D2M (design-to-manufacturing) by integrating digital twins and large language models: conceptual framework
Zimo Zhang , Juntao Li , Junyan Xiong , Dengcheng Tang , Qingyang Wang & Daqiang Guo
Smart Manufacturing Thrust, System Hub, The Hong Kong University of Science and Technology (Guangzhou),
Guang Zhou, China
本文系统梳理了数字孪生与大语言模型在智能制造中的集成现状，分析了关键技术与应用模式。研究发现现有研究主要集中于制造阶段，缺乏从设计到制造的全流程贯通。为此，作者提出了一种面向设计到制造的新型概念框架，通过融合数字孪生与大型语言模型，实现从用户需求到生产执行的双向闭环联动。该框架为个性化、柔性制造提供了新的理论路径。
传统制造模式难以满足日益增长的个性化和小批量需求，存在设计周期长、部门协同差、专家依赖度高等问题。数字孪生技术可实现虚拟与物理系统的实时联动，大语言模型则支持跨领域知识整合与自然语言理解。两者融合为智能制造提供了新的可能，但目前研究仍集中于生产执行层面，缺乏从设计到制造的系统性整合，尚未形成完整的语义贯通与双向反馈机制。
本文采用PRISMA系统综述框架，对2019至2025年间发表于Web of Science、Scopus、arXiv和ProQuest的文献进行筛选。共检索到195篇相关文献，经去重、标题摘要筛选、全文评估后，最终纳入25篇聚焦于数字孪生与大语言模型在制造业中集成应用的研究。文献筛选过程由多位作者独立评估，确保一致性与代表性。
当前数字孪生与大语言模型的集成工具涵盖感知、推理、仿真、优化与语义建模五大类，常用模型包括GPT系列、LLaMA、DeepSeek等大语言模型，以及YOLO、LSTM等感知模型，仿真平台多基于Unity、Unreal Engine等。集成方法主要包括五类：实时反馈驱动的自适应决策、多智能体任务分解、基于语义互操作的自动化孪生建模、仿真验证驱动的虚拟调试、以及人机协同的认知交互。研究表明，现有系统多处于中等成熟度，侧重制造环节，设计与制造之间缺乏端到端耦合机制。
本文提出一个由数字孪生与大语言模型联合驱动的设计到制造框架，构建四层认知-物理架构：感知层、认知层、交互验证层与制造服务层。
图2. 数字孪生与大语言模型赋能的“设计到制造”（D2M）框架
框架包含两个紧密耦合的闭环循环：
该框架实现了设计意图与制造约束的双向协同，弥补了传统流程中设计与制造割裂的不足。
实现所提框架仍面临多重挑战：技术层面存在语义对齐困难、工程推理能力不足、高保真孪生仿真成本高等问题；数据与知识层面缺乏统一语义本体，隐性经验难以形式化，多模态需求对齐困难；法律与伦理层面涉及知识产权归属不清、责任判定困难、数据隐私风险；经济与组织层面则体现为协同复杂度高、复合型人才短缺、个性化制造的投入产出不确定。
本文系统梳理了数字孪生与大语言模型在制造业中的集成现状，指出现有研究集中于生产阶段、缺乏设计-制造一体化路径的不足。在此基础上，提出了一个面向设计到制造的统一认知-物理框架，实现从用户意图到生产执行的全流程贯通。
该框架为个性化智能制造提供了理论支撑与实现路径，未来工作可聚焦于原型系统构建与实证验证。
