从被动镜像到主动智能体：网络上的全息数字孪生用于物理 AI

arXiv 于 2026 年 8 月 6 日发表论文，提出 HDT-Nets 框架，通过全息数字孪生网络实现物理 AI 的实时推理。该框架使智能体主动推理环境而非被动镜像物理资产，利用因果马尔可夫毯和主动推理协调感知、行动与学习，以应对现有 AI 在物理系统中因世界模型不可靠而失效的问题。

现有 AI 和无线网络架构分别受限于物理世界建模和实时协调能力，而 HDT-Nets 提出将网络基础设施与数字孪生结合，使智能体能主动推理并共享时空上下文，为物理 AI 在机器人、车辆等场景下的实时协调提供了新框架。

每个 HDT 采用层次结构，局部自主推理并与相邻 HDT 协作。因果马尔可夫毯界定感知、通信与控制的协调范围，支持多域干预的反事实推理。主动推理通过最小化期望自由能统一感知、行动和学习，并依据认知价值决定传输哪些信念，类别论确保组合一致性。

可能影响机器人、自动驾驶等物理 AI 产品的实时决策架构，促使产品从单体模型转向分布式智能体协作，并引入因果推理和反事实能力，增加研发复杂度但可能提升环境适应性和长时程规划能力。

• 开发基于 HDT-Nets 的边缘 AI 中间件，实现多智能体实时协调，面向物流机器人场景。
• 设计支持因果推理的数字孪生开发工具，帮助团队模拟多域干预并测试产品行为。
• 在车联网或工业物联网产品中试点 HDT-Nets，评估长时程规划和未知场景应对能力。

• 论文是否提供实验验证？若未提供，框架的实际效果和可行性未确认。
• HDT-Nets 是概念框架还是已有原型实现？实现细节和性能数据缺失。
• 该框架与现有数字孪生或 AI 网络架构的具体性能对比结果如何？
• 是否存在其他独立信源验证或引用该框架？当前仅有单篇论文。