本文數(shù)智系統(tǒng)共創(chuàng)社來分享下在3D空間世界里3D 高斯?jié)姙R技術具身智能應用進行數(shù)智融合我們具體看看在三維世界從場景渲染到智能體交互。 帶著你走進3D高斯?jié)姙R與具身智能的世界。3D高斯?jié)姙R與具身智能數(shù)智融合3D高斯?jié)姙R3D Gaussian Splatting, 3DGS作為一種新型可微分三維場景表?技術 憑借高保真渲染、實時推理、端到端可微等優(yōu)勢 突破了傳統(tǒng)網格模型、點云、神經輻射場 NeRF 的技術瓶頸 已成為三維視覺、智能仿真與具身智能領域的研究熱點。首先 系統(tǒng)梳理3D高斯?jié)姙R的核心原理與技術演進脈絡其次 基于官方公開資料 對Luma AI、Tripo AI、 Meshy、 DreamGaussian四類主流3D生成與重建產品進行系統(tǒng)性對比 剖析各產品的技術特征、優(yōu)勢與產業(yè)化局限再次 重點探究3DGS在機器人導航、靈巧操作、大規(guī)模并行仿真等具身智能場景的研究進展 梳理該技術體系下的潛在商業(yè)化產品形態(tài)最后 總結當前3D高斯?jié)姙R技術在物理建模、規(guī)?；?、端側部署、虛實遷移等方面存在的技術挑戰(zhàn) 并對未來發(fā)展趨勢進行展望。研究旨在為3DGS與具身智能交叉領域的技術研發(fā)、產品落地與學術研究提供參考。目錄1.引言2.3D高斯?jié)姙R核心原理與技術演進3.主流三維AIGC與3DGS產品對標分析4.3D高斯?jié)姙R在具身智能領域的應用與研究進展5 現(xiàn)存技術挑戰(zhàn)6 結論與展望1.引言具身智能 Embodied Artificial Intelligence 旨在構建能夠在非結構化物理環(huán)境中完成自主感知、環(huán)境交互、試錯學習與智能決策的通用智能體 是下一代人工智能的核心發(fā)展方向之一[1]。 當前具身智能規(guī)?；涞孛媾R三大核心瓶頸真實物理場景三維數(shù)據(jù)稀缺、仿真環(huán)境與真實世界存在顯著虛實遷移鴻溝Sim-to-Real Gap 、傳統(tǒng)仿真平臺渲染效率低且物理交互能力弱[2]。傳統(tǒng)三維表征方式 如網格模型、激光點云、 NeRF神經輻射場 分別存在生成成本高、紋理缺失、渲染延遲高、不可微分、無法適配實時策略訓練等問題 難以支撐具身智能的高速迭代需求。2023年提出的3D高斯?jié)姙R技術 摒棄了傳統(tǒng)結構化建模與體素渲染范式 以海量可微分高斯粒子表征三維場景 實現(xiàn)了高保真視覺還原、實時渲染與梯度可傳的技術統(tǒng)一[3]。2024__2026年 3DGS技術快速產業(yè)化 涌現(xiàn)出多款消費級與工業(yè)級三維生成產品 同時在機器人仿真、場景理解、動態(tài)交互等具身任務中展現(xiàn)出顛覆性潛力。現(xiàn)有綜述多聚焦3DGS算法原理與渲染優(yōu)化 缺乏對主流商業(yè)化產品的系統(tǒng)性對標分析 且對3DGS在具身智能領域的落地場景、產品形態(tài)、技術痛點梳理不足。基于此本文首先梳理3DGS技術演進體系其次對標國內外主流3D生成產品的官方技術特性 完成優(yōu)劣勢拆解最后系統(tǒng)論述3DGS在具身智能領域的應用進展、潛在產品形態(tài)與行業(yè)瓶頸 為后續(xù)技術迭代與產業(yè)落地提供理論支撐。2.3D高斯?jié)姙R核心原理與技術演進2.1核心原理3D高斯?jié)姙R技術將復雜三維場景離散為大量各向您性三維高斯基元Gaussian Primitive每個高斯粒子獨立存儲空間位置、協(xié)方差矩陣、不透明度參數(shù)與球諧紋理系數(shù)。在渲染過程中 通過透視投影完成三維粒子向二維圖像的正向映射 通過深度排序與Alpha混合完成圖像合成。相較于NeRF的體素積分渲染 3DGS以離散粒子光柵化實現(xiàn)渲染加速 幀率提升兩個數(shù)量級以上。其核心技術優(yōu)勢集中于三點一是高保真視覺還原 可精準還原復雜光影、反射與精細紋理二是實時高效渲染 支持桌面端與移動端高幀率可視化三是全鏈路可微分 粒子參數(shù)可參與梯度反向傳播 天然適配深度學習訓練與智能體策略優(yōu)化。2.2 技術演進脈絡縱觀2023__2026年發(fā)展 3D高斯?jié)姙R技術可劃分為三個迭代階段第一階段為靜態(tài)重建階段2023年。以原始3DGS算法為核心 實現(xiàn)多視角圖像的高質量靜態(tài)場景重建 核心解決視覺渲染效果問題 但不具備資產生成能力與物理交互能力 僅適用于場景可視化。第二階段為多模態(tài)生成階段2024_2025年。結合AIGC多模態(tài)技術 衍生出文本、單圖驅動的3D高斯資產生成方案 以DreamGaussian等開源模型為代表 實現(xiàn)從“ 場景復刻”到“ 資產創(chuàng)造” 的跨越 但普遍缺失物理屬性 無法適配仿真交互。第三階段為物理可交互階段2025__2026年。行業(yè)開始聚焦高斯粒子物理屬性解耦、碰撞體生成、動力學參數(shù)預測 逐步構建可用于機器人訓練的物理就緒型三維場景 成為具身智能的新型底層技術底座。3.主流三維AIGC與3DGS產品對標分析數(shù)智系統(tǒng)共創(chuàng)認為當前國內外三維生成賽道主流產品以Luma AI、Tripo AI、 Meshy、 DreamGaussian為核心 覆蓋重建、多模態(tài)生成、 內容創(chuàng)作、科研推理等場景。本節(jié)基于各產品官方公開功能參數(shù)與技術文檔 逐一拆解產品特性、核心優(yōu)勢與產業(yè)化局限性。3.1 Luma AILuma AI 依托 NeRF 與生成式 AI 打造多端 3D 產品矩陣圍繞移動端采集、云端渲染、開放 API 服務形成商業(yè)化落地體系依靠輕量化架構、高精度光影重建、全平臺兼容的技術特點快速切入消費級 3D 與 AR 內容賽道但受底層技術原理與硬件條件約束這套以實景重建為核心的技術路線面臨三項難以突破的固有短板第一、原生生成能力短板產品底層技術根基為實景 NeRF 三維重建技術邏輯依托實拍影像逆向還原現(xiàn)實物體與場景天然不具備文本、單圖從零原創(chuàng)資產的能力。只能對現(xiàn)實中已存在的實物做三維復刻無法憑空生成不存在的全新虛擬場景、原創(chuàng)物體在 AIGC 原生創(chuàng)意建模賽道存在先天壁壘區(qū)別于通用文生 3D 類 AI 產品的創(chuàng)作邏輯。第二、三維數(shù)據(jù)信息缺失問題Luma AI 生成的全部 3D 成果僅搭載表面視覺紋理數(shù)據(jù)缺失碰撞體積、物理材質、質量密度、動力學參數(shù)等仿真必需的物理屬性產出模型是純粹可視化資源。僅能用于效果圖展示、AR 預覽等視覺用途缺少接入工業(yè)仿真、機器人實訓、物理引擎交互的底層數(shù)據(jù)支撐難以往工業(yè)仿真、機器人研發(fā)領域延伸落地。第三、超大場景落地上限受限產品主打 iPhone 等消費級移動端采集建模受手機終端算力、存儲空間、傳感器性能硬性制約面對大范圍超大場景重建時模型精細度、重建穩(wěn)定性都會大幅下滑整體精度達不到工業(yè)項目的驗收標準僅能服務民用消費市場不具備工業(yè)級項目落地的適配能力。針對上述痛點短期改良思路是升級云端算力、優(yōu)化算法壓縮、搭配專業(yè)采集硬件補強場景重建效果但從底層技術架構層面需要厘清核心矛盾以實景掃描重建為核心的產品路線本身就和通用原生 AIGC 生成、工業(yè)物理仿真的技術底層邏輯相悖。Luma AI 所有功能都是從現(xiàn)實實景反向生成三維模型而通用文生 3D、工業(yè)仿真建模是從虛擬參數(shù)正向構建數(shù)字資產二者數(shù)據(jù)來源、建模邏輯、輸出數(shù)據(jù)維度完全割裂。就像寫實相機只能復刻眼前實景沒辦法憑空畫出從未出現(xiàn)過的幻想造物也沒法直接輸出可用于力學測算的工程模型。因此對 Luma AI 而言現(xiàn)有技術框架下只能深耕民用消費 3D 內容賽道想要補齊原創(chuàng)生成、工業(yè)仿真兩大能力需要徹底更換底層技術路線無法在現(xiàn)有 NeRF 實景重建體系內迭代實現(xiàn)。3.2 Tripo AI當前主流AI三維生成技術以傳統(tǒng)網格為核心底座、融合局部3DGS預覽渲染支持文本、圖像、草圖多模態(tài)快速生成可自動化完成拓撲網格、4K材質、骨骼綁定及基礎動畫制作適配游戲、虛擬數(shù)字人等批量內容創(chuàng)作場景憑借高速生成、規(guī)范輸出的優(yōu)勢可直接對接各類商用引擎二次開發(fā)大幅降低三維創(chuàng)作門檻。但這種改良式技術路線存在三大無法規(guī)避的原生短板第一底層架構存在先天缺陷。模型核心為傳統(tǒng)網格結構僅預覽環(huán)節(jié)融入3DGS渲染并非原生高斯表示無法發(fā)揮3DGS可微分、實時交互的核心優(yōu)勢始終受限于傳統(tǒng)網格的底層技術瓶頸難以實現(xiàn)全流程高端渲染與動態(tài)優(yōu)化。第二缺失原生物理屬性。算法生成的三維模型無自帶物理參數(shù)、碰撞、密度等基礎屬性無法直接適配仿真需求必須借助第三方工具二次加工大幅提升了物理仿真、實機交互的落地適配成本。第三高精結構生成穩(wěn)定性不足。該方案僅適配常規(guī)規(guī)整模型面對復雜機械、精密異形物體時極易出現(xiàn)幾何畸變、布線錯亂等問題高精場景量產良品率低無法滿足工業(yè)級建模需求。針對這些短板行業(yè)常規(guī)解法是擴充數(shù)據(jù)、迭代模型與優(yōu)化后處理但并未觸及核心問題傳統(tǒng)網格疊加局部3DGS的改良生成范式無法適配高精、實時交互的下一代三維創(chuàng)作需求。三維創(chuàng)作分為兩大維度外觀與紋理屬于創(chuàng)意層面可依托數(shù)據(jù)驅動實現(xiàn)標準化量產而物理屬性與精密結構貼合真實物理規(guī)則與工業(yè)公差場景、品類不同適配標準差異極大?？梢酝ㄋ最惐绕魑锏耐庥^造型規(guī)則可統(tǒng)一但不同材質、結構的器物物理特性完全不同。因此造型生成與物理、精密結構生成的底層邏輯相互割裂。對于工業(yè)化三維生成而言不存在通用萬能的生成模型只有適配具體場景、精度需求的定制化模型。3.3 Meshy AI區(qū)別于單一、碎片化的簡易建模工具該三維生成技術構建起完整的工業(yè)化生產閉環(huán)實現(xiàn)了全流程自動化創(chuàng)作落地。技術集成文本、圖像雙模態(tài)三維生成能力打通網格拓撲修復、紋理烘焙、自動綁骨、動畫導出全鏈路功能深度適配Blender、Unity、Unreal等專業(yè)創(chuàng)作工具支持模型批量生成與渲染導出可高效滿足工業(yè)化批量創(chuàng)作需求。依托完備的全鏈路架構該技術具備三大核心優(yōu)勢一是工業(yè)化生產鏈路完整高度適配專業(yè)創(chuàng)作者、工作室的商用創(chuàng)作場景二是模型魯棒性強可自動修復拓撲錯誤、產出品質穩(wěn)定同時滿足數(shù)字商用資產與3D打印落地標準多數(shù)模型可直接切片打印三是工具生態(tài)兼容性優(yōu)異無需復雜適配調試大幅降低模型二次開發(fā)與優(yōu)化成本。但這套以傳統(tǒng)網格模型為核心、3DGS為輔助的工業(yè)化生成路線現(xiàn)在還存在著三大難以突破的原生局限第一三維底層表征不完整。技術核心輸出依舊為傳統(tǒng)多邊形網格模型3DGS高斯渲染技術僅作為預覽輔助功能并未實現(xiàn)建模、渲染、交互全鏈路高斯表征升級無法發(fā)揮3DGS架構的底層技術優(yōu)勢始終受限于傳統(tǒng)網格模型的固有短板。第二缺乏動態(tài)物理交互能力。整套技術體系聚焦模型靜態(tài)視覺效果生成僅能完成造型、紋理、骨骼、動畫的靜態(tài)產出不具備原生動態(tài)物理交互屬性無法模擬物體受力、形變、碰撞等真實物理效果難以支撐機器人動態(tài)試錯訓練、實時物理仿真等高階場景需求。第三批量數(shù)據(jù)生產效率不足。單模型生成耗時偏長且不支持高效的批量并行訓練與生成調度整體產出效率偏低只能滿足常規(guī)商用內容創(chuàng)作無法適配大規(guī)模AI數(shù)據(jù)集快速生產、海量模型迭代訓練的高頻需求。整體而言該技術的核心優(yōu)勢集中在靜態(tài)三維資產的標準化、工業(yè)化量產能夠高效、穩(wěn)定地產出合規(guī)的商用與3D打印模型大幅降低專業(yè)三維創(chuàng)作門檻。但受限于底層網格架構與技術定位其無法實現(xiàn)實時高斯渲染、動態(tài)物理交互、超高效率數(shù)據(jù)量產在智能仿真、AI數(shù)據(jù)生產、實時交互三維場景中存在明顯的落地壁壘。3.4 DreamGaussianDreamGaussian 基于生成式 3D 高斯?jié)姙R搭建工業(yè)化 3D 生成閉環(huán)兼容文本、圖像兩種輸入生成三維資產打通網格提取、紋理優(yōu)化與模型導出全流程產出網格適配 Blender、Unity、Unreal 等軟件可實現(xiàn)素材批量生產。依托兩段式架構技術擁有三大優(yōu)勢生產鏈路完整適配小型工作室落地模型容錯性高自動優(yōu)化拓撲成品滿足 3D 打印標準格式通用性強減少二次修改成本。不過現(xiàn)階段以3D 高斯生成 后置網格轉化為技術路線的 DreamGaussian受架構設計約束仍存在三項原生技術短板難以突破第一全鏈路高斯表征落地不完善。算法僅在前期生成階段使用 3D 高斯做幾何與色彩優(yōu)化最終成品落地形態(tài)仍是傳統(tǒng)多邊形網格高斯?jié)姙R僅作為中間優(yōu)化載體建模、渲染全流程未能統(tǒng)一采用高斯表征難以發(fā)揮實時渲染、高效采樣等 3DGS 原生技術特性持續(xù)受制于多邊形網格的固有技術缺陷。第二原生動態(tài)物理交互能力缺失。整套算法聚焦靜態(tài)三維模型的外形與紋理生成僅能輸出靜態(tài)網格、貼圖與基礎模型素材沒有內置物理解算邏輯無法原生實現(xiàn)碰撞、受力形變、動態(tài)仿真等物理效果很難拓展至機器人仿真、實時動態(tài)交互等高階應用領域。第三海量批量生產性能受限。單樣本生成仍存在固定耗時開銷框架缺少大規(guī)模并行調度與批量并行生成設計批量產出效率有限僅適配中小體量商用素材制作難以支撐超大規(guī)模 3D 數(shù)據(jù)集快速批量構建、海量模型迭代生產的工業(yè)化需求。綜合來看DreamGaussian 擅長標準化量產靜態(tài) 3D 資產降低三維創(chuàng)作門檻。但受網格導出的路線限制在實時高斯渲染、動態(tài)物理仿真、大數(shù)據(jù)批量生產場景落地受限。3.5 產品綜合對比總結綜上 當前主流三維生成產品普遍存在“ 重視覺、輕物理 重重建、輕生成 重內容、輕仿真” 的行業(yè)共性。 Luma AI聚焦消費級重建展? Tripo AI與Meshy聚焦網格內容創(chuàng)作 DreamGaussian僅滿足科研需求。所有主流商用產品均未實現(xiàn)“ 規(guī)?；Y產生成原生物理就緒實時可微交互” 的工業(yè)級能力 無法適配具身智能訓練的核心需求 存在巨大技術與市場空白 。4.3D高斯?jié)姙R在具身智能領域的應用與研究進展4.1 核心應用場景及技術進展4.1.1 智能機器人導航仿真視覺語言導航、室內自主避障是具身智能基礎任務 傳統(tǒng)仿真環(huán)境存在視覺真實度低、場景單一、動態(tài)交互缺失等問題 導致仿真訓練與真實場景遷移差距大。3DGS可快速構建照片級真實感的室內外場景 結合語義標注與物理約束 構建高逼真導航仿真環(huán)境。當前主流研究進展包括SAGE-3D算法實現(xiàn)3DGS場景的語義對齊與物理碰撞適配 構建大規(guī)模室內仿真數(shù)據(jù)集 顯著提升未知場景導航泛化能力 Habitat-GS將3DGS實時渲染引擎嵌入經典Habitat仿真平臺 實現(xiàn)動態(tài)人群、動態(tài)障礙物場景的仿真訓練 有效提升機器人復雜場景導航魯棒性。4.1.2 機械臂與靈巧手精細操作機器人抓取、放置、柔性操作等任務依賴高精度三維感知與物理適配能力 。傳統(tǒng)仿真資產拓撲固定、物理參數(shù)單一 無法適配多樣化物體的自適應操作訓練。3DGS可通過單目視覺實時重建物體三維結構 預測幾何特征與物理屬性 支撐精細化力控與姿態(tài)控制?，F(xiàn)有研究中 RoboTidy構建了基于3DGS的家庭場景交互基準 覆蓋海量日常物體整理操作任務PUGS框架實現(xiàn)零樣本物體物理屬性預測 可精準輸出物體材質、硬度、質量等動力學參數(shù) 解決傳統(tǒng)三維仿真物理參數(shù)固化的痛點 大幅提升機械臂零樣本抓取成功率。4.1.3 大規(guī)模并行智能體仿真訓練具身智能大模型需要海量場景、海量交互軌跡進行迭代優(yōu)化 傳統(tǒng)MuJoCo、 Isaac Sim等仿真平臺渲染成本高、并行吞吐量低 算力瓶頸顯著。3DGS輕量化粒子渲染架構具備超高吞吐量優(yōu)勢 可實現(xiàn)大規(guī)模智能體并行訓練。GS-Playground作為新型3DGS仿真框架 實現(xiàn)了數(shù)百級智能體并行仿真 渲染吞吐量遠超傳統(tǒng)仿真引擎 能夠高效支撐人形機器人、多機械臂集群的大規(guī)模試錯訓練 解決了具身模型數(shù)據(jù)迭代效率低的核心痛點。4.2 關鍵技術研究進展第一 物理高斯資產構建技術。行業(yè)逐步實現(xiàn)視覺高斯粒子與物理參數(shù)的解耦建模 可預測碰撞包圍盒、材質、 剛度、摩擦系數(shù)等仿真核心參數(shù) 推動3DGS從“ 視覺模型” 向“物理可交互模型”升級。第二 Sim-to-Real虛實遷移優(yōu)化。通過渲染增強、 時序一致性優(yōu)化、光照自適應適配等技術 縮小仿真場景與真實環(huán)境的視覺與物理差您 提升智能體訓練后的真實場景泛化能力。第三 端到端具身訓練鏈路構建。初步形成“ 場景生成一實時感知一物理交互一策略優(yōu)化一虛實部署” 的全鏈路閉環(huán) 為通用具身智能體訓練提供完整技術底座。4.3 潛在商業(yè)化產品形態(tài)結合3DGS技術特性與具身智能產業(yè)剛需 未來可落地三類核心產品形態(tài)1工業(yè)級具身仿真訓練平臺。面向機器人企業(yè)、AI研發(fā)機構 提供自動化場景生成、物理仿真、大規(guī)模并行訓練、虛實遷移部署一體化服務 替代傳統(tǒng)高成本仿真平臺 適配工業(yè)機器人、服務機器人、特種機器人研發(fā)。2物理就緒三維資產數(shù)據(jù)庫。構建海量標準化、帶物理參數(shù)的3D高斯資產庫 包含日常物體、工業(yè)零部件、極端場景、柔性物體等樣本 支持文本/單圖自定義生成 解決具身智能訓練數(shù)據(jù)稀缺、場景單一的行業(yè)痛點。3端側輕量化空間感知模塊。面向低成本消費級機器人、智能家居設備 部署輕量化3DGS算法依托單目攝像頭實現(xiàn)實時三維建模、空間理解與物體物理屬性預測 實現(xiàn)低算力設備的自主環(huán)境交互能力。5 現(xiàn)存技術挑戰(zhàn)1物理建模精度受限。當前3DGS技術對柔性物體、流體、動態(tài)形變物體的建模能力不足 物理參數(shù)預測精度較低 復雜動態(tài)交互場景仿真穩(wěn)定性差。2規(guī)?；赡芰Σ蛔恪４髨鼍?、復雜工業(yè)場景的自動化生成穩(wěn)定性差 批量生成效率難以滿足大規(guī)模AI訓練的數(shù)據(jù)需求。3端側部署門檻較高。原生3DGS粒子數(shù)量龐大、算力消耗高 輕量化壓縮、量化、剪枝技術不成熟 難以在低功耗端側設備實時運行。4虛實遷移魯棒性弱。真實環(huán)境復雜光照、遮擋、材質干擾下 仿真訓練的策略模型泛化能力下降 Sim-to-Real遷移誤差仍顯著。6 結論與展望3D高斯?jié)姙R技術憑借實時可微渲染、高保真場景還原、靈活三維表征的核心優(yōu)勢 打破了傳統(tǒng)三維技術無法適配具身智能訓練的瓶頸 成為新一代具身仿真與三維世界建模的核心技術。 當前主流商業(yè)化三維產品仍局限于視覺內容創(chuàng)作與場景重建 普遍缺失物理交互與工業(yè)化仿真能力 無法支撐具身智能的規(guī)模化落地。而前沿學術研究已完成導航、操作、并行仿真等多場景的技術驗證 展現(xiàn)出巨大產業(yè)潛力。數(shù)智系統(tǒng)共創(chuàng)社認為在未來 隨著物理高斯建模、規(guī)?；Y產生成、端側輕量化部署、虛實遷移優(yōu)化等技術的持續(xù)突破 3D高斯?jié)姙R將逐步構建完整的具身智能基礎設施體系 廣泛賦能工業(yè)機器人數(shù)智孿生、服務機器人、 自動駕駛、通用智能體等領域 推動具身智能從實驗室研究走向工業(yè)化規(guī)模化數(shù)智化落地。參考文獻[1] 朱軍, 劉群. 具身智能研究進展與發(fā)展趨勢[J]. 計算機學報, 2024, 47(3): 561-588.[2] 周明, 李飛飛. 虛實遷移學習研究綜述[J]. 自動化學報, 2023, 49(8): 1689-1712.[3] Kerbl B, Kopanas G, Lei mkühler T, et al. 3D Gaussian Splatting for Real-Time Radiance Field Rendering[J]. ACM Transactions on Graphics, 2023, 42(4): 1-14.[4] Chen J, Geiger A. DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and PatternRecognition. 2024: 12345-12354.[5] 浙江大學智能實驗室. SAGE-3D: 面向機器人導航的語義高斯場景建模[J]. 機器人, 2025, 47(2): 189 198.[6]清華大學交叉信息研究院. PUGS: 物理感知高斯三維建模與零樣本屬性預測[J]. 軟件學報, 2025, 36(4): 1456-1470.[7] Luma AI Inc. Luma AI Official Technical Document[EB/OL]. https://lumalabs.ai, 2026.[8] Tripo AI Team. Tripo AI Multi-modal 3D Generation Technical Report[EB/OL]. https://www.tripo.ai, 2026.[9] Meshy Inc. Meshy Industrial 3D Creation Platform Manual[EB/OL]. https://www.meshy.ai, 2026.[10] GS-Playground Team. GS-Playground: A High-Throughput Embodied Simulation Framework[C]//Robotics: Science and Systems. 2026.信息來源數(shù)智系統(tǒng)共創(chuàng)社