从状态同步到认知自我进化：一种认知数字孪生的操作架构

# 从状态同步到认知自演化：认知数字孪生的操作架构
来源：https://arxiv.org/html/2609.09625
李珍妮，蔡骏††感谢：高浩然、李安、李珍妮与蔡骏隶属于康考迪亚大学电气与计算机工程系，加拿大蒙特利尔H3G 1M8（邮箱：[email protected]；[email protected]；[email protected]；[email protected]）

###### 摘要

随着数字孪生系统从状态同步向面向任务和知识驱动的方向演进，认知数字孪生作为一种将认知能力融入孪生运行的扩展范式应运而生。现有研究多聚焦于特定使能技术，如学习模块、知识图谱和大语言模型，但对如何系统性地将认知能力整合到数字孪生架构中探讨有限。为解决此问题，本文提出一种四层CDT架构，包含物理层、数字孪生层、认知层和任务层。该架构建立了一个跨越四层的自演化闭环操作循环：物理状态同步至数字表征，认知通过知识、记忆和注意力构建任务特定的认知模型，任务级决策在实际约束下生成。操作反馈进一步优化认知经验，并更新数字表征中的关系与标注，使后续的任务解读、发起和推理能随系统运行而演化。基于此框架，本文归纳了两种代表性操作模式：用户请求驱动型认知与自驱动认知。进而探讨了语义通信、知识查询、任务编排及闭环同步等关键使能机制与部署挑战。轻量级仿真研究表明，在有限语义信息下可实现可靠的闭环任务执行，并通过积累的任务经验提升操作效率。该框架为未来CDT系统的设计与开发提供了结构化基础。

###### 索引术语：

认知数字孪生、数字孪生网络、人类数字孪生、面向任务、语义通信

## 一、引言

物理空间与数字空间的融合正从根本上重塑未来智能系统的架构。在此背景下，数字孪生技术作为一种有前景的范式，通过建立物理实体的持久化数字对应体脱颖而出。通过维护物理对象的持续同步虚拟表示，DT为跨智能制造、医疗保健、智能交通及信息物理系统等多个应用领域连接物理流程与数字智能提供了统一基础。

早期研究侧重于物理实体的表征，后续研究则探索了DT在支持运行目标中的作用。由此，任务感知框架逐渐兴起，其中同步信息被融入优化与学习过程以促进任务执行。这一发展将数字孪生的功能从状态表征扩展到运行支持。例如，故障诊断可能依赖设备状态、历史故障模式和风险相关知识；而资源适配则更依赖网络负载、链路质量和延迟要求。不同任务因此需要不同的状态信息、上下文知识和运行目标。尽管现有框架大多支持运行决策，但它们仍以优化为导向。其决策通常源于预定义的目标、奖励和约束，隐含地假设系统状态和运行目标的重要性已被理解。然而在现实环境中，预定义目标往往不足以全面刻画任务需求。判断哪些信息相关、应优先处理哪些目标以及如何平衡相互竞争的因素，常常依赖于理解而非单纯的优化。这一差距促使研究者将支持解读、推理和适应的认知能力融入DT系统。

一般来说，认知指系统解读上下文信息、利用先验知识、在不确定性下推理以及基于积累经验调整行为的能力。此类认知机制已逐渐出现在智能和以人为中心的系统中，包括面向人类数字孪生的应用，其中引入知识集成、推理模块或学习机制以支持上下文解读和自适应决策。与主要优化预定义目标的任务感知型DT相比，这些系统更强调上下文理解和自适应推理。基于此趋势，近期研究进一步引入了认知数字孪生的概念，通过基于学习的自适应、知识驱动推理或大模型辅助决策支持将认知融入其中。这些研究将DT从状态同步和被动预测扩展到更智能的决策能力。然而，认知常被作为额外的决策支持功能引入，而非DT运行的组成部分。因此，物理状态同步、认知推理、任务执行和系统演化之间的关系尚未得到充分表征，使得认知在CDT系统操作工作流中的作用尚不明确。

一旦认知被视为核心操作能力而非独立的决策支持工具，若干问题随之产生：认知应如何与状态同步和任务执行交互？任务结果如何重塑未来的认知理解？通信、编排和同步应如何支持DT闭环？现有研究提供的答案有限，难以系统表征CDT运行及其独特的设计需求。

这些问题无法简单地通过将认知模块附加到现有DT架构来解决。在传统DT中，闭环运行通常指双向物理-数字交互，即更新的数字状态支持预定义的控制、同步或资源适配。这种交互将物理观察与系统响应联系起来，但未必允许任务结果重塑信息组织和认知推理。相反，CDT闭环将反馈扩展到认知本身本身。任务结果不仅优化认知经验和后续推理，还影响任务相关状态、上下文条件和结果如何在数字表征中关联和标注。这些反馈衍生的表征随后可用于支持后续的认知解读和自主任务发起，使认知理解能够随积累经验而演化。CDT运行因此形成状态同步、认知解读、任务执行和结果驱动演化的持续过程。因此，需要一个统一的操作架构来描述这些过程如何连接以及认知如何随时间参与系统运行。

在CDT中，物理状态生成、数字状态表征、认知解读和面向任务的决策对应于CDT生命周期中的四个不同操作功能。明确分离这些功能有助于厘清它们在认知反馈过程中的职责与交互。因此，采用四层架构在统一的操作框架中组织这些功能。在此架构下，考虑两种代表性操作模式：来自物理层的显式任务触发，以及认知层在检测到异常孪生状态时自主生成任务。通过这种面向任务的认知反馈架构，CDT被表述为一个闭环操作系统，在运行期间支持持续适应和自演化。本文主要贡献总结如下：

- •本工作通过区分CDT与一般认知增强型DT，提供了CDT的操作定义，其中物理同步、认知解读、任务执行和反馈驱动演化被集成到一个统一的闭环架构中。
- •本工作识别了认知进入CDT运行的两种基本路径：用户请求驱动型认知和自驱动认知，揭示了显式任务请求和不断演化的同步状态如何分别启动面向任务的推理。
- •进一步研究了端-边-云环境下CDT架构的部署特征与挑战。通过代表性案例研究验证了所提CDT框架的可行性和搜索效率优势。

本文其余部分组织如下。第二节回顾相关工作。第三节介绍系统模型及其主要组件、相关设计挑战以及使能所提框架的关键技术。第四节报告仿真结果。最后，第五节总结本研究。

**表一：代表性数字孪生范式对比**

## 二、相关工作

关于物理系统数字表示的现有研究大致可分为三个方向：传统数字孪生、人类数字孪生和认知数字孪生。本节回顾这些代表性范式，并阐明现有DT表述与本文所考虑的操作性CDT架构之间的差距。

### 二-A 传统数字孪生

DT最初被引入作为物理对象的高保真虚拟表示，通过持续数据同步维持，以支持监测、诊断和预测。在工业系统中，DT已被广泛用于建模机器、生产线和基础设施，实现预测性维护和基于仿真的系统动态分析。在无线网络中，DT概念进一步演变为数字孪生网络，其中构建基站、卫星、边缘设备和通信链路等网络实体的虚拟表示，以支持网络监测、资源管理和性能预测。

尽管取得了这些进展，现有DT框架仍主要关注物理状态表示、同步和演化分析。尽管此类数字表示为系统分析提供了重要基础，但对面向任务运行、约束感知决策和知识驱动闭环适配的支持有限。因此，DT提供了复杂系统所需的实体级数字表示，但其本身并不构成一个操作性认知框架。

### 二-B 人类数字孪生

以人为中心的应用进一步表明，数字孪生系统通常不仅需要支持状态表示，还需要在领域知识辅助下进行面向任务的解读。在医疗和健康场景中，孪生需要识别异常生理模式，将其与临床知识关联，并支持诊断或干预决策。从这个意义上说，HDT可被视为以状态为中心的DT和CDT之间的中间形式，因为它们将DT从物理状态同步扩展到以领域知识支持的以人为中心的任务分析。HDT集成多模态生理信号、临床记录、行为信息和上下文因素，构建个体的虚拟表示，用于风险评估、疾病进展预测和个性化治疗。与面向基础设施的DT相比，HDT更紧密地与以人为中心的任务相关，其中仅数值预测往往不足。例如，预测的生理变化通常需要结合医疗规则、患者病史和上下文条件进行解读，才能生成有意义的干预措施。因此，许多HDT框架整合了医学知识库、本体或专家规则，以提高孪生状态的可解释性，并使分析结果与临床实践一致。

然而，在大多数HDT框架中，领域知识仍作为外部支持模块引入，而非孪生内的内生认知层。尽管此类系统超越了纯粹的状态复制，并揭示了任务感知解读和认知功能的需求，但仍缺乏一个闭环认知架构，使知识、记忆、任务生成和反馈驱动演化能持续集成到孪生操作过程中。

### 二-C 认知数字孪生

术语CDT在不同研究中用于描述增强了认知能力的DT系统。然而，在许多现有文献中，“认知”的含义仍然模糊。在一些研究中，认知主要指由强化学习或深度学习模块实现的自适应控制或在线策略优化。在其他研究中，它指由专家系统、基于规则的推理或知识图谱支持的知识驱动解读。最近，大语言模型和基础模型也被纳入DT系统，以支持自然语言交互、报告生成和决策辅助。尽管这些研究将不同形式的智能引入DT系统，但认知常通过所采用的技术而非统一的操作机制来表征。

现有CDT表述的一个共同局限是，认知常被视为辅助功能而非孪生操作过程的内生部分。因此，认知、物理-数字同步、任务执行和操作反馈之间的交互仍定义松散，CDT运行很少被建模为持续演化的闭环过程。