Gêmeo Digital IA: Oportunidades e Desafios dos Grandes Modelos de Linguagem aos Modelos do Mundo
Digital Twin AI: Opportunities and Challenges from Large Language Models to World Models
January 4, 2026
Autores: 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
Resumo
Os gémeos digitais, enquanto representações digitais precisas de sistemas físicos, evoluíram de ferramentas de simulação passiva para entidades inteligentes e autónomas através da integração de tecnologias de inteligência artificial. Este artigo apresenta um quadro unificado de quatro fases que caracteriza sistematicamente a integração da IA ao longo do ciclo de vida do gémeo digital, abrangendo modelação, espelhamento, intervenção e gestão autónoma. Ao sintetizar tecnologias e práticas existentes, destilamos um quadro unificado de quatro fases que caracteriza sistematicamente como as metodologias de IA são incorporadas no ciclo de vida do gémeo digital: (1) modelação do gémeo físico através de abordagens de IA baseadas em física e informadas pela física, (2) espelhamento do sistema físico num gémeo digital com sincronização em tempo real, (3) intervenção no gémeo físico através de modelação preditiva, deteção de anomalias e estratégias de otimização, e (4) obtenção de gestão autónoma através de modelos de linguagem de grande escala, modelos de base e agentes inteligentes. Analisamos a sinergia entre a modelação baseada na física e a aprendizagem orientada por dados, destacando a transição dos solucionadores numéricos tradicionais para modelos informados pela física e modelos de base para sistemas físicos. Adicionalmente, examinamos como as tecnologias de IA generativa, incluindo modelos de linguagem de grande escala e modelos generativos de mundo, transformam os gémeos digitais em sistemas cognitivos proativos e auto melhorados, capazes de raciocínio, comunicação e geração criativa de cenários. Através de uma revisão transversal abrangendo onze domínios de aplicação, incluindo saúde, aerospacial, manufatura inteligente, robótica e cidades inteligentes, identificamos desafios comuns relacionados com escalabilidade, explicabilidade e confiabilidade, e delineamos direções para sistemas de gémeos digitais orientados por IA responsável.
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.