Digitale Twin AI: Kansen en Uitdagingen van Grote Taalmodellen tot Wereldmodellen
Digital Twin AI: Opportunities and Challenges from Large Language Models to World Models
January 4, 2026
Auteurs: 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
Samenvatting
Digitale twins, als nauwkeurige digitale representaties van fysieke systemen, zijn geëvolueerd van passieve simulatie-instrumenten naar intelligente en autonome entiteiten door de integratie van kunstmatige intelligentie-technologieën. Dit artikel presenteert een uniform vierfasenraamwerk dat de KI-integratie over de levenscyclus van digitale twins systematisch karakteriseert, van modellering en spiegeling tot interventie en autonoom beheer. Door bestaande technologieën en praktijken samen te vatten, destilleren we een uniform vierfasenraamwerk dat systematisch beschrijft hoe KI-methodologieën worden ingebed in de levenscyclus van digitale twins: (1) modellering van de fysieke twin via fysica-gebaseerde en fysica-geïnformeerde KI-benaderingen, (2) spiegeling van het fysieke systeem naar een digitale twin met realtime synchronisatie, (3) interventie in de fysieke twin via voorspellende modellering, anomaliedetectie en optimalisatiestrategieën, en (4) realisatie van autonoom beheer via grote taalmodelen, foundation-modellen en intelligente agents. We analyseren de synergie tussen fysica-gebaseerd modelleren en data-gedreven leren, waarbij we de verschuiving benadrukken van traditionele numerieke oplossers naar fysica-geïnformeerde en foundation-modellen voor fysieke systemen. Verder onderzoeken we hoe generatieve KI-technologieën, inclusief grote taalmodelen en generatieve wereldmodellen, digitale twins transformeren in proactieve en zelfverbeterende cognitieve systemen die in staat zijn tot redeneren, communicatie en het genereren van creatieve scenario's. Door een domeinoverstijgende review van elf toepassingsdomeinen, waaronder gezondheidszorg, lucht- en ruimtevaart, slimme productie, robotica en slimme steden, identificeren we gemeenschappelijke uitdagingen met betrekking tot schaalbaarheid, verklaarbaarheid en betrouwbaarheid, en schetsen we richtingen voor verantwoorde KI-gedreven digitale twinsystemen.
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.