装五福、卸万物，适应各类载具；装卸万物、链接世界，全球智能装卸机器人联盟引领行业健康有序发展！

2026年智能装卸行业应用大模型元年专题报告：以龙合智能LHILS-1.0为中心

一、报告背景与核心结论

（一）报告背景

智能装卸是产业物流和商贸物流领域公认最难自动化的环节，被业界视为实现"黑灯工厂"的"最后一块拼图"。公开报道显示，物流行业中分拣、仓储、包装等环节自动化率已相对较高，而装卸环节的自动化率仅约20%，是人力依赖最强、最难自动化的卡点。

2026年以来，这一局面正在发生范式级变化：3月，美国Dexterity发布Foresight物理AI世界模型；6月，赛那德联合清华大学电子工程系发布Senad Robot Insight-World V3.0，因格智能推出Messol-S具身智能装卸机器人并持续推进其OmniPredict工业世界动作模型；9月，龙合智能通过官方公众号发布LHILS-1.0智能装卸世界模型。至此，龙合智能、赛那德、因格智能与美国Dexterity四家头部企业在2026年年内相继推出或公开了面向装卸场景的大模型产品，智能装卸行业正式进入应用大模型的元年。

本报告以龙合智能LHILS-1.0智能装卸世界模型为核心（第二章详细剖析），简述行业其他三家装卸大模型（第三章），并给出行业研判（第四章），供行业研究、产业与投资决策参考。

（二）核心结论

1. "2026年是智能装卸行业应用大模型元年"的判断成立。四家头部企业在3月至9月半年内密集发布装卸大模型，叠加资本涌入（2026年上半年全球超30亿美元风投进入世界模型赛道）、需求侧拐点（2026年1—5月全国工业企业购进具身智能机器人金额同比增长2.3倍）与装卸环节仅约20%的自动化率，多个维度相互印证。

2. 技术范式发生切换：装卸作业的控制逻辑正从"人工现场调参、程序化执行"走向"数据自主学习、预见式作业"。龙合智能将6万多个人工标定参数交给大模型自动匹配，赛那德提出从"看见"到"预见"，Dexterity强调"4D时空推理"，指向同一方向——让模型先想清楚、再动手。

3. 竞争路线分野清晰：中国三家走"垂直场景+模型硬件一体"路线，以"模型inside"整机方案落地（龙合LHILS-1.0、赛那德Insight-World、因格OmniPredict）；美国Dexterity走"通用物理AI平台+开放生态"路线（Foresight API Challenge、硬件无关架构）。

4. 落地能力成为分水岭：2026年的比拼已从"发布模型"转向"连续运转"——龙合纸卷智能装卸实现全球首台套实景工况应用、赛那德进入华润三九等头部企业仓库并出口20余国、Dexterity在FedEx哈格斯敦枢纽正式部署，真实场景数据闭环正在筑起新的护城河。

5. 行业仍存共同空白：火车车厢内装卸、机舱船舱内装卸目前尚无具名的装卸大模型覆盖，是下一轮竞争的窗口期。

二、龙合智能LHILS-1.0智能装卸世界模型

（一）企业概览：从高端搬运装备到智能装卸世界模型

龙合智能装备制造有限公司（以下简称"龙合智能"）是国内高端搬运装卸设备制造商，其产品覆盖智能无人装卸系统、智能搬运机器人及品类齐全的叉车属具体系。其智能无人装卸系统产品矩阵包括灵空智能无人装卸系统、劲驰搬运机器人系统、极速智能无人装卸系统、幻影智能无人装卸系统等，定位打通"货物出库点到运输车辆"之间的装卸搬运难题；应用案例包含中石化多个炼化基地、中粮集团粮谷板块多家面粉厂（如宁波镇海炼化、泉港联合石化、中粮福州面粉厂、五得利集团）等。

值得注意的是，龙合智能的切入路径与纯机器人创业公司不同：它从属具与装卸装备起家，拥有超十年的装卸实践沉淀，其算法基因来自对大宗物料（纸卷、袋装、吨袋、托盘、桶装等）真实工况的长期解析。LHILS-1.0智能装卸世界模型的推出，标志着这家装备企业将AI大模型作为装卸系统的"智慧大脑"，由"卖装备"向"模型+装备+服务"升级。

（二）行业痛点：为什么装卸是"最难自动化的圣杯"

龙合智能将智能装卸定义为工厂仓储物流自动化中"最难自动化的圣杯环节"、实现黑灯工厂的"最后一块拼图"。这一判断基于三个客观事实：

1. 物理世界高度非标：真实的装卸物理世界里"没有两片一样的树叶"。车辆停车角度、车厢内宽、装载高度不可能完全一致；货物形态各异——纸卷、托盘、袋装、吨袋、桶装，尺寸与重量千差万别。智能装卸机器人面对的从来不是一套标准化货架，而是一车随时变化的货物。

2. 任务是动态连续的而非静态的：人工装卸依赖"看到什么、装什么"，用眼睛加人脑识别场景、计算可放置位置后执行动作。但对机器人而言，每装上一卷纸，货堆结构就变一次；装到后半程，可操作空间不断收缩，物理世界的目标参数瞬息万变。一次真正意义上"全自动、无需人工辅助干预"的装卸作业是否成功，不仅取决于眼前这一卷能否被夹起，更取决于整车摆满后AI模型是否仍能跑通、后续是否还有空间继续作业、纸卷间隙控制能否达到毫米级的精准苛求。

3. 传统自动化方案在非标场景失效：多数工业自动化场景的任务对象相对稳定——零件形状固定、工位位置固定、运动路径固定；而智能装卸需要的是对连续变化过程的理解能力：既要知道当前装到哪一步，也要判断下一步怎么装最稳、最省、最容易成功。这正是传统"程序化执行、场景适配性差"的刚性自动化长期无法突破装卸环节的根本原因，也是装卸环节自动化率长期徘徊在较低水平的技术根源。

（三）技术路线：从"经验调参"到"数据自主学习"

LHILS-1.0的核心命题，是把装卸车系统中最核心、也最脆弱的环节——参数——交给大模型去学习和自动匹配。

以纸卷装车为例，龙合智能在超十年装卸实践中沉淀出一套以几何解析为底的算法：人工智能学习车厢宽度、纸卷半径、安全间隙、栏板边缘补偿等核心参数，形成"直径降序循环试摆、左右交错放置、限高叠垛"等一整套感知—决策—执行闭环规则。这套规则并非简单公式，而是6万多个需要人工现场标定的补偿参数和阈值所构成的组合Agent。

传统方式的弊端在于：换一种车型、换一种货物，往往就要到现场重新"试"一遍参数；规则越多、变量越多，靠人一条条覆盖就越吃力，现场长期稳定运行也就越难。龙合智能的解决思路由此展开：

1. 把历史装车变成训练样本：每一次真实装车都被抽象为一组可学习的数据——车型、货种、停车角度、车宽分档、扫描到的台阶等物理世界数据，加上"这样装是否成功、是否满、是否稳"的结果，全部沉淀为可学习的数据资产。

2. 把"老师傅经验"变成可训练的参数空间：过去靠经验确定的装载策略，被抽象成一套可以被训练、被模型化自动匹配的参数空间；系统的边界不再被几条写死的规则锁定，而是随业务不断生长。

3. 把AI世界模型引入整条装车链路：核心目标不是让机器人"多抓一次"，而是让整条装车链路学会"先想清楚再动"，用人工智能实时、自动匹配最优装卸策略。它不是简单地用AI去"学习某一条公式"，而是把需要人工试出的6万多个补偿参数组合，整体交给大模型去学习、去自动匹配。

（四）三大核心能力：装得稳、装得满、自适应

1. 装得稳：自动匹配最优装车参数。 装箱装车最怕的不是装不下，而是装到一半货堆塌了。LHILS-1.0基于货堆的三维结构、货物尺寸与接触状态，结合历史装车经验，对"某种摆放是否稳定"做出预判，提前规避潜在的塌垛、压损与异常停机风险，并自动给出更稳的边缘补偿与叠垛策略，使连续装车作业更稳定。

2. 装得满：自动匹配装载方案。 装卸车不是机器人单独完成的任务，后端配载方案决定整体效率。面对同一批货物，模型会在多个可行方案中比较——这一卷放这边、那一垛放那边，整车空间利用率、重心位置、装车顺序是否最优；通过历史借鉴、推导匹配最优解，把"人工试装"升级为"模型优选"，实现整车装载率与垛型质量的双重提升。

3. 自适应：随车随货随场景自动进化。 整车装卸本质上是一个长时序任务：如果每一步都套用固定规则，前期效率可能很高，但遇到陌生车型或新货种就很容易失效。LHILS-1.0的价值正在于此——它能综合当前车辆扫描结果、货物种类与历史经验，预测多个动作的结果并自动匹配最优策略，让装车从"写死参数"走向"随车、随货、随场景自适应"。搭载LHILS-1.0的智能装卸系统，本质上是一台不断积累数据的"学习机器"。

（五）落地验证：全球首台套纸卷智能装卸

LHILS-1.0已在真实工况中验证。官方材料展示的某造纸行业成品库应用场景，为全球首台套纸卷智能装卸应用场景（实景工况）。造纸行业的装卸以纸卷为主，货物重、易滚动，对货堆结构与间隙控制要求苛刻，是极具代表性的非标大宗货物场景。在该场景中，模型在线学习车厢宽度、纸卷半径、安全间隙等参数，以"直径降序循环试摆、左右交错放置、限高叠垛"的规则执行装车，并在装车全过程中动态更新货堆状态——验证了"装得稳、装得满、自适应"三大能力在真实产线上的成立。

（六）"模型inside"：与物理器件的深度协同闭环

LHILS-1.0作为智能装卸系统的核心"智慧大脑"，将不断加深与机器人执行机构、3D扫描、工业视觉、运动控制、域控制器、芯片等物理世界器件的深度协同与迭代，持续升级智能排布算法，以"AI自动匹配参数+硬件精准执行"的闭环，构建可持续进化的智能无人装卸体系。

这一表述的技术含义值得关注：其一，模型不脱离硬件单独存在，参数自学习的收益必须经由执行机构、视觉与看控制闭环才能兑现；其二，数据资产随设备运行持续累积，装车越多、模型越准，形成"设备部署—数据回流—模型进化—场景扩张"的正循环；其三，作为装备厂商，龙合智能天然拥有场景、客户与工艺Know-how，这是其大模型路线的独特底座。

三、行业其他三家装卸大模型简介

（一）赛那德：Senad Robot Insight-World V3.0

赛那德（SENAD）总部位于浙江嘉兴（赛那德数字技术（嘉兴）有限公司），是业内率先实现具身自主装卸机器人规模化商业落地的企业。2026年6月，赛那德联合清华大学电子工程系发布全球首个面向物流装卸场景的垂域大模型——Senad Robot Insight-World V3.0，也称物流装卸垂直物理引擎。

该模型采用感知层、预测层（物理引擎）、认知决策层、动作执行层与安全闭环层的五层创新架构。核心创新在预测层，集成DiT-Heavy物理世界孪生、FM-IDM-HC逆动力学模型、SOPHIA-SC自反进化范式、Multi-Agent多智能体协同、毫秒级Safety主动安全模型五大技术模块，使机器人在作业前完成全流程物理推演，在抓取前预测货堆受力变化与倾斜滑落等后果，实现从"看见"到"预见"的范式跨越。

落地层面，赛那德iLoabot系列已形成覆盖物流"最后200米"至"最后20米"的产品矩阵：iLoabot-M自主装卸机器人2.0版本一次最多抓取80公斤，装卸效率超1000箱/小时，已进入华润三九等头部企业仓库，产品出口北美、日韩、西欧等20多个国家；iLoabot-X 2.0在2026世界人工智能大会上展示，支持46公斤级重载与热插拔换电。资本层面，2026年9月赛那德完成新一轮近2亿元融资（投资方含五粮液基金、中美创投、兴证投资、浙创科技），系其半年内第四轮融资。

（二）因格智能：OmniPredict工业世界动作模型与Messol-S

因格智能（EnGoAL Tech）总部位于江苏，定位工业制造领域智能物流应用技术企业，产品线覆盖自动装卸、智能存储、智能拣选、智能配送与智慧管理五大板块，自动装卸设备包括滑链式、链板式、叉轨式、推板式四种类型。

在装卸大模型层面，其OmniPredict定位"工业世界动作模型"，走世界-动作模型（WAM）技术路线，核心价值指向装卸作业的实时决策与货损防控；更可验证的公开事实是其模型能力的硬件载体——2026年6月10日发布的Messol-S具身智能装卸机器人，专为快消、快递等行业的混箱装卸场景设计。Messol-S搭载双3D视觉系统与SLAM自主导航，构建"感知判断—执行动作—输送管控"的全链路货损防控体系：感知层依托双3D视觉、AI视觉跟踪、WAM模型及垛型坍塌预测；执行层采用柔性自适应抓取与低位落箱；输送层采用智能升降输送线分箱落料并配缓冲防护。其全域自适应系统覆盖抓取自适应、对接自适应与分拣自适应三个层面，支持一拍多抓与一拍一抓模式切换。

（三）美国Dexterity：Foresight通用物理AI世界模型

Dexterity成立于2017年，总部位于美国加利福尼亚州，是专注于"类人"精细操作能力的AI机器人公司，主要客户包括联邦快递（FedEx）与UPS。公司2021年完成1.4亿美元B轮融资，2025年3月完成9500万美元C轮融资，投后估值16.5亿美元，并与住友商事成立合资企业拓展日本市场。

2026年3月，Dexterity发布基于海量生产数据训练的Foresight物理AI世界模型，官方称之为"物理AI的基础模型"，其驱动的拖车装载系统为Foresight 4D卡车装箱世界模型。技术上有三大支柱：一是4D时空推理引擎，将三维空间与时间维度融合，把每辆卡车建模为"演化中的货物墙"，每箱货物约400个潜在放置位置，需同步优化多面货物墙的协同装箱；二是多目标优化算法，在400毫秒内完成单次决策，同步优化密度最大化、结构稳定性、机器人可达性与双臂并行效率四大指标；三是可解释安全架构，采用感知—决策—运动三模块异步协调，每个决策附带可追溯逻辑解释。据官方资料，Foresight基于1亿次以上生产环境自主操作数据训练，驱动Mech双臂超人形机器人达到人类工人约1.5倍的装箱效率，货损率降至0.3%以下。

落地进展：2026年8月5日，FedEx在美国马里兰州哈格斯敦枢纽正式部署Foresight世界模型与Mech智能机器人装车系统，标志该物理AI方案由试点进入规模化生产运营；2026年7月，Dexterity披露Mech采用德国倍福（Beckhoff）EtherCAT与TwinCAT控制平台。生态层面，Dexterity推出Foresight API Challenge开发者挑战赛，其物理AI栈应用无关、硬件无关，已在6个应用、4种机器人类型与5种手型上验证，走"通用平台+开放生态"路线。

（四）四家装卸大模型横向对比

四、行业研判与分析

（一）"元年"判断的四个支撑

"2026年是智能装卸行业应用大模型元年"这一判断，由以下四方面相互印证：

1. 供给端时间线密集：2026年3月Dexterity Foresight、6月赛那德Insight-World V3.0与因格Messol-S、9月龙合LHILS-1.0相继发布，四家头部企业半年内完成装卸大模型的集中供给，这在行业历史上尚属首次。2026世界人工智能大会上，世界模型成为核心议题，具身智能展示逻辑从"秀舞蹈、炫特技"转向真实产线，与装卸场景的模型化进程同频。

2. 资本端共振：公开数据显示，2026年上半年全球超30亿美元风投涌入世界模型赛道；截至2026年6月12日国内具身智能赛道融资约438亿元，已达2025年全年规模的近八成；赛那德半年内完成四轮融资（最新一轮近2亿元）。资本对"世界模型+垂直场景落地"组合的定价，正在拉高智能装卸赛道的天花板。

3. 需求端拐点：国家税务总局数据显示，2026年1—5月全国工业企业购进具身智能机器人金额同比增长2.3倍，企业投入正从"买demo"转向"上产线"；装卸环节自动化率仅约20%、一线装卸工平均年龄偏大且招工断层，是人力替代诉求最强烈、改造收益最直接的场景之一。

4. 技术端成熟：世界模型/世界-动作模型（WAM）路线在2026年加速从学术走向工业——智元GE-Act 2.0等原生世界-动作模型验证了数据规模扩张的能力增长规律，装卸类垂域模型则把这一规律落到"装得满、装得稳"的具体指标上。

（二）两条技术路线：垂直一体与通用开放

四家企业呈现出清晰的路线分野：

中国三家（龙合、赛那德、因格）走"垂直场景+模型硬件一体"路线。 三者均把模型内置于自有装备中，以整机方案交付：龙合强调参数自学习与大宗物料场景深耕，赛那德强调预见式物理引擎与规模化商业闭环，因格强调工业世界动作模型与货损防控。这一路线的优势在于数据—模型—硬件闭环最短，落地验证快、场景适配深、客户感知直接；挑战在于模型能力与硬件形态绑定，跨场景复用与生态扩张成本较高。

美国Dexterity走"通用物理AI平台+开放生态"路线。 Foresight定位应用无关、硬件无关的物理AI基础模型，通过Foresight API Challenge向开发者开放，驱动多种机器人类型与手型。这一路线的优势在于模型复利与生态杠杆，一个通用模型可服务于卡车装载、包裹分拣等多个应用；挑战在于通用模型的垂直性能与成本在某一细分场景（如中国的大宗、非标装卸工况）未必最优，且数据获取依赖海外客户场景。

对行业而言，两条路线并非互斥：垂直一体路线积累的数据最终可能沉淀为通用能力，开放平台路线也需要以垂直场景标杆证明价值。2026年的竞争是两条路线的"对表期"。

（三）落地分水岭：数据闭环决定模型进化速度

2026年行业的关键词从"首发"转向"上车"：龙合纸卷智能装卸全球首台套实景工况、赛那德进入华润三九等头部仓库并出口20余国、Dexterity在FedEx枢纽正式部署、因格Messol-S切入混箱装卸。这印证了一个判断——装卸大模型的竞争，比的是谁先让机器人在真实产线上连续转起来，而不只是模型参数大小。

数据闭环是其中的核心变量：龙合依靠装备存量场景持续积累装车样本，赛那德依托规模化商用构筑垛型数据壁垒，Dexterity以1亿次以上生产动作支撑模型训练。在装卸这一强物理交互场景中，"装车次数"即"数据资产"，谁先积累足够的真实工况数据，谁的大模型就更可能先逼近"全自动、零干预"的作业边界——这也是后发者难以快速复制、但先发者必须持续投入的护城河。

（四）共同空白与机会窗口

对照四家企业的公开信息，行业仍存在明确的模型覆盖空白：

1. 火车车厢内装卸：中国铁路货运体量庞大，火车棚车/敞车车厢内装卸工况复杂（空间封闭、货物堆叠密集、车厢规格受限），目前四家均未见专门的火车车厢内装卸大模型，属于共同空白。

2. 机舱船舱内装卸：机舱、船舱内的装卸涉及狭小空间与特殊安全要求，同样是模型化程度最低的区域。

3. 多机协同与全流程无人：单一车厢、单一工位的模型已陆续发布，但多个机器人在同一区域协同作业、以及从出库到装车全链路无人化的模型编排，仍是待突破点。

上述空白是下一轮竞争的机会窗口：先完成"火车/船舱内装卸"模型化验证的企业，将获得差异化卡位。此外，全球智能装卸机器人联盟等行业组织正在推动标准化与生态协作，模型接口、数据格式与评价基准的行业标准，可能成为继模型能力之后的第二竞争制高点。

（五）对行业各方的启示与展望

1. 对装备与集成商：模型能力将成为装卸装备的核心卖点，"没装大模型的装卸装备"在2027年可能失去竞争力；建议优先在自身存量客户场景中沉淀装车数据，从"卖设备"转向"卖模型增强的运营能力"。

2. 对模型与机器人企业：垂直场景深耕与通用能力沉淀应并行推进，同时关注标准化（模型接口、评测基准）以降低客户选择成本。

3. 对投资机构：判断一家装卸大模型企业，建议不只评估模型发布与参数，更应考察其真实工况连续运行时长、货损率实测与数据回流机制。

4. 展望：预计2026年下半年至2027年，将出现"模型+整车+运营"一体化方案商；装卸大模型由"单点发布"走向"规模化复制"，火车车厢内、机舱船舱内等空白场景的模型化或成行业新里程碑。

小结：人工智能发展带来了巨大的机会，很大自动化解决不了的问题通过具身物理大模型可以解决，特别是装卸场景，是典型的具身智能应用领域，为我们智能装卸行业带来了天大的红利，结缘装卸、共赢天下！

END