LCL-161

探索生命是一场漫长的航行。因为生命远比人类制造的任何复杂产品还要复杂。 如果我们把人体比作一个宇宙，那么你身体里的37.2万亿个细胞就是这个宇宙中的星辰。这并非一个夸张的比喻。如果你把这些细胞中的DNA链条全部解开并连接起来，它们的长度足以在地球和太阳之间往返数百次。在如此宏大的尺度之下，我们对自己身体的了解，实际上比我们想象的要少得多。 我们知道生命由基因编码，人类基因组计划已经测绘出了三十亿个碱基对的序列。这就像我们拿到了一本厚重的生命之书，上面写满了A、T、C、G四个字母组成的密码。但是，拥有了零件清单，并不等于理解了这台机器是如何运转的。所有的细胞都拥有几乎相同的基因组，为什么有的变成了跳动的心肌细胞，有的变成了传递信号的神经元，而有的却变成了对抗入侵者的免疫细胞？ 这是一个关于“地图”的故事。这也是一个关于如何在未知的海域中，绘制出生命图谱的故事。 在达索系统举办的2025年科学周（Science Week 2025）上，来自斯坦福大学的Stephen Quake教授以一场题为《细胞图谱如何革命性改变我们对生命的理解》的演讲，带领与会者踏上了一场跨越时空的科学之旅，从达尔文的进化论到现代细胞图谱学，再到AI驱动的生命科学研究新范式。 Stephen Quake是斯坦福大学Lee Otterson生物工程兼应用物理学教授，陈·扎克伯格生物中心（没错，就是以小扎老婆的名字命名的）的联合创始人。他的研究团队开创了微流体自动化技术，为单细胞基因组学研究奠定了基础。作为单细胞测序领域的先驱，Quake教授带领的科研团队绘制了人类、小鼠、苍蝇、狐猴等多种生物的细胞图谱，这些工作被《自然》、《科学》等顶级期刊评为年度重大科学突破。 在接下来的篇幅中，《升华洞察》将完整地复盘Stephen Quake教授的精彩报告，并以此为起点，深入探讨达索系统如何利用虚拟孪生体验，将这些科学发现转化为能够改变人类健康的实际力量。 请跟随我，进入这个微观而又宏大的世界。第一部分：未知的海域与细胞的图谱 （以下内容基于Stephen Quake教授的演讲整理） 我向各位问好，非常感谢大家。感谢帕特里克，也感谢达索系统团队邀请我来到这里。这几天的会议非常精彩。今天，我想和大家分享关于细胞地图集的故事——以及探索没有地图的未知领域意味着什么，无论是在字面意义上还是在细胞生物学中的隐喻意义。第一章：达尔文的遗憾与基因的迷宫 让我们把时钟拨回到1831年。那一年，一位年轻的博物学家登上了皇家海军的“小猎犬号”（HMS Beagle）。他的名字叫查尔斯·达尔文。那时候的他，还只是个喜欢收集甲虫的年轻人，背负着父亲对他未来的失望，但他拥有一颗渴望揭示真理的心灵。 这次环球航行原本计划两年，最后却整整持续了五年。你看，即便是在十九世纪，项目管理的延期也是常态。 这次航行彻底改变了我们对自然和人类在世界中地位的认识。在厄瓜多尔海岸附近的加拉帕戈斯群岛，达尔文遇到了一些雀鸟，它们的喙似乎为了不同目的被精心雕琢成不同形状。每个岛屿上的雀鸟喙形各异，这一发现让他意识到这是自然选择进化的结果。这便是他伟大发现的源泉，但他不知道其中的机制。 达尔文虽发现了进化现象，却未能揭示遗传的分子机制。他不知道这一切背后的机制。他不知道性状是如何改变的，更不知道这些性状是如何从父母传递给后代的。这片知识的巨大海域，在他那个时代，依然是未知的。 为了向这位先驱致敬，去年我有幸作为船员，参与了重走“小猎犬号”航程的一小段旅程。我们航行在波利尼西亚群岛，从曼加雷瓦到塔希提，航程1200英里。这段经历让我深刻体会到，即使在今天，我们对地球和周围环境已有如此多的了解，仍然存在未测绘的水域。 航行中，船长避开了两个属于埃莫图斯群岛的岛屿。最初的计划是穿越它们，但实际航行时我们却绕道而行。原因很简单：那里是未测绘的水域。这对我而言不可思议——在拥有先进卫星技术和现代导航的今天，地球上居然还有未被测绘的海域。这一经历引发了我对科学探索本质的思考，正如达尔文当年面对未知时的勇气与好奇。 这种对未知的敬畏，同样适用于我们的生物学探索。 达尔文进化理论框架中缺失的一环是信息存储和传输机制。他完全不知道遗传在分子层面是如何工作的。我们现在知道，这关乎DNA和基因组学。DNA是一种分子，是一种数字存储机制，像一条分子磁带，它使用包含A、T、C、G四个字母的化学字母表存储信息。 我们的基因组中大约有30亿个字母，编码了我们所有人共有的约2万个基因。达尔文当时无法看到的，是一张连接所有生命的隐形地图。他在加拉帕戈斯群岛看到的那些雀鸟，彼此之间共享了98%的DNA。更令人惊奇的是，这些鸟类与我们也共享着很大一部分DNA，甚至我们与香蕉共享50%的DNA，与水稻共享25%的DNA。他在旅途中的每一站，实际上都在那棵生长了40亿年的遗传关系树上进行采样。 你可能会认为，随着人类基因组测序的完成，我们的探索已经结束了。人体这片海域难道不是已经被完全测绘了吗？ 答案是否定的。这就好比我们得到了一本书的所有文字，却读不懂其中的故事。这里有一个深刻的讽刺：解开基因组的秘密，并没有直接告诉我们人体的地图。 人体拥有数以万亿计的细胞，包含数千种不同的细胞类型。既然每个细胞都携带着相同的基因组，为什么神经元会如此不同于心脏细胞，又迥异于肺细胞？基因组是如何预测并决定这些细胞身份的？ 这就是我们今天面临的挑战，也是我们要去绘制的地图。第二章：从平滑果汁到水果沙拉 伟大的生物学家悉尼·布伦纳（Sydney Brenner）在20年前的诺贝尔奖演讲中曾指出，生物学已经变得过于以基因为中心，以至于我们忘记了生物体结构和功能的真正单位是细胞，而不是基因。 传统的生物学研究方法，就像是把一杯混合果汁拿去化验。我们抽取一大块组织样本，里面混杂着成千上万个不同的细胞，然后我们将它们打碎、混合，去分析其中的平均基因表达。这就好比你喝了一口果汁，试图通过味道来猜测里面到底放了多少草莓、多少香蕉和多少蓝莓。你得到的是一个平均值，但这无法告诉你每一个水果原本的状态。 我们要做的革命，就是把这杯果汁还原成一盘清晰的水果沙拉。我们要把每一个细胞单独拿出来，就像检查沙拉里的每一块水果一样，去读取它内部的基因指令。 为了实现这个目标，我们需要全新的工具。我的研究小组多年来一直致力于微流控自动化技术的研究。你可以把这些微流控芯片看作是生物学领域的集成电路，上面布满了微小的阀门和泵，能够自动处理极其微量的液体。 在这里，我要特别感谢达索系统。在设计这些芯片以及与之连接的设备时，SolidWorks软件发挥了巨大的作用。正是有了这种高通量的自动化技术，我们才得以对数百万个细胞进行逐一分析。 这是一项浩大的工程。我们不仅绘制了小鼠、果蝇和狐猴的细胞图谱，最终我们完成了人类的细胞图谱——Tabula Sapiens。这是一次令人惊叹的团队科学实践，涉及到150多位作者，我们甚至为此成立了一个新的研究机构——Chan Zuckerberg Biohub。 Tabula Sapiens是迄今为止最全面的人类细胞地图之一。我们从同一批捐赠者身上采集了24种不同器官的样本，分析了数百万个单独的细胞。这一点至关重要：因为样本来自同一个体，我们第一次能够真正了解一个人的肝细胞、心脏细胞、脑细胞和免疫细胞之间是如何关联的，从而构建出人类细胞多样性的完整视图。第三章：生命的第二秘密与转录因子 通过这些图谱，我们发现了什么？ 首先，我们要问：基因是如何被控制的？为什么有些基因在这个细胞里打开，在那个细胞里却关闭？这被称为“生命的第二秘密”。如果说DNA的双螺旋结构是第一秘密，那么基因的调控机制就是第二秘密，这是由雅克·莫诺（Jacques Monod）和弗朗索瓦·雅各布（François Jacob）在巴黎发现的。 有些蛋白质会结合在DNA上，吸引那些负责转录基因的酶，从而在特定的时间点开启或关闭基因。这些蛋白质被称为转录因子。在人类基因组中，大约预测有1622个转录因子。 利用细胞图谱，我们第一次成功地鉴定了每一个转录因子的表达情况。如果你看这张图表，每一列代表一个转录因子，每一行代表一种细胞类型。颜色的深浅代表表达的强度。你会发现，有些转录因子只在极少数甚至单一的细胞类型中表达，它们就是定义细胞身份的关键。 另一些转录因子则在所有细胞类型中普遍表达。它们掌管着细胞分裂、代谢、压力反应这些最基础的生命活动。你可能以为这些基础的东西早就被研究透了，但事实并非如此。我们发现了许多以前从未被描述过的通用转录因子，这为理解细胞的普遍行为打开了全新的大门。第四章：衰老的僵尸细胞 图谱带给我们的另一个惊喜关于衰老。 在人体中，有一类细胞被称为“衰老细胞”（Senescent cells）。它们停止了分裂，但并没有死亡，而是像僵尸一样潜伏在组织中，释放出炎症信号，导致组织修复能力的下降和器官功能的失调。清除这些细胞是抗衰老药物研发的一个重要方向。 在分析图谱时，我们惊讶地发现，我们收集了有史以来最大规模的人类衰老细胞数据集——分布在全身二十多个组织中的五万个衰老细胞。 我们要问的问题是：是什么定义了衰老细胞？是否存在一个通用的“衰老程序”？ 答案是否定的。我们发现并没有单一的基因表达程序能定义所有的衰老细胞。相反，它们表现出广泛的多样性，大约有六种不同的类别，使用着十几种不同的基因表达程序。这意味着，不同组织中的不同细胞类型，它们衰老的方式是不同的。解开这个复杂性的谜题，将指引我们开发出更精准的抗衰老疗法。第五章：从图谱到良药 绘制地图不是目的，目的是为了航行。这些细胞图谱已经开始转化为实际的医疗应用。 让我举两个例子。第一个是关于食物过敏。通过细胞图谱技术，我们观察了患有食物过敏儿童免疫系统中非常罕见的细胞类型，并从中发现了一种特殊的抗体。我们利用这些信息设计了一种工程化的抗体药物，旨在保护患者免受过敏反应的伤害。这种药物目前正在进行人体临床试验，我们将在明年年初看到结果。 第二个例子是关于癌症。我和Mike Clark多年来一直利用单细胞技术剖析肿瘤的复杂性。我们发现了一个名为KDM4的靶点，它对于肿瘤细胞的生存至关重要。基于这个发现，Jeff Stafford开发了一种小分子药物，目前正在进行一期临床试验。这是一类全新的首创药物（First-in-class），因为此前从未有人成功针对这个蛋白开发过药物。 研发新药，本身就是驶向未知海域的冒险。第六章：进化论的数字化进阶 我们花了大量时间思考如何解释细胞图谱中的海量数据。如何将其组装成一个连贯的整体，而不仅仅是一系列细胞和基因表达数字的列表。 因此，我们决定尝试使用大语言模型来解决这一挑战。我们会在图谱数据上训练一个LLM，以找到一个有助于我们理解细胞类型之间关系的嵌入空间。 我们决定采取一项雄心勃勃的研究策略：设计一个不仅适用于单一生物体，而是适用于所有生物体的大模型。模型独立于生物体的底层基因组，我们决定看看这能带来什么样的生物学价值和进化关系。这个我正在描述的模型，是与CZI（Chan Zuckerberg Initiative）的西奥·卡洛格尔共同开发的，称为"转录组变换器(Transcriptformer)"。 我们在12个不同物种上训练了这个模型。这是一个拥有5亿参数的大语言模型，采用Transformer架构，代表了这些技术在细胞图谱应用方面的最先进水平。 由于它可以在不同物种上使用，这里有一个实际应用示例。在药物开发中，当你使用模型尝试从一个生物体推断到另一个生物体，如从啮齿动物到灵长类，再到非人灵长类，再到人类时，这一点非常重要。 这个例子展示了如何使用变换器模型来研究对LPS扰动的先天免疫反应，这类似于模拟细菌感染。我们观察了该模型使用一种生物体如小鼠的数据，来预测其他生物体如大鼠、兔子或猪的反应能力。结果表明，模型在这方面表现非常出色。这说明了拥有一个适用于多种物种的大模型的价值，以及为什么它可能对某些临床应用至关重要。 另一个有趣的应用案例涉及分布外数据。该模型完全在健康细胞上训练。我们决定查看已发表的关于COVID感染人类肺部的数据，看看模型能否区分感染了新冠病毒的细胞和未感染的细胞。结果证明，模型在这方面做得非常好。当我们将其与其他仅在人类基因组上开发的模型进行比较时，我们发现采用适用于任何基因组架构的模型表现更好，即使我们只在人类数据上训练它。 这一发现具有重要意义：对于这种分布外数据，模型的结构非常重要，无论你如何训练它。你还可以查看更远的分布外问题，比如模型对从未见过、从未训练过的物种的细胞类型进行分类的能力。这是我们想要实现的最终目标：我们希望能够使用该模型从基因组预测细胞类型。这是我开始演讲时提出的问题。 面对一个前所未见的基因组，如何理解其细胞类型？这是朝着这个方向迈出的一小步。我们使用来自模型从未见过的物种的实际测量数据，要求它对细胞类型进行分类，它做得相当不错。这是一个具有挑战性的问题。它是分布外的，随着时间回溯，问题变得更加困难。 我们在训练中未包含的物种上测试了它：狐猴、青蛙、七鳃鳗、珊瑚。随着进化距离的增加，性能开始下降。这表明我们还有更多工作要做。这是目前我们的技术水平。有趣的是，你可以问，你是否想在更多物种上训练？这会帮助模型变得更好吗？事实证明，效果不大。我们在五个模式生物上训练的模型与在12种后生动物上训练的模型表现相当。 因此，我们需要一些更聪明的方法来解决这个问题。最终，我希望这将引导我们提出并回答其他进化问题。这张图展示了来自许多不同物种的细胞在同一嵌入空间中的图形表示。我想让各位从这里获得的一个要点是，拥有这种与基因组无关的嵌入空间，可以让你们测量不同物种细胞类型之间的距离。 它提供了一种数学方法来测量跨物种不同细胞类型之间的距离。长期以来，我们已经知道如何对单个基因做到这一点。我们现在有能力在细胞类型层面做到这一点。我特别感兴趣的一个问题一直是尝试利用这一点来理解多细胞生物的进化起源。因此，我们决定将单细胞生物嵌入到这个空间中，询问多细胞生物中最接近单细胞生物如面包酵母的细胞类型是什么。 结果发现是祖细胞和干细胞，这为我们提供了一个非常有趣的后续研究方向。这一发现可能揭示了多细胞生物进化过程中，干细胞系统如何从单细胞祖先演化而来，为理解生命复杂性的起源提供了新视角。第七章：博尔赫斯的地图与模型的真谛 在结束之前，我想对模型的价值做一个哲学评论，这个观点可能与数字孪生阵营相左，所以我们在咖啡时间可以就此展开激烈的辩论。这是著名作家博尔赫斯写的一篇短篇小说。下面就是整个故事，只有一段。我会在最后暂停，让各位阅读。但让我简要总结一下。 这是一个关于一个帝国人民的故事，他们非常擅长制图，尤其擅长制作地图。他们如此擅长制作地图，以至于他们制作的地图是完美的复制品，精确到代表城市的规模。而后代人对这些并不喜爱，认为它们毫无用处，整个地图最终化为尘土。这个故事的教训是，在许多情况下，模型的目的不是成为完美的复制品。 在细胞图谱模型的例子中，我总是被问到，为什么里面没有蛋白质？为什么我们没有动态数据？这是一种抽象。我们将细胞视为一个DNA袋，我们能够从中学习一些非常有用且重要的生物学知识。它不是为了成为完美的复制品，而是为了给我们洞察力。我认为这也是博尔赫斯故事关于地图价值的要点，即作为抽象的价值。第二部分：思想的交锋 （以下为Patrick Johnson与Stephen Quake的问答环节实录整理） Patrick Johnson（达索系统企业研究与科学执行副总裁）： Stephen，这真是太令人印象深刻了。Transcriptformer模型展示出的潜力简直不可思议。我有无数个问题想问，但我先问一个关于技术细节的。你提到利用大语言模型来分析谱系，这是一个纯粹的生成式AI自我学习的过程，还是说你们在其中加入了一些人工的引导？ Stephen Quake：这是一个非常好的问题。在这个项目中，有一点对我来说至关重要，那就是我们要避免循环论证。所以我绝对坚持模型只能在基因表达的数字矩阵上进行训练。 就像我刚才提到的，模型看到的只是数字。它没有生物学知识，不知道基因的名字，不知道氨基酸序列，什么都不知道。我们就是想看看，从纯粹的数学模式中，能否涌现出生物学的真理。 结果证明，模型确实学到了大量的生物学知识。这种涌现行为非常迷人。它在嵌入空间中构建的距离关系，竟然充满了生物学意义，甚至重现了细胞的演化谱系。这简直就是打了类固醇的进化论（喝了兴奋剂的进化论）。 Patrick Johnson：这确实很有趣。那么在未来，你们是否打算引入一些引导？或者说，建模和仿真如何帮助实现“虚拟细胞”和AI的结合？ Stephen Quake：是的，我认为在某个阶段，我们确实需要利用我们已有的生物学知识来辅助模型。目前我们最热衷的应用方向是细胞类型的注释。 你知道，当初我们制作图谱时，最大的价值之一就是我们对每一个细胞都进行了人工注释。那是世界上最大的人工注释数据集，被广泛用作算法训练的“基准真相”（Ground Truth）。但这项工作太繁重了，大家都做累了。 现在我们开始尝试自动化。我们发现像Claude这样的基础模型，在进行自动注释方面表现得非常好。我们可以给它输入差异基因表达的数据，让它利用其巨大的知识库来判断：“如果这些细胞有这些基因表达差异，你会怎么标记它？”它的回答相当准确。这更像是一种提示工程（Prompt Engineering），而不是微调。 现场观众提问：感谢您的精彩演讲。我很好奇，当你们查看图谱中的分类时，有没有遇到什么“本体论上的惊喜”？也就是那些违背了传统生物学认知，让你们感到意外的发现？ Stephen Quake：这正是我们要研究单细胞生物（如酵母）的原因。以前没有人有能力提出这样的问题。 当我们把单细胞生物（真核生物演化为多细胞生物的前身）放入模型中，去寻找它们在多细胞生物中最接近的对应物时，我们惊讶地发现，它们最接近的竟然是干细胞和祖细胞。这让我们挠头思考了很久。 另一个巨大的惊喜来自于趋同进化（Convergent Evolution）。你知道，自然界有时会独立地进化出相同的解决方案。比如人类和章鱼都拥有复杂的相机眼（Box camera eye），但这两种生物的共同祖先并没有这种眼睛。 我们制作了章鱼眼睛的细胞图谱，并将其与人类眼睛的数据进行比较。结果让我们大吃一惊：每一种细胞类型都能很好地对应上。我们起初以为这可能是巧合。但当我们将其与苍蝇的复眼进行对比时，发现它们也能对应上。 这说明了什么？这说明构成眼睛的所有细胞类型，无论最终形成的眼睛结构如何，其基本的细胞类型都是祖传的，深植于进化的根基之中。这是以前从未有人预料到的。 Patrick Johnson：这太迷人了。我还有一个问题。在观察这些嵌入空间时，除了基因层面的规律，你是否观察到了更高层面的模式？比如物种之间或细胞之间某种逻辑结构的规律？ Stephen Quake：这是一个超级有趣的问题。从技术上讲，我们才刚刚开始触及这个领域。我们还没有完全解开这个谜题，但在Transcriptformer的预印本论文中，有一整节都在讨论这应该是下一步的研究方向。第三部分：从虚拟到现实——构建生命的“虚拟孪生” Stephen Quake教授的演讲为我们展示了如何通过科学手段“看见”生命的微观世界。然而，仅仅“看见”是不够的。在达索系统的愿景中，科学不仅是认知的工具，更是改变世界的手段。 正如Quake教授所言，地图是抽象的，但它是我们行动的指南。达索系统提出的Science UNIV+RSES理念，正是要将这些科学发现转化为虚拟世界中的可操作模型，通过生成式经济（Generative Economy）的力量，解决现实世界中最棘手的挑战。 虚拟世界允许我们探索、理解、想象、创造和测试。它让我们能够提升认知，并找到解决现实世界重大问题的手段。如果说细胞图谱是静态的“快照”，那么达索系统正在构建的，则是动态的、可预测的“活体地图”。 让我们看看这一理念是如何在两个最具挑战性的医学领域——阿尔茨海默病和胶质母细胞瘤——中落地的。案例一：阿尔茨海默病的“活体地图” 阿尔茨海默病（AD）是困扰全球的顽疾。长期以来，科学家们提出了各种假说：淀粉样蛋白假说、Tau蛋白假说、钙离子假说、炎症假说、糖尿病假说、线粒体假说等等。每一个假说都像是在盲人摸象，虽然都有道理，但都无法解释全貌。 这就是为什么至今我们仍未找到特效药。临床试验屡屡失败，因为单一的靶点往往无法解决系统性的崩塌。 达索系统的科学家们利用BIOVIA Living Map，做了一件前所未有的事情。他们不再执着于单一假说，而是构建了20个不同的机制模型，然后利用专有算法，将这些分散的路径“缝合”成这就一个拥有近200个实体和300种相互作用的统一布尔网络模型。 这不仅仅是一张图，它是一个可以计算的系统。 在这个虚拟的系统中，科学家们可以进行“硅基实验”。起初，模型显示所有老年人都会得阿尔茨海默病，这显然与现实不符。这提示科学家，简单的合并是不够的，必须调整表型的因果结构。通过在虚拟世界中不断调整和模拟，他们最终优化了模型，使其能够解释为什么非甾体抗炎药（NSAID）似乎能缓解老年患者的病情，但对携带特定基因（APOE-4）的患者无效。 这种方法极大地节省了时间和成本。不需要在小白鼠身上进行数年的试错，科学家可以在计算机上快速验证成千上万种假设。案例二：胶质母细胞瘤的数字类器官孪生 胶质母细胞瘤（GBM）是最致命的脑肿瘤之一，其最大的特点是具有高度的异质性。同一个肿瘤中，不同位置的癌细胞可能具有完全不同的基因突变。这就是为什么化疗往往初期有效，后期却因为耐药性而失败——你杀死了一部分癌细胞，却筛选出了更顽强的那部分。 传统的体外实验难以复制这种复杂性。但是，利用Living Map和PopCell技术，达索系统的团队构建了一个多尺度的“类器官孪生”模型。 微观尺度：利用Living Map构建细胞内部的信号通路模型，模拟不同突变类型的癌细胞（如42-MG-BA细胞系）在分子层面的行为。 宏观尺度：利用PopCell构建基于主体（Agent-Based）的模型。在这个模型中，每一个癌细胞都是一个独立的“智能体”，它们会分裂、突变、迁移甚至死亡。 这就像是在电脑里玩一局关于癌症的《模拟城市》。科学家可以在这个虚拟肿瘤中投放药物，观察不同细胞系的反应。 通过这种模拟，团队筛选了近两万种药物组合。他们发现，对于单一细胞系有效的药物，往往无法遏制整个异质性肿瘤的生长。最终，他们在虚拟筛选中锁定了一种三药联合疗法（替莫唑胺 + marizomib + LCL161），这种组合似乎能有效打击GBM中观察到的所有主要细胞系。更有趣的是，其中一种药物Marizomib目前正处于治疗胶质母细胞瘤的III期临床试验中，这侧面印证了虚拟筛选的潜力。 结语：从微观数据到宏观影响 Stephen Quake教授用细胞图谱让我们看清了生命的零件清单；而达索系统则用虚拟孪生技术，帮我们搞清楚了这些零件是如何组装、运转甚至故障的。 这就是Science UNIV+RSES的真谛。我们今天正处于一个临界点上，随着AI、多尺度建模和海量患者数据的融合，虚拟孪生正在打破医学的孤岛。它让我们能够在虚拟世界中犯错，从而在现实世界中拯救生命。 正如达索系统所坚信的那样：构建更美好未来的最佳途径，就是科学。而现在，这门科学拥有了最强大的工具——虚拟世界。 （本文在这里结束） 洞察3D UNIV+RSES，洞察生成式经济，洞察体验经济，洞察循环经济，洞察可持续发展，洞察工业复兴，欢迎订阅《升华洞察》公众号！如有合作意向，请加主编微信号“pearapple”留言。