XGRIDS空间数据生产、资产化与工业工作流的真正价值0. 引言1. XGRIDS 到底是什么公司1.1 不是扫描硬件viewer而是training-data bridge / Real2Sim2Real的桥梁1.2 价值描述第一 Capture Entry第二 Asset Formation第三 Industry Interface1.3 企业类型判断1.4 技术链路分析1.4.1 数据采集层1.4.2 标定/预处理层1.4.3 三维重建 / 高斯表示层1.4.4 编辑 / 分割 / 语义理解层1.4.5 压缩 / 发布层1.4.6 BIM/CAD/机器人/仿真接口层1.4.7 产品矩阵1.5 业务链与收入结构其域创新怎么赚钱1.5.1 业务链条判断1.5.2 单价与客单价的外部锚点2. 常规 3DGS 重建路线2.1 技术原理简述2.2 工程链路拆解2.3 路线优势2.4 NeRF / 传统摄影测量 / 点云 / Mesh3. 前馈式 3DGS 生成路线3.1 原理简述3.2 路线难点3.3 简单列举几篇工作3.4 合理切入位置推荐位置 A垂类场景产品化推荐位置 B行业数据与工作流整合不推荐位置通用 foundation model 竞争3.5 自我替代风险3.6 双路线对比与战略选择4. 3DGS 为什么不能是护城河第一3DGS 已经开始进入更大平台的基础栈第二3DGS 更像“表达层”而不是“控制层”第三3DGS 无法单独回答“authoritative world asset”参考文献公司与产品资料XGRIDS公司基本面与外部信息NVIDIA / Physical AI / OpenUSD产业对标与生态参照3DGS / NeRF / 摄影测量基础文献系列文章1-31、行业调研——GTC上亮相的中国企业 XGRIDS 其域创新空间数据生产、资产化与工业工作流的真正价值2、行业调研——为什么未来 10 年绕不过 NVIDIA从 Omniverse、OpenUSD 到 Physical AI Data Factory3、0. 引言如果把全球AI行业比作一场奥林匹克赛事那么每年由 NVIDIA 举办的 GTCGPU Technology Conference大会几乎就是这场赛事的“开幕式”。从深度学习革命到生成式 AI再到如今的机器人与具身智能许多关键技术趋势都在这里首次亮相。而在刚刚举办的 GTC 2026 上一个越来越清晰的信号是AI 正在离开屏幕走向真实世界。在这场以机器人与 Physical AI 为核心主题的大会上一家来自中国的空间智能公司——其域创新 XGRIDS受邀在 GTC 主会场发表演讲展示 Real2Sim 技术在具身智能领域的工程化实践分享如何利用真实世界空间数据构建可扩展的机器人仿真环境。正好最近正找实习所以从其域创新入手来对目前英伟达把控的生态来一场背调。结论先行XGRIDS 不是扫描硬件公司空间智能的“采集入口—资产形成—行业接口”3DGS 本身不是护城河它只是空间数据生产的“新默认表达层”之一也是未来许多数据资产的中间态。空间智能公司的核心竞争不在“会不会重建”而在“能不能形成 authoritative world asset”。行业理解的新起点training-data bridge / Real2Sim2Real 的桥梁层。1. XGRIDS 到底是什么公司主体识别与基本面公开工商与招聘信息显示公司主体为深圳市其域创新科技有限公司成立于2020 年 12 月 22 日法定代表人为赵开勇注册地址位于深圳南山区注册资本621.4122 万元。不同企业信息平台对实缴资本、社保人数、人员规模的展示较一致天眼查披露实缴资本约175.56 万元企查查/启信宝披露2024 年参保人数为 94 人。创始人赵开勇的公开履历偏“空间计算 GPU/HPC 机器人/SLAM”复合型背景。公开资料显示其曾任大疆部门负责人、达闼首席架构师兼研发副总裁、浪潮 GPU 负责人并具有较强学术与专利背景。这个画像对公司当前产品路线是吻合的既有实时重建和多传感器融合也有面向仿真和世界模型的叙事。从企业资质与知识产权看企查查摘要显示公司目前有125 条专利信息、7 条软件著作权、9 个资质证书、9 个行政许可同时公司在 2025 年入选国家级专精特新“小巨人”并获得深圳市“创客中国”创新创业大赛资助。对一家成立不足六年的空间智能公司而言这说明其技术资产沉淀和政策信用都在增强。1.1 不是扫描硬件viewer而是training-data bridge / Real2Sim2Real的桥梁行业里最常见的误判——把空间智能公司都看成“硬件 算法 viewer”的老三样。当成“硬件供应商 配套软件”。它只描述了 XGRIDS 类型公司最表层、最容易被看见、也最容易被低估的一层设备。默认价值主要来自设备销售软件只是附属。于是分析会停留在设备参数、扫描速度、精度指标、点云密度、机身重量、价格带和便携性上。这样的分析当然不是没用但它解释不了一个更关键的问题为什么越来越多公司不是停在“扫出来”而是在向“管起来、接出去、持续用”上移如果只看硬件XGRIDS 当然可以被归入扫描设备公司。它有 Lixel K1、L2 Pro、PortalCam 这样的采集入口有 LiDAR、多相机、SLAM、移动建图这些明显的硬件与感知栈特征也有设备参数的典型设备公司叙事。但问题恰恰在于设备只是入口不是价值闭环本身。它不是单纯卖扫描设备而是在争夺“真实世界空间数据如何被采进来、组织起来、转成资产并接入行业工作流”的控制权。采集驱动型的空间数据生产与资产化工作流公司。这一定义不是未来“说得更高级”而是它更符合这家公司当前产品结构所指向的实际位置。XGRIDS 公开展示的东西已经不只是采集硬件viewer而是一条相对清晰的链路采集设备 → 标定与预处理 → 常规 3DGS / 点云重建 → 压缩与发布 → BIM / CAD / Revit / Unreal / Unity / Isaac Sim 等接口 → 云端访问与协作。只要把这条链路展开看你就会发现XGRIDS 已经不再是一个“设备卖完即价值兑现”的公司。它在做的是另一件更重要的事把一次采集行为转化为可被后续系统持续消费的空间结果。这些数据如何变成稳定可用的空间表达这些表达如何变成可管理、可发布、可协作、可复用的资产这些资产如何接入 BIM、CAD、仿真、机器人、影视、运维等正式工作流。如果只解决第一个问题XGRIDS 是设备公司。如果只解决前两个问题XGRIDS 是内容生产工具公司。只有同时触达第三个问题它才是“空间智能工业工作流基础设施”。1.2 价值描述我现在更愿意用一个三段式来描述它的价值位置第一 Capture Entry现实世界空间数据不是凭空来的必须经过设备、传感器、SLAM、多模态采集、轨迹估计、标定和质量控制。谁掌握这个入口谁定义“什么是真实输入”。第二 Asset Formation这一步才是真正被大量分析低估的部分。因为从点云、图像、轨迹、位姿、LiDAR、视频到最终可浏览、可标注、可压缩、可发布、可进一步加工的空间结果中间存在巨大的工程鸿沟。这个鸿沟不是“加一个 viewer”就能跨过去的而是需要数据预处理坐标系统一重建与表达质量门禁轻量化与压缩项目组织版本与权限结果发布。这一步决定了结果到底是一个一次性文件还是一个可持续消费的空间资产。第三 Industry Interface这是 XGRIDS 最值得你重新评估的一层。因为一旦空间结果不能接入正式工作流它的产业价值就会迅速下降为“演示资产”或“展示内容”。所以LCC for Revit、对 BIM / CAD 流程的适配、对 Unreal / Unity / Web 的分发、与仿真系统的连接、对开发者与合作伙伴工具链的开放这些都不是“锦上添花的功能”。它们实际上决定XGRIDS 输出的到底是一个可看的模型还是一个可被行业系统消费的结果。这个真实空间快速转译的结果能否被企业系统接纳、可被多人协作、可被多流程复用。1.3 企业类型判断维度说明设备公司有较强设备属性K1/L2 Pro/PortalCam 明确存在硬件收入锚点算法公司Multi-SLAM 3DGS 点云处理 BIM 插件是核心能力软件平台公司已出现 license、cloud、viewer、SDK、插件但平台统治力未形成数字孪生方案公司有行业案例但不是项目制平台龙头形态空间智能基础设施公司目标这是最值得追求的位置但仍处于构建早期1.4 技术链路分析数据采集 → 标定/预处理 → 三维重建/高斯表示 → 编辑/语义理解 → 压缩/发布 → BIM/CAD/机器人/仿真/云协同1.4.1 数据采集层公开资料显示XGRIDS 已形成多档硬件矩阵K1、L2 Pro、PortalCam 等同时官方明确强调 Multi-SLAM、多传感器融合、LiDAR 多相机阵列、RTK 与手持/移动工作流。强项有真实的物理采集入口而不是纯软件后处理公司K1 / L2 Pro / PortalCam 形成从工程扫描到轻量空间内容生产的价格带手持/移动采集显著降低建模门槛利于场景扩张多视角、多模态输入更适合后续重建稳定性和几何约束。短板航空入口、自动化机库、低空平台、长期运维链路不如 DJI与工业级测绘头部相比品牌信任和行业标准地位仍在建立若未来要覆盖更大场景仍需更强的空地一体采集编排能力。外部依赖LiDAR / 相机 / IMU / RTK 供应链部分工业客户对测量等级和标准认证的要求空间相机和手持设备的渠道售后体系。1.4.2 标定/预处理层Lixel Studio 页面公开强调 7-parameter datum transformation、geoid model integration、LAS/E57/RCP 等标准格式导出这说明 XGRIDS 已进入工程基准、坐标转换、点云标准格式和 BIM/CAD 对接层而非只可视化渲染。强项工程坐标、基准转换和标准格式输出是 AEC / 测绘等可用性的关键“好看”走向“可用”的核心门槛对外部工作流有较强兼容性。短板若要进一步占领测绘/基础设施需更强 QA 体系、误差报告、批处理与资产级项目管理仍要持续解决大场景拼接、全局一致性、跨日重采样和质量追踪。从官方最近在IROS2025的工作看已经有一定成果1.4.3 三维重建 / 高斯表示层官方把 LCC 直接定义为由Multi-SLAM 3D Gaussian Splatting驱动的 3D 内容生产系统LCC Studio 则强调将扫描数据处理为 photorealistic 3DGS 模型并以 .ply / .lcc 输出可实现 90% 更小文件体积。强项已有产品化的 3DGS 引擎已将 GS 表达嵌入硬件-软件闭环而不是独立算法模块已有压缩、跨端访问、编辑与分享的处理链路。短板公开信息中尚看不到其在大规模几何一致性、法向/深度约束、反光/透明物体处理上的系统性领先证据若 3DGS 成为 DJI/NVIDIA/Niantic 等平台的基础能力单一重建引擎会失去稀缺性需要把“高保真展示”升级为“行业级可运算空间资产”。如何将空间智能与物理属性纳入GS是后续的主要方向1.4.4 编辑 / 分割 / 语义理解层LCC for Revit 公开强调 AI 自动识别 walls, doors, windows, levels并宣称可将 BIM 建模时间缩短 70%–90%。这说明 XGRIDS 已开始把 3DGS 从视觉表达向“结构抽取 BIM 语义化”推进。强项已触达高价值语义层而非停留在 viewer语义化是走向 Scan-to-BIM、资产管理、机器人场景理解的关键这一层可直接提升客户 ROI。短板目前公开语义能力仍以 BIM 构件为主尚未看到通用 open-vocabulary / industrial semantics 平台化能力缺少对复杂工业设施、管线、构件族、设备台账的广义语义栈公开证据。1.4.5 压缩 / 发布层LCC Studio 与 LCC 官方页面公开强调 90% 更小文件体积、跨平台访问、分享、注释、编辑与发布。强项已意识到 3DGS 真正产品化的瓶颈不只是重建而是存储、传输、协作与发布压缩和发布层一旦做好会直接提升团队协作和 SaaS 化能力。短板需要进一步做版本管理、访问权限、资产索引、跨项目知识复用。1.4.6 BIM/CAD/机器人/仿真接口层XGRIDS 已公开推出 LCC for Revit并公开宣传与 NVIDIA Isaac Sim 的集成PortalCam / LCC 页面也明确强调 Unreal / Unity / Web 等 SDK 兼容或开发者工作流。强项这是真正可能形成生态锁定的位置下游接口越深越难被“上游扫描硬件”或“底层算法能力”替代对 BIM、仿真、机器人、影视等多垂类的共用价值高。短板目前接口体系仍偏点状尚未形成行业平台级标准事实需避免只停留在“导出插件”层而要做成“可验证、可维护、可协作”的工作流中台。1.4.7 产品矩阵1. 硬件层从手持 SLAM 到空间相机官网显示其域创新的前台产品线已经不止单一手持 LiDAR而是形成了多级硬件矩阵包括灵光 L2 Pro、灵光 K1、PortalCam、灵视 P1、凌巡 S1、灵光 M1等。其中文件和官网片段可验证的核心产品至少包括 K1、L2 Pro 与 PortalCam。citeturn447392search3turn447392search0其中Lixel K1的公开规格强调轻量化和移动扫描英文产品页给出关键指标±1.2cm 精度、200,000 points/sec、40m 量程、1.5 小时续航、1kg 重量。它明显面向中小场景、室内空间、轻量化建模和快速走扫应用。Lixel L2 Pro则明显定位更高阶第三方产品页与渠道页披露其可实现1cm 相对精度、3cm 实时绝对精度、120m/300m 量程、320k/640k pts/s并支持 RTK 和车载挂载等扩展适合大场景测绘、基础设施、工地与外业盘测。PortalCam的定位更加“消费级门槛降低 3DGS 空间内容生产”。官方商店与渠道资料均将其定义为“First True Spatial Camera / 第一台真正的空间相机”官方商店公开价为4,999 美元渠道资料披露其 LiDAR 扫描速率可达856,000 pts/s。这意味着其域创新不仅做测绘和工业设备也在尝试把空间内容生产扩展到更轻量、更易传播的入口级产品。2. 软件层从点云处理走向 3DGS 内容生产公开协议、官网和产品页显示其软件产品至少包括Lixel Studio、Lixel CyberColor、Lixel GO、LCC Scan App、LCC Cloud、LCC for Revit。其中 Lixel Studio 更偏工程处理、测量、坐标系统、导出和后处理Lixel CyberColorLCC更偏 3DGS 场景生成与高写实内容表达。Lixel Studio 的页面明确强调了其对工程流程的适配能力支持 8 种以上主流坐标系统、七参数基准转换、大地水准面格网模型高程拟合。这不是纯可视化软件的叙事而是明显在争夺测绘/BIM/GIS 的工程入口。LCC 则直接对应其域创新在 3DGS 方向的差异化定位。公司在外部招聘与国际 PR 中把它表述为SLAM-based Gaussian Splatting software并强调从扫描到高写实三维环境生成的速度与可测量性。换句话说公司试图把“点云/影像采集设备厂商”升级成“空间内容生产平台”3. 行业适配层BIM、测绘、影视、仿真官网首页与内容页可见LCC for Revit 已被明确列为产品模块相关外部教程也说明 XGRIDS 扫描数据可通过共享坐标等方式与 Revit/Civil 3D 流程对接。对投资人而言这代表其域创新并非止步于“扫描仪卖出”而是在争夺下游设计建模流程中的数据入口。先说清楚3DGS 重要是事实。它至少同时解决了过去三维内容生产中最痛的三件事真实场景高保真表达它显著提升了从真实采集到可视化结果之间的保真度与效率平衡。实时性与可交互性相比更慢、更重的隐式场表示3DGS 更容易做成工程化浏览、编辑、分发与轻量访问。从重建到展示的链路缩短它让“采完—处理—可看”的时间大幅缩短从而具备了真正产品化的基础。这也是为什么 XGRIDS 选择把常规 3DGS 嵌入产品主链路这个判断本身没有问题。 从产业演化看3DGS 确实是过去几年现实捕获与空间表达层里最重要的技术跃迁之一。但重要不等于护城河。一项技术越重要只要它具备足够明确的工程价值它就越容易被平台吸收为默认能力。1.5 业务链与收入结构其域创新怎么赚钱1.5.1 业务链条判断结合官网、商店、案例和招聘信息其域创新的商业链条可以概括为上游激光雷达、相机、IMU、RTK、嵌入式计算、结构件与配件中游采集设备销售 本地/边缘重建 点云/3DGS 软件 云端管理与分发下游AEC/BIM、道路资产盘点、煤堆/体积测量、影视预拍摄、数字孪生、机器人仿真与训练数据。这意味着公司收入并非单一来自硬件而是至少包含四层第一层硬件一次性收入第二层软件许可证/订阅收入第三层云端/数据服务与协作收入第四层行业方案与项目化服务收入。这一判断能从其官方商店与产品命名中得到直接支持官方商店单独售卖Lixel CyberColor 1 Year License说明软件付费是明确存在的而非硬件附赠功能。1.5.2 单价与客单价的外部锚点公开官方与渠道售价可以给出若干价格锚点但要注意渠道价不等于公司净收入只能作为客单价区间参考。官方商店公开的 PortalCam 套装价为4,999 美元第三方渠道披露K1 约 12,365 美元L2 Pro 欧盟渠道价约31,952.73 欧元未含 VAT。因此其域创新当前产品组合横跨约5 千美元到 3 万欧元以上的设备价格带外加独立软件授权。对投资分析而言这个价格带有三层含义其一设备端具备一定 ASP平均销售单价支撑不是低毛利消费电子打法其二软件 license 的存在为“硬件毛利受渠道挤压”提供了对冲其三若云端协作、行业模板、Revit/仿真插件持续增强公司有机会逐步把收入结构从 CAPEX 一次性销售转向 “CAPEX SaaS/订阅 服务” 的复合模式。上述第三点属于推断但其方向与现有产品结构高度一致。2. 常规 3DGS 重建路线2.1 技术原理简述经典 3DGS 路线本质上是真实多视图采集 → 位姿求解通常依赖 SfM / COLMAP 类工具→ 稀疏初始化 → 3D Gaussian 参数优化位置、协方差、透明度、颜色/SH→ 通过高效 splatting 实现实时新视角渲染。原始 3DGS 论文强调其实时渲染与高保真新视角优势COLMAP 仍是广泛使用的 SfM/MVS 基座。原始 3DGS 数学基础与工程可以看我之前写的这篇硬核的技术底层我就不在这赘述了。2.2 工程链路拆解数据采集手机、相机、视频、手持 LiDAR、深度相机、IMU、RTK位姿 / 初始化SfM、COLMAP、VIO / SLAM、多传感器融合高斯优化密化、裁剪、opacity 管理、尺度/协方差优化几何约束增强深度、法向、外参一致性、先验约束大场景工程化分块、拼接、流式渲染、压缩后处理与分发编辑、测量、注释、viewer、BIM/CAD/仿真。2.3 路线优势对真实场景保真度高与真实采集硬件天然匹配在影视预制片、数字展陈、实景空间浏览、Scan-to-BIM、仿真场景生成方面商业路径清晰一旦与 SLAM / LiDAR / 多传感器融合结合可同时兼顾效率与真实世界覆盖在实时预览和沉浸式浏览上通常优于传统 NeRF 训练/渲染效率。2.4 NeRF / 传统摄影测量 / 点云 / Mesh路线主要优势主要不足对 XGRIDS 的意义传统摄影测量 / SfM-MVS测绘/工程成熟、可解释、标准多效率较低视觉沉浸感弱仍是工程坐标和质量基线点云/TLS/SLAM几何可靠、量测友好表达不够逼真是 XGRIDS 的工程底座Mesh 工作流CAD/BIM/游戏兼容强制作成本高、实时更新差重要下游目标但非最优上游表达NeRF视觉质量好训练/渲染成本较高交互弱作为历史参照不是 XGRIDS 最优产品形态后续3DGS转mesh路线成熟后完全可以重构若以此路线为核心在以下场景有较强机会AEC / Scan-to-BIM / 施工进度 / 资产盘点文旅 / 影视预制片 / 虚拟制片资产大空间展示与沉浸式空间内容机器人/仿真环境数据准备。常规 3DGS 技术路线竞争未来不会消失但会快速商品化。它会越来越像“空间数据生产的基础层能力”而不是单独的长期护城河。真正的长期壁垒将转移到质量控制标准化工作流语义与结构提取发布与资产管理BIM/CAD/仿真/机器人接口行业数据沉淀与客户流程锁定。3. 前馈式 3DGS 生成路线3.1 原理简述前馈式 3DGS 路线的核心不是“对单个场景做长时间优化”而是通过Transformer / diffusion / geometry-aware large model在一次前向或极少迭代中直接从txt、单图、少图、无姿态图像集合预测 3D Gaussian 表示。去年的LGM、GRM、Splatt3R、AnySplat 都属于这一范式的重要代表近期的一些工作我后续单独分析。大幅降低单场景优化时间降低输入门槛对少图/无位姿/随手拍更友好适合电商资产生成、游戏资产生成、UGC 世界构建、文旅内容生产对未来交互式 3D agent / design copilot / world model 具有重要价值。从实现路径上看现有前馈式 3DGS 方法大致可归纳为两条主链路像素域路线与特征域路线像素域路线pixel-space pipeline像素域路线直接从输入图像的 RGB、alpha、depth 或多视图像素栅格中回归 Gaussian 参数核心思想是让网络在较靠近图像观测层的表示空间中完成 2D-to-3D lifting。其典型流程通常包括图像编码、多视图信息聚合、2D 特征到 3D 参数映射以及 Gaussian 属性预测。预测变量一般包括高斯中心μ i \mu_iμi​、尺度/协方差Σ i \Sigma_iΣi​、不透明度α i \alpha_iαi​、颜色或 SH 系数c i c_ici​等。该路线的优点是实现直接、推理速度快、端到端性强容易继承大规模图像模型的表征能力但其难点在于若缺乏足够强的几何约束模型容易生成视觉上合理但几何上不稳定的 Gaussian 分布尤其在遮挡区、薄结构、少视角区域更容易出现深度漂移与结构伪影。特征域路线feature-space pipeline 我主要在做这块特征域路线则先将图像编码为更抽象的中间表征例如多视图特征体、token 序列、patch-level geometry-aware descriptors 或 latent scene representation再在该特征空间中完成跨视图融合、几何推理与 Gaussian 解码。与像素域直接回归相比这一路线更强调在特征空间中显式建模视图一致性、局部对应关系、三维结构约束与场景先验。其优点是几何表达通常更稳更适合接入 Transformer、cross-view attention、cost volume、epipolar prior 或 scene token reasoning 等模块但代价是系统复杂度更高对训练数据规模、特征设计和跨视图对齐质量要求也更高。可以把两条链路的差异简要概括为像素域路线更偏向“从观测直接回归表示”强调速度、直接性与端到端生成特征域路线更偏向“先构造中间几何表征再解码为 Gaussian”强调结构一致性与几何稳健性。3.2 路线难点训练数据门槛高需要大量高质量 2D-3D 对齐数据、姿态信息、多样视角和场景覆盖真实工程场景、工业设施、BIM 构件、反光/透明物体等长尾难收集。几何可靠性不足生成结果可能“看起来像”但不一定满足工程可量测和结构真实。泛化与尺度问题物体级、房间级、城市片段级、工业设施级的数据分布差异极大。商业化模式不同其价值更偏内容生产与效率提升不天然等于工程交付可信度。资本与算力消耗高若做通用 foundation model组织、算力、数据和持续评测成本都显著高于当前 XGRIDS 最优投入区。3.3 简单列举几篇工作GRM强调 large-scale reconstructor可从 sparse-view images 在约 0.1 秒级恢复 3D asset展示了 feed-forward 高速重建潜力但其典型优势更适合通用资产/内容生成而非直接等价于工程现场量测底座。LGM支持从 text 或单图/多图生成高分辨率 3D Gaussian 对象更像内容生成和资产制作工具链的重要方向。Splatt3R / AnySplat向无位姿、自然图像、随手拍和 unconstrained views 推进证明 feed-forward 3DGS 正在从受控数据走向更真实输入但距离高可信工程交付仍有明显差距。结论不适合作为未来 2 年主营。原因工程/测量场景需要可追溯几何、坐标、误差边界和多次复核前馈式路线当前更强在“快”和“像”而不是“测量可信”对真实行业 ROI 来说它更适合作为增强层而非 authoritative truth layer。3.4 合理切入位置若中小厂布局前馈式 3DGS最合理的位置不是“做通用底层大模型研发者”而是推荐位置 A垂类场景产品化围绕 AEC、工地、厂房、影视、仿真等真实空间场景把前馈模型用作稀疏采集补全遮挡区域修复低质量采集增强构件级自动初始识别viewer 端快速粗模预览scan-to-BIM 的语义预标注。推荐位置 B行业数据与工作流整合利用真实扫描资产、BIM 对照数据、Revit 插件使用记录、行业标签和测量反馈建立垂类数据资产库为后续训练“行业专用增强模型”做准备。不推荐位置通用 foundation model 竞争原因很简单大模型训练资金消耗大大厂和研究型平台会更快占据通用模型话语权中小企业与其正面竞争边际胜率低。3.5 自我替代风险前馈式路线对 XGRIDS 的现有采集硬件既是增强也有替代风险增强面降低采集要求可提升设备效率与用户体验替代面若用户能用更少数据生成“足够好”的结果则会削弱“必须买专业扫描设备”的理由。因此最优策略不是把前馈模型当成硬件替代品而是把它设计成硬件价值放大用于加速用于补全用于智能辅助不用于替代测量可信采集。3.6 双路线对比与战略选择维度常规 3DGS 重建前馈式 3DGS 生成技术范式数据驱动重建单场景优化/较强场景依赖模型驱动预测一次前向/极少迭代输入要求多视图/采集质量较高通常依赖位姿或 SLAM单图/少图/无位姿也可尝试数据壁垒来自采集能力、真实场景和工作流来自大规模训练数据与模型能力研发成本中高但可与产品现金流联动高且前期偏重投入产品化速度快当前已可规模商用中垂类可做增强通用化难工程可量测性更容易做到可控、可校验当前整体偏弱资本消耗相对可控更高最强场景AEC、测量、影视预拍、仿真真实环境内容生成、资产生成、少图增强大厂替代风险高已在商品化极高大模型平台优势明显XGRIDS 当前适配度高中低推荐角色主营主线战略储备 / 增强层不建议把公司主叙事转成“通用 3D 大模型公司”不建议重资产追求泛化到所有消费级 3D 生成场景不建议把硬件主线过早边缘化。4. 3DGS 为什么不能是护城河我现在判断 3DGS 不是长期护城河主要基于三个原因。第一3DGS 已经开始进入更大平台的基础栈当一项 能力还只存在于论文、demo 或少数创业公司里时它有差异化价值。但当它开始被更大平台吸收时它的战略属性就会发生变化。今天更值得注意的不是“3DGS效果好”而是DJI Terra 已经公开纳入 3D Gaussian Splatting 叙事NVIDIA 已经把 3DGS 纳入 Omniverse / physical AI 相关工作流与 real-to-sim 叙事Niantic Spatial 的重点也早已不是“有没有重建”而是 Capture / Reconstruct / Localize / Understand 的完整空间智能栈。这些信号共同说明了一件事3DGS 正在从“先进能力”变成“平台能力”。一旦进入这个阶段行业竞争的焦点就不会长期停留在“谁会 3DGS”而会转向谁能把它接得更深谁能把它放进正式工作流谁能围绕它形成难迁移的资产与管理体系。第二3DGS 更像“表达层”而不是“控制层”3DGS 非常强但它主要强在表达效率和视觉表现上。这意味着它天然适合作为一个核心显示层、内容层、分发层、交互层甚至是与其它形式数据转换的中间态。但表达层不等于控制层。客户真正长期离不开的不是“某个场景是用 Gaussian 还是 mesh 表达”而是以下这些控制关系采集入口是谁在掌握数据怎么组织坐标和语义怎么定义资产怎么发布与更新权限怎么管理结果如何进 BIM / CAD / 仿真 / 机器人多轮复用和协作如何发生。所以从企业视角看3DGS 是很重要的“how”但客户最终付费的往往是“what gets controlled”。第三3DGS 无法单独回答“authoritative world asset”一个 3DGS 模型可以非常真实、非常丝滑、非常可看。但“可看”并不自动等于“可交付”“可治理”“可训练”“可评测”。如果一个空间结果缺少以下能力坐标锚定结构语义差分更新版本谱系权限治理状态追踪正式接口质量边界那么它仍然更像一个高级内容文件而不是企业真正意义上的 world asset。参考文献公司与产品资料XGRIDSXGRIDS 官网首页XGRIDS About UsAI operating in real-world environmentsXGRIDS LCCMulti-SLAM 3D Gaussian SplattingXGRIDS LCC for RevitXGRIDS 新闻LCC for Revit / Scan-to-BIMXGRIDS Lixel StudioXGRIDS LCC StudioXGRIDS Lixel K1XGRIDS PortalCam 官方商店页XGRIDS Lixel CyberColor 1 Year PremiumXGRIDS DeveloperXGRIDS Global Partners公司基本面与外部信息36氪项目页其域创新融资历史爱企查深圳市其域创新科技有限公司企查查深圳市其域创新科技有限公司启信宝深圳市其域创新科技有限公司Deloitte China Technology Fast 50 官方说明2025 德勤中国高科技高成长 50 强名单NVIDIA / Physical AI / OpenUSDNVIDIA OmniverseNVIDIA 新闻Omniverse RTX ray-traced 3D Gaussian Splatting / Cosmos / RoboticsNVIDIA DeveloperOpenUSD for DevelopersNVIDIA Isaac Sim DocumentationNuRec / Neural ReconstructionNVIDIA CosmosPhysical AI with World Foundation ModelsNVIDIA FY2026 Q4 / Fiscal 2026 Financial Results产业对标与生态参照DJI TerraDJI EnterpriseDJI Zenmuse L2DJI Matrice 4 SeriesNiantic Spatial CaptureNiantic Spatial ReconstructNiantic Spatial LocalizeNiantic Spatial UnderstandNiantic’s Next ChapterMatterport 2024 财务结果CoStar 完成收购 MatterportAutodesk ReCapAutodesk Construction CloudTrimble Reality Capture Platform ServiceBentley Digital TwinsHexagon Reality Capture3DGS / NeRF / 摄影测量基础文献3D Gaussian Splatting for Real-Time Radiance Field RenderingCOLMAPNeRF: Representing Scenes as Neural Radiance Fields for View SynthesisDepth-Regularized Optimization for 3D Gaussian SplattingScaffold-GS: Structured 3D Gaussians for View-Adaptive RenderingCompression in 3D Gaussian Splatting: A SurveyLGM: Large Multi-View Gaussian Model for High-Resolution 3D Content CreationGRM: Large Gaussian Reconstruction Model for Efficient 3D Reconstruction and GenerationSplatt3RAnySplatXGRIDS 案例影视相关XGRIDS 案例施工相关XGRIDS 案例矿井相关