From Digital Twins to World Models:Opportunities, Challenges, and Applications for Mobile Edge General Intelligence
作者: Jie Zheng, Dusit Niyato, Changyuan Zhao, Jiawen Kang, Jiacheng Wang
分类: cs.AI
发布日期: 2026-03-18
💡 一句话要点
探索数字孪生向世界模型的演进，赋能移动边缘通用智能
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 数字孪生 世界模型 边缘智能 边缘计算 无线通信 通用人工智能 代理AI
📋 核心要点
- 传统数字孪生在动态边缘环境中面临自主性、适应性和可扩展性挑战。
- 论文核心在于研究从数字孪生到世界模型的转变，以实现更智能的边缘计算。
- 通过集成世界模型和数字孪生，探索在无线通信等领域的潜在应用。
📝 摘要（中文）
本文系统性地调研了从数字孪生向世界模型转变的过程，并探讨了其在赋能边缘通用智能（EGI）中的作用。传统的数字孪生提供物理系统的高保真表示，支持监控、分析和离线优化。然而，在高度动态的边缘环境中，它们在自主性、适应性和可扩展性方面面临局限性。本文阐明了数字孪生和世界模型之间的概念差异，强调了从基于物理、集中式和以系统为中心的副本到数据驱动、分散式和以代理为中心的内部模型的转变。回顾了世界模型的设计原则、架构和关键组件，包括感知、潜在状态表示、动态学习、基于想象的规划和记忆。此外，还研究了世界模型和数字孪生在无线EGI系统中的集成，并调研了集成感知与通信、语义通信、空地网络和低空无线网络等新兴应用。最后，为在无线和边缘计算环境中设计世界模型驱动的边缘智能系统提供了一个系统的路线图和实践见解，并概述了可扩展、可靠和可互操作的边缘原生代理AI世界模型的关键研究挑战和未来方向。
🔬 方法详解
问题定义：传统数字孪生依赖于物理模型，难以适应动态变化的边缘环境，在自主决策、资源优化和可扩展性方面存在瓶颈。现有方法难以实现边缘设备的通用智能，无法有效支持新兴的无线通信应用，例如集成感知与通信、语义通信等。
核心思路：论文的核心思路是将数字孪生向世界模型演进，利用数据驱动的方法构建环境的内部模型，从而使边缘设备能够自主学习、推理和规划。世界模型能够学习环境的动态特性，并基于想象进行预测，从而提高决策的智能性和适应性。
技术框架：整体框架包括感知模块（负责从环境中获取信息）、潜在状态表示模块（负责将感知信息编码为紧凑的潜在状态）、动态学习模块（负责学习环境的动态模型）、想象模块（负责基于潜在状态和动态模型进行预测和规划）以及记忆模块（负责存储和检索经验）。该框架通过数据驱动的方式学习环境的动态特性，并利用想象进行预测和规划，从而实现智能决策。
关键创新：最重要的创新在于将世界模型的概念引入到边缘计算领域，并探索其与数字孪生的集成。与传统的数字孪生相比，世界模型具有更强的自主性、适应性和可扩展性。此外，论文还提出了基于想象的规划方法，使边缘设备能够基于预测进行决策，从而提高智能性。
关键设计：论文讨论了世界模型中各个模块的关键设计，例如，感知模块可以使用深度学习模型进行特征提取，潜在状态表示模块可以使用变分自编码器（VAE）进行编码，动态学习模块可以使用循环神经网络（RNN）进行建模，想象模块可以使用蒙特卡洛树搜索（MCTS）进行规划。此外，论文还讨论了损失函数的设计，例如可以使用预测误差作为损失函数来训练动态学习模块。
🖼️ 关键图片
📊 实验亮点
本文是一篇综述性文章，主要贡献在于对数字孪生向世界模型演进的系统性分析和对未来研究方向的展望，没有具体的实验结果。但文中对世界模型在边缘计算中的应用前景进行了深入探讨，并指出了未来研究的关键挑战，例如可扩展性、可靠性和互操作性等。
🎯 应用场景
该研究成果可应用于多种边缘计算场景，例如智能交通、智能制造、智慧城市等。通过构建环境的世界模型，边缘设备能够自主感知、推理和决策，从而提高系统的效率和可靠性。此外，该研究还有助于推动新兴无线通信应用的发展，例如集成感知与通信、语义通信等，为用户提供更智能、更高效的服务。
📄 摘要（原文）
The rapid evolution toward 6G and beyond communication systems is accelerating the convergence of digital twins and world models at the network edge. Traditional digital twins provide high-fidelity representations of physical systems and support monitoring, analysis, and offline optimization. However, in highly dynamic edge environments, they face limitations in autonomy, adaptability, and scalability. This paper presents a systematic survey of the transition from digital twins to world models and discusses its role in enabling edge general intelligence (EGI). First, the paper clarifies the conceptual differences between digital twins and world models and highlights the shift from physics-based, centralized, and system-centric replicas to data-driven, decentralized, and agent-centric internal models. This discussion helps readers gain a clear understanding of how this transition enables more adaptive, autonomous, and resource-efficient intelligence at the network edge. The paper reviews the design principles, architectures, and key components of world models, including perception, latent state representation, dynamics learning, imagination-based planning, and memory. In addition, it examines the integration of world models and digital twins in wireless EGI systems and surveys emerging applications in integrated sensing and communications, semantic communication, air-ground networks, and low-altitude wireless networks. Finally, this survey provides a systematic roadmap and practical insights for designing world-model-driven edge intelligence systems in wireless and edge computing environments. It also outlines key research challenges and future directions toward scalable, reliable, and interoperable world models for edge-native agentic AI.