Telecom World Models: Unifying Digital Twins, Foundation Models, and Predictive Planning for 6G
作者: Hang Zou, Yuzhi Yang, Lina Bariah, Yu Tian, Yuhuan Lu, Bohao Wang, Anis Bara, Brahim Mefgouda, Hao Liu, Yiwei Tao, Sergy Petrov, Salma Cheour, Nassim Sehad, Sumudu Samarakoon, Chongwen Huang, Samson Lasaulce, Mehdi Bennis, Mérouane Debbah
分类: cs.RO, eess.SP, eess.SY
发布日期: 2026-04-08
💡 一句话要点
提出电信世界模型，融合数字孪生、基础模型与预测规划，赋能6G网络
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 电信世界模型 数字孪生 基础模型 预测规划 6G网络 网络切片 KPI预测
📋 核心要点
- 现有电信网络机器学习方法，如LLM缺乏网络动态的显式表示，数字孪生则缺乏不确定性下的学习和决策能力。
- 电信世界模型（TWM）通过解耦可控系统世界和外部世界，实现对电信系统动态的建模，并考虑不确定性。
- TWM三层架构包含场世界模型、控制/动态世界模型和电信基础模型层，实验证明其在网络切片中优于单世界基线。
📝 摘要（中文）
本文提出了电信世界模型（TWM）的概念，旨在为电信系统动态建模提供一种可学习的、以动作为条件的、具有不确定性感知能力的架构。该架构将问题分解为两个相互作用的世界：一个由运营商可配置设置组成的可控系统世界，以及一个捕获传播、移动性、流量和故障的外部世界。TWM采用三层架构，包括用于空间环境预测的场世界模型、用于以动作为条件的KPI轨迹预测的控制/动态世界模型，以及用于意图转换和编排的电信基础模型层。对比分析表明，TWM能够联合提供电信状态基础、快速的以动作为条件的roll-out、校准的不确定性、多时间尺度动态、基于模型的规划以及LLM集成的保障。通过网络切片的验证，证明了该架构的有效性，表明完整的三层pipeline优于单世界基线，并能准确预测KPI轨迹。
🔬 方法详解
问题定义：现有基于LLM的电信网络方法缺乏对网络动态的显式建模，而数字孪生虽然能高精度模拟网络，但缺乏在不确定性下进行学习和决策的能力。这对于需要考虑演进的网络状态、不确定性以及跨层控制动作级联效应的6G系统至关重要。
核心思路：本文的核心思路是将电信系统建模问题分解为两个相互作用的世界：可控系统世界（运营商可配置的参数）和外部世界（传播、移动性、流量、故障等）。通过分别对这两个世界进行建模，并建立它们之间的联系，可以更全面、准确地预测电信系统的行为。这种分解允许针对不同世界的特性选择合适的建模方法，并降低了整体建模的复杂性。
技术框架：TWM采用三层架构：1) 场世界模型：用于预测空间环境，例如信号传播和干扰；2) 控制/动态世界模型：用于预测在给定控制动作下，关键性能指标（KPI）的轨迹；3) 电信基础模型层：用于将高级意图转换为具体的网络配置，并进行编排。这三层模型协同工作，实现对电信系统的全面建模和预测。
关键创新：TWM的关键创新在于其将数字孪生、基础模型和预测规划融合到一个统一的框架中。它不仅能够像数字孪生一样提供高精度的网络模拟，还能够像基础模型一样进行学习和推理，并能够像预测规划一样在不确定性下进行决策。此外，TWM还引入了对外部世界的建模，从而能够更好地捕捉电信系统的复杂动态。
关键设计：论文中没有详细说明具体的参数设置、损失函数或网络结构。但是，可以推断，场世界模型可能使用卷积神经网络（CNN）或图神经网络（GNN）来处理空间数据，控制/动态世界模型可能使用循环神经网络（RNN）或Transformer来处理时间序列数据，电信基础模型层可能使用Transformer或LLM来进行意图转换和编排。具体的损失函数可能包括均方误差（MSE）或交叉熵损失，用于衡量预测值与真实值之间的差异。
🖼️ 关键图片
📊 实验亮点
实验结果表明，TWM在网络切片场景中优于单世界基线，能够更准确地预测KPI轨迹。这验证了TWM架构的有效性，并表明其能够为电信网络提供更准确的预测和更智能的决策支持。具体性能提升数据未知，但实验结果证明了三层pipeline的优越性。
🎯 应用场景
电信世界模型可应用于6G网络的自动化管理、优化和规划。例如，它可以用于预测网络拥塞，并自动调整网络配置以避免拥塞；它可以用于优化网络资源分配，以提高网络性能；它可以用于规划新的网络部署，以满足未来的需求。此外，TWM还可以用于开发新的电信服务，例如基于位置的服务和虚拟现实服务。
📄 摘要（原文）
The integration of machine learning tools into telecom networks, has led to two prevailing paradigms, namely, language-based systems, such as Large Language Models (LLMs), and physics-based systems, such as Digital Twins (DTs). While LLM-based approaches enable flexible interaction and automation, they lack explicit representations of network dynamics. DTs, in contrast, offer a high-fidelity network simulation, but remain scenario-specific and are not designed for learning or decision-making under uncertainty. This gap becomes critical for 6G systems, where decisions must take into account the evolving network states, uncertainty, and the cascading effects of control actions across multiple layers. In this article, we introduce the {Telecom World Model}~(TWM) concept, an architecture for learned, action-conditioned, uncertainty-aware modeling of telecom system dynamics. We decompose the problem into two interacting worlds, a controllable system world consisting of operator-configurable settings and an external world that captures propagation, mobility, traffic, and failures. We propose a three-layer architecture, comprising a field world model for spatial environment prediction, a control/dynamics world model for action-conditioned Key Performance Indicator (KPI) trajectory prediction, and a telecom foundation model layer for intent translation and orchestration. We showcase a comparative analysis between existing paradigms, which demonstrates that TWM jointly provides telecom state grounding, fast action-conditioned roll-outs, calibrated uncertainty, multi-timescale dynamics, model-based planning, and LLM-integrated guardrails. Furthermore, we present a proof-of-concept on network slicing to validate the proposed architecture, showing that the full three-layer pipeline outperforms single-world baselines and accurately predicts KPI trajectories.