Los gemelos digitales (DTs) consisten en diversas tecnologías y, por lo tanto, requieren una amplia gama de datos. Sin embargo, muchas empresas a menudo enfrentan desafíos para proporcionar datos suficientes debido a limitaciones técnicas o restricciones comerciales. Esto puede resultar en datos inadecuados para entrenar o calibrar los modelos utilizados dentro de un gemelo digital. Este documento tiene como objetivo explorar cómo se puede generar conocimiento a partir de gemelos digitales federados, un enfoque que se sitúa entre redes de gemelos digitales y fabricación colaborativa, y cómo esto puede utilizarse para mejorar la comprensión tanto de los sistemas de IA como de los humanos. Inspirado en el concepto de aprendizaje automático federado, donde los datos y algoritmos se comparten entre diferentes partes interesadas, esta idea implica que diferentes empresas colaboren a través de sus respectivos DTs, una situación que puede denominarse gemelado federado. Como resultado, los modelos dentro de estos DTs pueden enriquecerse con información más detallada, lo que lleva a la creación de modelos verificados y de alta fidelidad. También se enfatiza la participación humana, particularmente en la transferencia de conocimiento. Esto puede aplicarse al propio proceso de modelado, que es el enfoque principal aquí, o a cualquier aspecto del diseño de control. Específicamente, se utiliza el paradigma de modelado de procesos térmicos para ilustrar cómo los gemelos digitales federados pueden ayudar a refinar los modelos subyacentes. Se consideran dos casos secuenciales: el primero se utiliza para estudiar el tipo de conocimiento que se requiere del modelado y la federación; mientras que el segundo investiga la creación de una forma de modelado más adecuada.