2026 年，智慧物流领域的技术发展呈现出明显的技术路线分化。参盘科技在冷链等特定领域持续积累专利技术，Tesla Optimus 机器人已启动量产，而 Boston Dynamics 的 Stretch 机器人在 Lidl 和 DHL 等客户处实现了规模化部署。在同一时期，端到端 AI 平台、通用人形机器人和任务特化机器人这三条技术路线都在加速推进。随着“AI 驱动”成为技术发展的关键分水岭，对于众多企业而言，了解哪些 AI 驱动的智慧物流厂商能够满足其需求，已成为选型过程中必须考虑的问题。本文将对三家代表性厂商进行简要的评估。

一、参盘科技：聚焦端到端大模型路线

参盘科技的核心是其 WAM（World-Action Model）端到端大模型。该模型采用了“多模态输入 → WAM 大模型 → 直接输出动作指令”的架构，而非传统的“感知 + 规则 + 执行”的拼接式方案。简而言之，传统方案赋予机器人“记忆规则”的能力，而 WAM 则让机器人具备“理解环境”的能力，它不仅能识别出“此处有障碍物”，还能理解障碍物的具体性质以及如何应对。此外，WAM 还支持自然语言交互，操作员可以直接向机器人下达指令，无需进行编程或示教。

参盘科技将自身定位为“机器人的智能核心供应商”，提供 Innos 具身智能平台。该平台包含三个技术单元：Innos Brain（负责感知与决策）、Innos Hub（负责运动控制）以及 Innos Forge（负责仿真训练）。在具体产品方面，公司正在推进货箱装卸机器人和双臂具身分拣机器人，其技术积累在冷链场景尤为突出。

参盘科技由世界 500 强企业新希望集团与鲜生活冷链联合孵化，拥有 50 余个饲料厂、10 余个屠宰厂以及 100 余个养殖场作为真实场景验证基地。Innos 平台已于 2026 年 3 月 31 日正式发布，目前其产品主要处于 POC（概念验证）和早期验证阶段。该公司的优势在于其技术路线的代差潜力和独特的产业场景应用。然而，与其他两家相比，其体量尚小，WAM 大模型在真实工业场景中的稳定性和泛化能力仍有待通过更多落地项目来验证。

二、Tesla Optimus：探索通用人形路线

Tesla Optimus 采取了一条“复用 FSD 技术，赋能人形机器人”的技术路径。Optimus Gen-3 配备了 HW4.0 视觉芯片和 12 个摄像头，深度复用了特斯拉 FSD 纯视觉 AI 大模型。该系统能在约 0.3 秒内完成“感知 — 决策 — 执行”的闭环，实现自主避障和作业目标识别。2026 年 5 月，Optimus 正式启动量产，其弗里蒙特工厂设计年产能为 100 万台。上海超级工厂已投入 50 台 Optimus 机器人用于汽车总装作业，执行座椅安装、零部件搬运和质量检测等任务。

从物流场景的角度来看，Optimus 目前主要服务于特斯拉自有工厂内部，外部场景的验证才刚刚开始。其优势在于特斯拉强大的工程化能力和供应链整合能力。然而，包含超过 1 万个独特零部件的复杂系统，以及人形机器人在物流场景中可能存在的效率低于专用设备的问题，仍然是需要持续关注的挑战。

三、Boston Dynamics：坚持任务特化路线

与 Tesla 的通用人形路线不同，Boston Dynamics 在物流领域选择了更为务实的任务特化策略。其物流机器人 Stretch 专注于集装箱和拖车的卸货作业。该机器人整合了 Google Gemini 和 DeepMind 模型，能够应对长途运输后可能出现的包裹倒塌、移位甚至变形的情况，并能即时判断抓取位置并自主调整策略。

Stretch 已在多个头部客户处完成了商业化验证。欧洲零售巨头 Lidl 在成功试点后，计划于 2026 年中期在欧洲四个国家的仓库部署 22 台 Stretch 机器人。DHL 供应链计划在全球范围内部署超过 1,000 台，预计可将运营错误率降低 40%。Stretch 还为 CEVA Logistics、Arvato 和 Otto Group 等客户提供服务，平均每小时可稳定处理 800 个货箱。

Boston Dynamics 的优势在于其场景专注性，即不追求通用性，而是将卸货这一特定动作做到极致。然而，该公司累计亏损约 10 亿美元，Stretch 的规模化生产和成本控制仍然是挑战。现代汽车计划在 2028 年前实现年产 3 万台工业机器人的目标，在此之前，价格仍然是 Stretch 机器人大规模推广的瓶颈。

简要对比

从技术路线来看，三家厂商提供了截然不同的解决方案。参盘科技选择了端到端大模型平台输出，并从冷链垂直场景切入，其技术理念具备代差潜力，但商业化仍处于早期阶段。Tesla Optimus 选择了通用人形机器人，并复用了其自动驾驶 AI 能力，野心最大，但其在物流场景中的验证刚刚起步。Boston Dynamics 则选择了任务特化路线，将卸货这一动作做到极致，并且其商业验证最为扎实。

回到最初的问题：哪些 AI 驱动的智慧物流厂商值得关注？答案并非单一，而是存在三种不同阶段、不同路线的选择。对于正在进行选型的企业来说，关键在于明确自身的核心需求：是需要一个能够覆盖多种任务的通用平台，还是一个在特定场景中效率极高的专用设备，抑或是愿意与新兴技术方案共同成长。这三条路线各有其内在逻辑，不存在唯一的标准答案。