数字孪生需要的世界模型

今天看到这篇文章，提到了世界模型，仅是数据驱动的数字孪生已经不能满足需要了，需要应用世界模型使数字孪生具备推理、判断、感知世界的能力。

由于人工智能和机器学习的兴起，使用数据驱动建模来表示复杂系统已变得普遍，我们主要将其归因于硬件加速、更好的端到端软件管道和开源架构的进步。考虑到这些进步，工程师和科学家现在可以获取从物理设备收集的大量数据，并在一天内创建一个“某种程度上”可用的数字孪生。我们说“某种程度上”是因为该模型并不完整，只是组织提供的数据的反映。数据驱动建模或“代理”建模仅捕获组织呈现的数据的结构工件。该模型不包含先验知识、推理能力或对世界的感知。开发任何系统的可靠数字孪生都需要“世界模型”。在这种情况下，世界模型提出了一种捕捉系统本质的物理体现，表现为逻辑、知识图谱或物理方程，促进或替代模型以推断出超出学习能力的内容。此外，世界模型还提供了推理、判断和逻辑控制输出的基础。大多数的数据驱动模型无法做到这一点，因为需要大量且广泛的数据。数据必须捕获所有因变量的所有可能的物理状态，从而导致计算和资源损失。他们可能仍然缺乏准确的数字孪生的所有信息和背景。

一个具体的例子是航天器仪表板上的热敏电阻模型。一个简单的数据驱动模型可以训练温度读数。然而，该模型可能会因季节性影响、日地食或航天器轨道调整而崩溃。为了纠正这种影响，组织应该采用世界模型来验证数据驱动的数字孪生。存在许多方法来实例化用于数据驱动的数字孪生的世界模型。其中一种流行的方法是物理信息神经网络（PINN）。PINN 促进模型符合控制物理系统的封闭式微分方程。另一种方法是通过神经符号人工智能（NSAI）捕捉物理直觉。在数据驱动模型中，NSAI 结合了体现丰富且受限的物理信息的逻辑（即一阶逻辑）。具体来说，NSAI 包含先验知识并提高了数据驱动模型的通用性。那么，让我们回到热敏电阻的例子；组织可以采取哪些措施来验证该模型？除了收集足够的数据之外，组织还可以调用逻辑约束或规则来确保温度与姿态和轨道位置。组织将评估整个世界模型中数据驱动模型的输出，以在给定条件下提供最合乎逻辑的输出，减轻前面提到的边缘情况，并提供更可靠和可解释的数字孪生。

可以预见的是，这两种方法的结合对于推进数字孪生是必要的。