摘要：地下建筑的核心矛盾，不是“把房子建到地下”那么简单，而是确定性建造需求与不确定性地质条件之间的对抗。传统地下工程依赖“经验驱动设计 + 人工衬砌施工”：工程师根据钻孔取芯和地质剖面画断面，工人在狭窄的模板台车上一层层绑钢筋、浇筑、振捣。这套模式在地质条件突变、超挖欠挖、渗水路径不可见的情况下，会暴露出三个结构性弱点：设计迭代慢、施工质量依赖人的手感、防水与结构分两道工序做。人工智能与3D打印的介入，改变的正是这三个环节的确定性来源：生成式扩散模型把“地质应力场 + 开挖红线”作为条件，逐步去噪生成洞室群拓扑，把设计从“画出来再验算”变成“在物理约束下生成再评估”；物理引导的Wasserstein GAN在土壤不确定性下生成大量物理一致的隧道方案，案例中某双线曲线隧道相比初始方案改善23.01%、最低可靠度维持在99.95%；喷射式3D打印衬砌在广湛高铁向前隧道把“立模—绑筋—浇筑—养护—拆模”压缩为“扫描—建模—打印”，误差控制在25 mm以内，并把防水与结构从两道工序合并为一体化打印。本文严格基于2024—2026年的公开研究、工程案例和综述，把“AI生成地下建筑 + 3D打印建造”拆成条件生成、材料与工艺、机器人集群、功能集成、工程化可行性五个层面，配以公式、表格和Mermaid图，给出一个在技术上可追溯、在工程上可分段验证的设想。

1 地下建筑为什么比地上建筑更需要“生成”，而不是“设计”

1.1 地质体的不确定性是设计的第一输入，而不是背景条件

地上建筑的设计逻辑是“先有场地，再有荷载，再有结构”；地下建筑的设计逻辑是“场地本身就是荷载，而且你不知道它的边界在哪里”。岩体中的不连续结构面、软弱夹层、地下水通道和初始应力场，决定了开挖后的变形和破坏模式，而这些信息只能通过有限的钻孔和物探间接推断。一篇关于3D打印在岩土工程中应用的综述明确指出，同一岩体在不同力学条件下的参数和破坏特征难以通过传统取样方法完整获得，而3D打印与3D扫描、CT扫描结合，为复杂结构岩体的力学行为研究提供了新的重构途径。

这意味着，地下建筑的设计问题在数学上不是一个“给定边界条件求最优解”的问题，而是一个条件生成问题：给定一组部分可观测的地质约束（钻孔应力数据、物探剖面、开挖红线、地表沉降限值），生成一组在物理上一致、在功能上可行、在施工上可执行的形体方案。传统拓扑优化（如变密度法）在单一工况下可以给出漂亮的材料分布，但面对复杂围岩地应力约束时计算开销巨大，而且很难把“开挖红线”“相邻隧道”“土壤参数的空间变异性”同时编码进去。

1.2 从“画断面”到“生成拓扑”：设计范式的转移

2026年公开的研究给出了这条范式转移的几个关键节点。一项工作利用条件扩散模型的逐步去噪特性，在给定地质应力场与开挖红线边界作为条件的前提下，自主生成具备高结构韧性与低开挖量要求的洞室群最佳空间形体拓扑；其技术核心是三维空间几何扩散网络、隐空间力学惩罚损失项设计，以及复杂应力边界条件的硬性对齐。另一项针对地下防护建筑空间布局的研究，把防护要求、功能邻接关系和空间可行性编码为统一的张量表示，用变分自编码、基于强化学习的空间调整和进化优化构成“生成—评估”闭环，让布局在高维约束下收敛到连贯稳定的配置。还有一项针对邻近隧道与土壤不确定性的交互式生成设计，用参数化有限元分析生成数据集、训练代理模型，结合可靠度理论和Sobol采样的随机优化产生Pareto最优解，并用多属性决策选出最终方案；案例中的双线曲线隧道相比初始方案改善23.01%，最低可靠度维持在99.95%。

这些工作的共同点不是“用了一个更大的模型”，而是把物理约束从“事后验算”前移到了“生成条件”里。物理引导的Wasserstein GAN之所以在隧道生成中有效，是因为它训练的数据集本身就来自考虑土壤不确定性的拓扑优化模型，生成器学到的不是“好看的形状”，而是“在给定物理条件下大概率成立的形状”。

图1把“传统设计流程”与“条件生成设计流程”并列，标出物理约束在两条流程中的位置差异：前者在末端做验算，后者在输入端和损失函数里做硬性对齐。

图1 传统设计流程与条件生成设计流程中物理约束的位置差异

2 条件扩散与物理引导：AI生成地下形体的三条技术路径

2.1 条件扩散模型：把“去噪”变成“在应力场中寻找形体”

扩散模型的核心机制是“加噪—去噪”：训练时对真实数据逐步加噪，学习逆转这个过程；生成时从纯噪声出发，在每一步去噪中根据条件调整方向。用于地下洞室群生成时，条件就是地质应力场和开挖红线边界，去噪的每一步都在“让形体更像一个在给定应力场下稳定的洞室群”这个方向上修正。

这个机制之所以适合地下问题，是因为它天然支持多解性。一个给定的应力场和红线，不存在唯一的“正确洞室形状”，而是存在一族在可靠度、开挖量、施工可行性上各有取舍的方案。扩散模型输出的是分布，而不是单点，这与地下工程“在不确定性中选方案”的决策逻辑是对齐的。

2.2 物理引导GAN：用生成器替代昂贵的拓扑优化

物理引导的Wasserstein GAN走的是一条更“工程化”的路径。它的训练数据集来自考虑土壤不确定性的拓扑优化结果，物理引导体现在生成器和判别器的约束中，目的是让生成的方案满足平衡方程和强度准则，而不是只在像素层面“像”训练数据。案例中双线曲线隧道23.01%的改善和99.95%的最低可靠度说明，生成模型在特定工况下可以做到接近传统优化的质量，但速度快得多——因为训练完成后，生成一个方案只需要一次前向推理，而不是重新跑一遍拓扑优化。

但这条路径有一个结构性依赖：训练数据的质量和覆盖范围决定了生成的上限。如果训练集只覆盖某几类地层和断面形式，生成器在面对未见过的不良地质组合时，可靠性会下降。这也是为什么近期的工作开始把“物理场信息”（应力场、应变能密度场）引入训练，以提升对未见边界条件的泛化能力。

2.3 强化学习与进化优化：把“生成”变成“序列决策”

地下建筑的形体不是一次性确定的，它是在开挖顺序、支护时机、相邻隧道施工扰动等一系列序列决策中逐步成形的。把空间布局的调整建模为强化学习的动作，把可靠度或开挖量作为奖励，让智能体在“生成—评估”的循环中学习调整策略，是第三条路径的代表。这条路径的优势是它能处理“先挖哪一段、后挖哪一段”这类时序问题，而扩散模型和GAN更擅长处理静态的形体生成。

表1 三条AI生成地下形体技术路径的机制、优势与工程约束

路径	核心机制	输入条件	输出	优势	主要工程约束
条件扩散模型	逐步去噪，条件引导	应力场、开挖红线	形体拓扑分布	多解性、物理约束可硬性对齐	三维几何表示与力学惩罚设计复杂
物理引导GAN	生成器—判别器对抗，物理约束嵌入	拓扑优化数据集、土壤不确定性	物理一致的方案族	推理速度快，接近优化质量	依赖训练集覆盖范围
强化学习+进化优化	序列决策，奖励驱动	功能邻接、防护要求、施工序列	布局/开挖顺序	可处理时序与多目标	训练稳定性与样本效率

3 从“生成”到“打印”：地下3D打印的三条工艺路线

3.1 喷射式衬砌：在既有隧道轮廓上“吐”出结构

2026年4月通过验收的广湛高铁向前隧道，是国内首座3D打印一体化衬砌隧道。它的工艺逻辑不是“在地面上打印一个构件再吊装下去”，而是机器人沿着隧道开挖轮廓，用喷射管一层一层喷射纤维混凝土，三维扫描仪先扫一遍开挖面、生成数字模型，机器人按路径喷射，混凝土逐层堆积形成梯度结构。

这条路线最值得注意的不是“打印”这个动作，而是它把三道工序压缩成了一道。传统衬砌是“初期支护 + 防水板 + 二次衬砌”，三道工序分三次做；3D打印衬砌把“支护防水一体化”，一次打印完成支撑和防水两层功能。材料上，传统混凝土加钢筋网，打印用的是高强韧纤维混凝土——聚丙烯纤维或钢纤维均匀分散，形成网状骨架，不用钢筋也能承担荷载。质量上，数字化路径控制的误差 ≤25 mm，而人工绑筋的保护层偏差有时能到50 mm。

3.2 先打印后开挖：在土体里“长”出隧道壳体

hyperTunnel走的是另一条更激进的路线：不先挖土，而是先用机器人集群在土体里把隧道壳体打印出来，再把壳体内的土挖走。它的工艺是：用水平定向钻在拟建隧道轮廓上钻一排直径约250 mm的导向管，半自主机器人携带化学材料在导向管内移动，通过微型钻头向周围地层钻孔并注入固化材料，固化后形成隧道衬砌；壳体完成后，再用遥控挖掘盾构把壳体内的土体挖除。

这条路线在2022年10月展示了一段6米长、2米高的演示隧道，被描述为“世界首台机器人建造的隧道”。但它的工程化命运也提供了重要的教训：hyperTunnel在2024年7月因为1200万英镑可转换债券被要求偿还而进入破产管理，所有员工在7月31日被裁撤，资产以150万英镑出售，知识产权作价1英镑。这说明**“先打印后开挖”在技术上可行，但在商业和工程风险上远未成熟**——它需要极其精确的地质模型、极其可靠的机器人集群协同，以及一个愿意为未验证技术承担前期成本的客户。

3.3 机器人集群与就地取材：从地球地下到火星熔岩管

TU Delft的Rhizome2项目把这条思路推到了极端场景：在火星的熔岩管里，用一群自主移动机器人携带不同的末端执行器，就地开采风化层材料，3D打印建筑构件，再用机器人—机器人、人—机器人交互支持的设计—机器人生产—装配—运行（D2RPA&O）流程完成组装；装配好的结构承载生命支持系统，整个栖息地的建造和运行由太阳能和风筝发电的混合能源系统供电。

这条路线对地球地下建筑的启示不在于“火星”，而在于机器人集群 + 就地取材 + 原位建造这个组合。当地下建筑的规模大到无法从地面运输全部材料时，用开挖出来的岩土或工业副产品作为打印原料，用一群可以互相协作的小型机器人代替一台大型设备，是降低运输成本和单点故障风险的结构性方案。但正如岩土3D打印综述指出的，高强度、高脆性、低延性的打印材料仍然是岩土工程应用的主要瓶颈，打印机还需要同时满足高精度、大尺寸、高强度和长时间连续打印的要求。

4 功能集成：打印的不只是结构，还有通风、照明和感知

4.1 深地空间的环境控制为什么必须在建造阶段就考虑

深地空间的环境特征与地面建筑有本质差异：密闭程度高、通风不畅、岩体持续释热、缺乏自然光照。如果等到结构打印完成再“加装”通风管道、照明灯具和传感器，就会面临两个问题：一是打印出的曲面壳体可能没有预留足够的管线空间，二是后装的设备会破坏已打印表面的连续性，增加渗漏和积灰的风险。

一条可行的思路是把被动和主动功能集成到增材制造的构件中。德国AMC TRR277的研究方向就是把传感器、智能控制和分散化的加热、冷却、通风、照明功能集成到打印构件里，通过2D/3D热流仿真来验证集成效果。在深地场景中，这意味着打印衬砌的同时在壳体内部预留通风微通道、嵌入光纤温度/应变传感器、在特定位置打印透光或导光的几何结构，让结构本身成为环境控制系统的一部分。

4.2 AI驱动的多场景环境控制：从“固定传感器”到“自学习策略”

2026年发表的一项深地空间环境控制研究，指出了一个关键痛点：传统系统传感器布置固定、控制策略单一固化，缺少分场景差异化调控方案，舒适度评价指标缺失，能耗偏高。它的解决方案是引入ADPI空气分布特性指标、专家策略模型库和试探式自学习算法，搭建“感知采集—数据传输—平台决策—设备执行”四层架构，针对办公、生活、室外模拟等不同功能区分别制定温湿度和照明策略。

这与第2章的生成式设计形成了一个闭环：设计阶段生成的形体决定了气流组织和采光路径的边界条件，运行阶段的环境控制数据又反过来成为下一轮生成的条件。一个真正“AI生成”的地下建筑，不应该在打印完成的那一刻就固定下来，而应该是一个在运行中持续被数据修正的活系统。

图2把“生成—打印—运行—反馈”画成一个闭环，标出每一环的数据流向：生成阶段用地质和功能约束，打印阶段用材料和机器人参数，运行阶段用环境传感数据，反馈阶段把运行数据回灌到生成模型的条件里。

图2 生成—打印—运行—反馈的地下建筑闭环

5 防水、力学与耐久性：3D打印地下结构的“硬约束”

5.1 打印混凝土的抗渗性能是地下应用的门槛

地下建筑与地上建筑最大的材料学差异，是水压。地下结构长期承受静水压力，任何连通的孔隙都会成为渗水通道；而3D打印混凝土的逐层堆积工艺，天然会在层间形成弱结合面和定向孔隙，这对抗渗是不利的。一项关于3D打印混凝土力学性能与渗透性的研究指出，由于打印工艺的影响，低水泥含量3D打印混凝土的抗压和抗折强度可能低于浇筑混凝土；另一项X-CT与DEM模拟研究显示，打印混凝土的渗透系数可能保持在较高水平（0.3976），抗压强度的变异系数从0.30降到0.12，而抗拉强度变异系数在特定打印速度下达到峰值0.26。

这些数据说明，3D打印地下结构的防水不能靠“打印完再刷一层防水涂料”来解决，必须从材料配方和工艺参数入手。已有的超高性能混凝土配合比研究显示，用该配合比配制的3D打印试件和浇筑试件均具有良好的抗渗性能，试件能在1.4 MPa水压下保持抗渗；功能梯度竖井壁结构的研究则把“外层抗水压层”和“内层抗渗层”分开，用不同的混凝土配方分别打印。另一项针对河道挡土墙的3D打印混凝土试验给出了一个可参考的配比区间：砂率0.50、水胶比0.40、矿粉掺量0.30%、纤维掺量1.5%时，抗渗性能最好。

5.2 曲面打印的力学各向异性

隧道衬砌是曲面，而3D打印的力学性能与打印路径的方向强相关。一项2025年发表的研究专门比较了曲面打印试件与直线打印试件的力学性能差异，指出目前针对3D打印混凝土隧道衬砌的力学性能研究仍然有限。这意味着，即使材料配方在平板试件上达标，把它打印成曲面衬砌之后，层间结合面的方向和受力方向的关系可能完全不同。一个负责任的“打印生成地下建筑”设想，必须把打印路径的方向作为生成模型的约束之一，而不仅仅把几何形状作为输出。

表2 3D打印地下结构的材料—工艺—性能关系（公开数据）

指标	公开数据/区间	对地下应用的含义	来源
打印混凝土抗压强度	可能低于同配比浇筑混凝土	需在配比中补偿层间弱面
渗透系数	可达0.3976量级	层间定向孔隙是主要渗水路径
抗压强度COV	0.30 → 0.12（随工艺优化）	工艺稳定性对可靠性影响显著
抗拉强度COV峰值	0.26（特定打印速度）	打印速度需与材料流变匹配
抗渗水压（UHPC配比）	1.4 MPa	可覆盖中等埋深地下结构
最优抗渗配比参考	砂率0.50、水胶比0.40、矿粉0.30%、纤维1.5%	需按实际材料和环境调整

6 工程化路径：从一个“可验证的最小系统”开始

6.1 不要从“打印一整栋地下建筑”开始

hyperTunnel的教训说明，技术可行性和工程可行性之间存在一条很宽的鸿沟。一个更务实的路径是把“AI生成 + 3D打印地下建筑”拆成三个可以独立验证的阶段。

第一阶段：生成模型在已知地质条件下的“影子设计” 。不改变现有施工流程，让生成模型针对已经完成设计的隧道或洞室输出方案，由工程师用传统方法验算和对比。这一阶段的目标不是“替代设计”，而是验证生成模型在真实地质数据上的可靠度和可解释性。条件扩散模型和物理引导GAN在公开案例中已经展示了23.01%的改善和99.95%的可靠度，但这些数字需要在更多地质类型上复现。

第二阶段：打印衬砌在局部段落的应用 。广湛高铁向前隧道的案例已经证明，喷射式3D打印衬砌在既有隧道轮廓上可以做到误差≤25 mm、防水结构一体化、人工大幅减少。这一阶段的扩展方向不是“打印更大的建筑”，而是把打印衬砌从“直线段/标准断面”推广到“变截面/不良地质段”，并积累不同围岩条件下的长期耐久性数据。

第三阶段：机器人集群的原位建造 。这是最远期、也最不确定的阶段。hyperTunnel的“先打印后开挖”在演示尺度上成立，但它的商业失败提醒我们，集群机器人的协同可靠性、材料供给的连续性、以及地质模型的不确定性，任何一个环节出问题都会让整个方案失去经济性。更现实的路径可能不是“用机器人打印整条隧道”，而是“用机器人打印那些人工难以进入、或者模板无法拆除的特殊部位”。

6.2 确定性的来源必须从“人”转移到“系统”

这套设想最有价值的部分，不是某一个模型或某一台打印机，而是它把地下建造的确定性来源从“工程师的经验”和“工人的手感”转移到了“可验证的生成条件”和“可重复的机器人路径”。传统衬砌施工中，振捣密不密实、钢筋保护层够不够，依赖的是老工人的经验，同一批人上午和下午干的质量都可能不一样。生成式设计和3D打印把这两件事变成了条件约束下的采样和路径规划下的执行：前者可以用可靠度指标来量化，后者可以用扫描点云和在线监测来验证。

但这并不意味着“人”被移除。生成模型需要人定义约束、选择方案、判断哪些约束是硬性的、哪些是可以协商的；打印系统需要人维护设备、处理异常、决定什么时候停机。AI和机器人改变的是人在回路中的位置：从“用手塑造材料”变成“用约束塑造搜索空间”。

7 结语：打印生成地下建筑的本质，是用“条件”对抗“不确定性”

地下建筑之所以难，是因为它的第一输入——地质体——本身就是不确定的。传统方法用“经验 + 保守系数”来吸收这种不确定性，代价是设计迭代慢、材料浪费大、施工质量波动。人工智能时代的“打印生成地下建筑”设想，其核心不是“用AI画一个更酷的地下空间”，而是把不确定性编码为生成条件，把确定性交付给机器人执行：条件扩散模型把应力场和开挖红线作为去噪的方向，物理引导GAN在土壤参数的空间变异性中搜索可靠度≥99.95%的方案，喷射式3D打印把设计路径转化为逐层堆积的纤维混凝土，机器人集群把“先造结构、再挖土方”变成一种可执行的工序。

这套设想仍然受制于三个硬约束：打印材料的抗渗与各向异性尚未在足尺地下结构中充分验证；机器人集群的协同可靠性在hyperTunnel的案例中暴露了商业化的脆弱性；生成模型的泛化能力仍然依赖训练数据的覆盖范围，面对未见过的不良地质组合时，物理一致性可能失效。因此，一个负责任的路线图不是“十年内打印整座地下城市”，而是从影子设计开始，到局部衬砌打印，再到特殊部位的原位建造，每一步都用可测量的可靠度、误差和耐久性数据来决定是否进入下一步。当地下建筑的确定性不再依赖某个人的手感，而是依赖一组可以被审计的条件和一条可以被复现的路径时，“打印生成”才真正从一个设想变成了工程。

参考资料

[1] 具备力学约束的生成式扩散模型在大型地下洞室群拓扑生成中的应用[EB/OL]. 小红书学术分享, 2026-05-20. 条件扩散模型以地质应力场与开挖红线为条件、逐步去噪生成洞室群拓扑；三维空间几何扩散网络、隐空间力学惩罚损失项、复杂应力边界条件硬性对齐

[2] Research on an Intelligent Spatial Layout Method for Underground Protective Buildings Based on Generative Design[J/OL]. Procedia Computer Science, 2026. 防护要求、功能邻接与空间可行性编码为统一张量；VAE + 强化学习空间调整 + 进化优化构成生成—评估闭环

[3] Xia Z, Wang J, Li Y, Zhang L. Interactive generative tunnel layout design considering adjacent tunnels and soil uncertainties[J/OL]. Automation in Construction, 2025, 179: 106471. 参数化FEA数据集训练代理模型，结合可靠度理论与Sobol采样随机优化；双线曲线隧道案例改善23.01%、最低可靠度99.95%

[4] Zhang L, Wang J, Xia Z, Song X. Physics-guided deep learning for generative design of large-diameter tunnels under existing metro lines[J/OL]. Automation in Construction, 2025, 170: 105901. PGWGAN以考虑土壤不确定性的拓扑优化数据集训练，生成物理一致方案；MADM多工况选优

[5] 从地上走到地下——一座隧道的3D打印突围[EB/OL]. 微信公众号, 2026-05-10. 广湛高铁向前隧道3D打印一体化衬砌：扫描—建模—打印，误差≤25 mm；纤维混凝土替代钢筋网；支护防水一体化，三道工序压缩为一道；人工从每循环10–20人降至少量操作员

[6] hyperTunnel and the EIC Accelerator: Robot Tunnels, Then Collapse[EB/OL]. Rasph, 2026-09-29. 集群机器人在导向管内钻孔注浆形成隧道壳体、再开挖；2022年10月展示6 m×2 m隧道；2024年7月因1200万英镑贷款被要求偿还进入破产管理，资产150万英镑出售、知识产权作价1英镑

[7] Rhizome2: Scaling-up Capability of Human-Robot Interaction Supported Approaches for Robotically 3D-printing Extraterrestrial Habitats[EB/OL]. TU Delft Moonshot+, 2025. 火星熔岩管栖息地：自主移动机器人集群就地开采风化层、3D打印构件、D2RPA&O流程组装、承载生命支持系统

[8] 3D printing of tunnels[C/OL]. Expanding Underground – Knowledge and Practice, 2023. hyperSwarm由数千个小型隧道机器人组成，在开挖前可控放置材料形成地下结构

[9] 行业视点 | 先造出结构，再挖走渣土的“HyperTunnel”快速隧道施工技术[EB/OL]. 隧道网, 2021-11-04. 集群机器人进入导向管、微型钻头钻孔注入化学材料固化形成衬砌

[10] 3D打印在岩土工程中的应用综述[J/OL]. 中国科学院武汉岩土力学研究所, 2021. 3DP与3D扫描/CT结合重构复杂结构岩体；高强度、高脆性、低延性打印材料是岩土应用主要瓶颈；打印机需同时满足高精度、大尺寸、高强度、长时间连续打印

[11] 3D printed concrete tunnel lining: Comparative study on mechanical properties of curved and straight printed specimens[J/OL]. Construction and Building Materials, 2025, 487. 曲面打印与直线打印试件的力学性能对比；当前3D打印隧道衬砌力学性能研究仍有限

[12] Mechanical performance and permeability of low-carbon printable concrete[J/OL]. Taylor & Francis. 低水泥含量3D打印混凝土抗压/抗折强度可能低于浇筑混凝土；渗透性测试结果

[13] 基于X-CT和DEM模拟的3D打印混凝土性能各向异性研究[J/OL]. 2026. 渗透系数0.3976；抗压强度COV从0.30降至0.12；抗拉强度COV峰值0.26（1.6 m/min）

[14] 3D打印超高性能混凝土的抗渗及抗冻性能研究[J/OL]. 万方数据, 2022. UHPC配比3D打印试件在1.4 MPa水压下保持抗渗；抗冻性能良好

[15] 多层功能梯度竖井壁结构及施工工艺[P/OL]. 专利, 2020. 外层抗水压层与内层抗渗层分别用不同功能梯度混凝土配方连续打印

[16] 装配式生态河道挡土墙3D打印混凝土性能实验研究[J/OL]. 2022. 砂率0.50、水胶比0.40、矿粉0.30%、纤维1.5%时抗渗性能最优

[17] 基于深地空间场景的环境控制系统研究[J/OL]. 铁道建筑技术, 2026-07-31. 深地空间密闭、通风不畅、岩体释热、无自然光；传统系统传感器固定、策略固化；ADPI + 专家策略库 + 试探式自学习；感知—传输—决策—执行四层架构

[18] Research Summary Report C03 – Additive Manufacturing in Construction (AMC) TRR277[R/OL]. 2022. 将传感器、智能控制、分散化加热/冷却/通风/照明功能集成到增材制造构件；2D/3D热流仿真验证

[19] 面向数智化的地下工程建造技术综述[J/OL]. Journal of Architecture & Civil Engineering, 2026, 43(4). BIM、IoT、AI、数字孪生融合用于地下工程复杂地质环境与隐蔽作业风险

[20] 智驱掘进，向新而行：六大核心趋势预判AI+大盾构未来发展方向[EB/OL]. 搜狐, 2026-06-18. AI与大盾构融合朝无人化、端侧本地化、Agent集群协同、全周期贯通、绿色低碳、安全可控方向演进