Цифровые двойники и искусственный интеллект: возможности и вызовы от больших языковых моделей до моделей мира
Digital Twin AI: Opportunities and Challenges from Large Language Models to World Models
January 4, 2026
Авторы: 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
Аннотация
Цифровые двойники, являясь точными цифровыми представлениями физических систем, эволюционировали от пассивных инструментов моделирования в интеллектуальные и автономные сущности благодаря интеграции технологий искусственного интеллекта. В данной статье представлена унифицированная четырехэтапная структура, систематически характеризующая интеграцию ИИ на протяжении всего жизненного цикла цифрового двойника, включая моделирование, отражение, вмешательство и автономное управление. Обобщая существующие технологии и практики, мы выделяем унифицированную четырехэтапную структуру, которая систематически описывает, как методы ИИ внедряются в жизненный цикл цифрового двойника: (1) моделирование физического двойника с использованием подходов ИИ на основе физики и с учетом физических законов, (2) отражение физической системы в цифровом двойнике с синхронизацией в реальном времени, (3) вмешательство в физический двойник посредством прогнозного моделирования, обнаружения аномалий и стратегий оптимизации, и (4) достижение автономного управления с помощью больших языковых моделей, фундаментальных моделей и интеллектуальных агентов. Мы анализируем синергию между физическим моделированием и обучением на основе данных, подчеркивая переход от традиционных численных решателей к физически информированным и фундаментальным моделям для физических систем. Кроме того, мы исследуем, как технологии генеративного ИИ, включая большие языковые модели и генеративные мировые модели, преобразуют цифровые двойники в проактивные и самообучающиеся когнитивные системы, способные к рассуждению, коммуникации и генерации творческих сценариев. Посредством междисциплинарного обзора, охватывающего одиннадцать прикладных областей, включая здравоохранение, аэрокосмическую отрасль, умное производство, робототехнику и умные города, мы выявляем общие проблемы, связанные с масштабируемостью, объяснимостью и надежностью, и определяем направления для разработки ответственных систем цифровых двойников на базе ИИ.
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.