strategie di ottimizzazione, e (4) raggiungimento di una gestione autonoma attraverso modelli linguistici di grandi dimensioni, modelli di fondazione e agenti intelligenti. Analizziamo la sinergia tra la modellazione basata sulla fisica e l'apprendimento guidato dai dati, evidenziando il passaggio dai tradizionali risolutori numerici a modelli informati dalla fisica e modelli di fondazione per i sistemi fisici. Inoltre, esaminiamo come le tecnologie di IA generativa, inclusi i modelli linguistici di grandi dimensioni e i modelli generativi mondiali, trasformino i digital twin in sistemi cognitivi proattivi e auto-miglioranti capaci di ragionamento, comunicazione e generazione di scenari creativi. Attraverso una rassegna trasversale che abbraccia undici domini applicativi, tra cui sanità, aerospaziale, manifatturiero intelligente, robotica e città intelligenti, identifichiamo le comuni sfide relative a scalabilità, spiegabilità e affidabilità, e delinea le direzioni per sistemi di digital twin guidati da IA responsabile.

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.