여러 분야에서 인공지능 (AI)의 발전에도 불구하고, 딥러닝 (deep learning) 및 생성형 AI (generative AI)를 포함한 오늘날의 AI 도구들은 실제 물리 법칙에 따라 작동하는 로봇이나 차량과 같은 물리적 시스템에 내장될 때 여전히 실패를 겪습니다. 이는 불확실성 하에서 장기 계획 (long-horizon planning)을 위한 신뢰할 수 있는 세계 모델 (world models)을 유지하고, 보지 못한 시나리오로 일반화하는 능력이 부족하기 때문입니다. 이러한 맥락에서 무선 네트워크는 도처에 존재하는 센싱 (sensing) 및 통신 (communication)을 통해 물리적 지능 (physical intelligence)을 조율할 수 있습니다. 그러나 현재의 아키텍처는 처리량 (throughput), 지연 시간 (latency), 신뢰성 (reliability)을 최적화하는 데 집중되어 있어, 에이전트가 공유된 시공간적 문맥 (spatiotemporal context)을 유지해야 하는 실시간 물리적 AI 조율을 지원할 수 없습니다. 이러한 과제를 해결하기 위해, 물리적 자산을 수동적으로 거울처럼 반영하는 대신 환경에 대해 능동적으로 추론하는 홀로닉 에이전트 (holonic agents)를 통해 실시간 물리적 AI 추론을 제공하는 홀로닉 디지털 트윈 네트워크 (HDT-Nets) 프레임워크를 제안합니다. 각 HDT는 물리적 에이전트와 네트워크 엣지 (network edge)를 아우르는 계층적 구조로 구현되어, 로컬 수준에서 자율적으로 추론하는 동시에 인접한 HDT들과 협력하여 집단적 지능 유닛을 형성합니다. HDT-Net에서는 센싱, 통신 및 제어를 아우르는 인과적 마르코프 블랭킷 (causal Markov blankets)이 어떤 에이전트들이 조율해야 하는지를 결정하며, 다중 도메인 개입 (multi-domain interventions)에 대한 반사실적 추론 (counterfactual reasoning)을 가능하게 합니다. 이러한 경계 내에서의 능동적 추론 (Active inference)은 기대 자유 에너지 (expected free energy)를 최소화함으로써 지각 (perception), 행동 (action), 학습 (learning)을 통합하며, 수신자에게 인지적 가치 (cognitive value)가 있는 신념 (beliefs)이 무엇인지 결정하여 전송합니다. 범주론 (Category theory)은 전송된 신념이 서로 호환되지 않는 표현을 가진 이기종 에이전트들 사이에서도 의미론적 구조 (semantic structure)를 보존하도록 보장합니다. 마지막으로, 통합 정보 이론 (integrated information theory)은 집단 지능이 독립적인 운영을 초과하는 시점과 네트워크 지능이 조율된 학습 및 정보 교환을 통해 어떻게 진화하는지를 정량화합니다.