数字孪生（DT）正从单纯的状态同步向任务导向、知识驱动的认知数字孪生（CDT）转变。现有研究多聚焦于学习模块、知识图谱或大语言模型等单一技术，缺乏系统化的认知集成框架。
本文提出四层 CDT 架构：物理层提供真实世界状态，数字孪生层负责同步并形成可操作的数字模型，认知层利用知识、记忆和注意力构建任务专属的认知模型，任务层在资源约束下生成具体决策。四层之间形成闭环：物理状态→数字表示→认知建模→任务决策→操作反馈，反馈再次更新数字表示和认知经验，实现系统的自演化。
认知层通过知识查询和注意力机制抽取相关信息，记忆模块保存历史任务经验，进而在任务层快速生成符合约束的行动方案。任务执行后产生的反馈被用于修正知识图谱、更新注释，并强化记忆，以支持后续任务的解释、启动和推理。
基于该框架，本文区分两种运行模式：用户请求驱动的认知，即外部指令触发任务建模；自驱动认知，即系统在无外部指令时主动识别机会并发起任务。两者共享同一闭环机制，只是触发点不同。
实现关键包括语义通信、跨层知识查询、任务编排以及闭环同步的可靠性。部署时需解决语义一致性、延迟、资源受限等挑战。
轻量级仿真表明，即使在语义信息受限的情况下，闭环任务仍可可靠执行；随着任务经验的累积，系统的操作效率显著提升。
该框架为未来 CDT 系统提供了结构化的设计基座，帮助研究者在认知层面系统化地构建自适应、可演化的数字孪生。
点评：四层闭环将认知能力深度嵌入数字孪生，为实现自我进化提供了清晰路径，值得在实际工业场景中进一步验证。