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！

因格智能装卸世界模型解析及与Dexterity、赛那德三方对比分析

一、概述

2026年9月上旬，因格智能（Engoal）正式发布 OmniPredict 2.0 工业世界动作模型，面向智能装卸场景，提出"先思考、再抓取"的预测式装卸范式。此举使装卸领域的世界模型竞争格局进一步清晰：除因格智能外，美国 Dexterity 公司与国内赛那德（Senad）已分别于2026年3月与2026年6月发布各自的装卸相关世界模型（Dexterity Foresight 与 Senad Robot Insight-World V3.0）。

本文对三种"装卸世界模型"逐一解析，并从技术路线、核心能力、数据壁垒、商业化进展与产业生态五个维度展开对比，最后给出竞争格局判断。

二、因格智能 OmniPredict 2.0 深度解析

2.1 发布背景与技术动机

因格智能在发布文章中系统阐述了装卸作业为何"尤其需要预测能力"：装卸任务的对象不是标准化货架，而是一堆随时可能变化的货物——箱型大小不一、货物错层歪斜、人工码垛难以完全整齐。抓走一个箱子，货堆结构会变；包裹进入输送线后，后续位置会变；整车卸货越往后，可操作空间也不断变化。因此一次抓取是否成功，不仅取决于眼前这个箱子能否被抓取，更取决于抓走它之后整个系统会发生什么。

这正是 OmniPredict 2.0 要解决的核心问题：让机器人在行动之前先对现场变化进行预测和推演，再做出更稳妥的决策，实现从"看见"到"预见"的跨越。因格智能将世界模型定位为机器人内部的"现场推演系统"——不止识别眼前有什么，还要判断抓取动作是否会引发塌落、放包是否会堵线、当前顺序是否会令后续路径变难。这些过去依赖大量规则与人工经验的问题，因真实现场变量过多而难以靠规则穷举覆盖，是装卸自动化从"能跑起来"走向"稳定跑下去"的关键。

2.2 核心技术路线

OmniPredict 2.0 被定义为"工业世界动作模型"，因格智能特别强调其并非把通用视频生成模型简单套用到装卸场景，而是围绕真实装卸任务建立，融合视觉感知、三维空间理解、物理规律建模、机器人动作数据和真实工业场景经验。核心路线包含五层：多模态环境编码、时空状态预测、物理约束推演、动作结果评估、闭环强化学习优化。

相比上一代，OmniPredict 2.0 的升级聚焦"更准"与"更快"两个方向：预测精度全面提升，能够更细致地理解货堆结构、箱体接触关系与潜在失稳风险；推理速度显著提升，可在真实作业节拍中完成判断，在动作发生前的瞬间完成预测与决策，使预测能力真正进入执行闭环。此外，模型持续吸收真实作业数据与异常案例，随场景积累对非标准工业场景的泛化能力不断进化。

2.3 三大核心能力

其一，货堆稳定性判断。 混箱装卸中最怕的不是抓不起一个箱子，而是抓走箱子后旁边或上方货物塌落。OmniPredict 2.0 基于货堆三维结构、箱体位置关系、接触状态和历史抓取经验，预测移除目标箱体后剩余货堆的稳定性变化，提前识别坍塌风险，规划风险最低、效率最高的抓取顺序，使装卸从"单箱识别"走向"货堆级理解"，减少货损与异常停机。

其二，输送线堵包风险预测。 装卸并非机器人单点任务，后端输送线是否顺畅决定整体效率。OmniPredict 2.0 实时理解输送线上纸箱的位置、速度、姿态及未来运动趋势，预测未来一段时间的拥堵、碰撞与异常堆积，提前调整抓取、释放和输送策略，把"事后处理堵塞"升级为"提前预测"。

其三，整车卸货顺序全局优化。 整车厢或集装箱卸货是典型的长时序任务，若每一步只取眼前最易抓的箱子，容易导致后期空间受限、路径绕行、重复规划。OmniPredict 2.0 综合考虑当前货物分布、未来可抓取空间变化、机械臂运动成本与整体卸货效率，预测多个未来动作结果并生成全局最优抓取策略，实现从"单次动作优化"到"整段任务优化"。

2.4 落地数据与产品协同

因格智能披露，OmniPredict 已在真实装卸场景深度打磨，将货损率控制在 0.1%。作为装卸系统的核心"智慧大脑"，OmniPredict 与 Messol 具身智能装卸机器人、Pallsol 极速智能装卸系统等产品深度协同，构成"AI 预判决策＋硬件精准执行"的闭环体系。

公司层面，因格智能成立于2016年（北京），2019年在苏州高铁新城设立总部主体，布局"六地二厂"服务全国并辐射全球（美国洛杉矶、西安、北京、苏州等）。其产品线既包括滑链式、链板式、叉轨式、推板式等自动装卸设备，也在向机器人装卸延伸：Messol 系列面向混装、不规则、易碎纸箱的集装箱直接卸载（无需预分拣、无固定输送线），Pallsol 系列覆盖整托盘装卸及机场货站方案（PMC 智能缓存＋AMR 无人搬运＋AI 视觉追踪）。

三、美国 Dexterity Foresight 深度解析

3.1 公司背景

Dexterity, Inc. 总部位于美国加州红木城，定位"企业级物理AI（Enterprise Physical AI）基础平台"，是卡车装载自动化领域全球最知名的公司之一，曾获 RBR50（2024）"机器人与AI融合的卡车装载"奖项，并与 FedEx（联邦快递）、住友商事（Sumitomo）、佐川急便（Sagawa Express）等全球头部物流企业合作。2026年9月初行业公开报道显示，FedEx 已扩大部署 Dexterity 机器人实现拖车自主装载。

3.2 Foresight 世界模型的定位与技术架构

2026年3月3日，Dexterity 正式公开命名其世界模型 Foresight，称之为"面向物理AI的世界模型"和"智能层（intelligence layer）"——让机器人对物理世界进行推理、预测下一步将发生什么，并在错误代价高昂、安全不容妥协的环境中自信行动。

Foresight 最突出的特点是训练数据规模：基于超过1亿次（100M+）生产环境中的自主操作训练，且全部来自真实仓库、真实班次、真实包裹，而非仿真或实验室。另一个硬性指标是决策速度：装箱智能体平均400毫秒以内 完成一次放货决策，同时联合优化密度、物理稳定性、机器人可达性与双臂并行度。Foresight 在生产中保持了零安全事故的记录。

架构上，Foresight 被刻意设计为"可解释的操作者"而非"数据库"：每个时间步整合多模态传感数据、机器人本体状态与物理交互结果，更新世界状态，并对每次更新保持显式不确定性边界、物理约束与回滚能力——每项决策都可追溯、可检查、可理解。Dexterity 认为工业场景中黑盒不可部署，可解释性是架构级设计而非事后补丁。

3.3 四大核心能力

一是预测分支（Predictive branching）：在动作发生前滚动推演世界状态，模拟每个候选放置方案的后果，按物理约束打分，拒绝系统无法恢复的承诺；分支算法可替换，但让分支有意义的世界模型不可替换。

二是务实决策（Pragmatic decision-making）：承认生产中全局最优很少可达，时间压力、感知不完美、物体序列不可预测是常态；Foresight 提供足够丰富的状态预测，使算法能在"最优"与"够好"之间做出有依据的权衡。

三是能力感知编排（Capability-aware orchestration）：Dexterity 部署感知、运动规划、抓取选择、力控等专用技能智能体团队，Foresight 不仅建模环境状态，还建模每个动作在该状态下的可行性——抓取是否牢固、路径是否畅通、放置是否稳定——让编排器无需自带物理理解。

四是预测流水线（Predictive pipelining）：机械臂还在执行当前动作时，Foresight 已同步模拟预期结果；动作完成、传感器数据到达后即对账更新世界状态，下一个动作在当前位置完成前就已就绪。

3.4 装箱问题、开放生态与生产部署

Dexterity 将"装箱（Packing）"描述为物理AI中最难的空间推理问题之一：三维受限空间、随机尺寸/重量/顺序到达的箱子、在最大化密度与维持稳定之间权衡（不会倒塌的箱墙、重量安全分布、易碎品保护），且必须在生产速度下完成、无法预先知道下一个箱子是什么。人类装箱密度通常在40%—60%之间，超过这一水平的组合空间急剧爆炸，每个放置都约束后续所有放置。

围绕这一难题，Dexterity 构建了罕见的开放生态：2026年3月发起 Foresight API Challenge（学生团队通过 REST API 构建装箱智能体，在公共排行榜竞技，总奖金最高5万美元，不提供仿真器，2026年5月1日结束），并上线浏览器游戏 Truck Loading Game（dexterity.ai/play）供公众体验装箱问题。Foresight 被表述为应用无关、硬件无关的平台能力，已在六大应用、四种机器人类型、五种手型上验证。

生产部署方面，FedEx 运营科学和先进技术企业副总裁 Rebecca Yeung 公开评价"Dexterity 交付了最新的 AI 与机器人技术，并支持我们的运营团队满足不断增长的客户需求"；住友商事与佐川急便亦均为正式客户。Dexterity 强调其机器人在全球最大物流企业以完整班次运行，累计做出数以百万计的自主决策。需要说明的是，Dexterity 未公开披露其装载机器人的具体台数与各部署点节拍数据，报告仅基于公开口径。

四、赛那德 Senad Insight-World V3.0 深度解析

4.1 公司背景

赛那德（Senad）是国内物流具身智能头部企业，聚焦"装卸货"这一自动化程度最低、人力依赖最重、作业环境最恶劣的环节。据其引用的行业数据，全球物流自动化与智能化市场规模预计2031年达2399亿美元，但当前装卸自动化率不足20%，夏日车厢温度可达52℃，用工老龄化严重。赛那德自述为"国内唯一实现商业化落地的具身装卸机器人企业"，2025年订单从0突破1亿元，产品进入烟草、酒水、医药、快消、物流、高端制造等多行业头部客户，覆盖DHL等20余家国际客户及北美、日韩、西欧等20余个国家和地区。

资本层面，赛那德2026年6月25日宣布完成3亿元C轮融资（满帮集团、海通开元、元禾璞华、华义创投、元禾厚望等，老股东达晨财智、长石资本、初辉资本持续超额跟投），2026年9月7日前后又披露完成新一轮近2亿元融资（半年内累计四轮融资），历史投资者包括招商局创投、招商局租赁、中国外运、阿里巴巴等产业方。

4.2 V3.0 技术路线：物理引擎式世界模型

2026年上半年（公开报道集中于6月下旬），赛那德发布 Senad Robot Insight-World V3.0，自述为"全球首个面向物流装卸垂直场景的世界模型"，并与 VLA（视觉-语言-动作）框架下成功率极低的上一代技术路径明确切割。该模型由赛那德联合清华大学电子工程系智能感知集成电路与系统实验室共同研发，核心特征包括：

一是时空预测（Spatial-Temporal Prediction）。依托大量真实机交互数据训练，实现从"看见"到"预见"的跨越——机器人在抓取之前即可高精度动态预测，预判堆垛稳定性、货物形变及相互作用力等，支撑复杂垛型的装卸作业。赛那德 CTO 王义山将其定义为"对物理世界运行规律的主动理解"——如果从这个角度、用这个力度拿取货物，货堆会发生什么变化，该采用什么姿势和力度。

二是可微分物理引擎与前瞻模拟。系统通过可微分物理引擎实现高精度环境动态推演，可完成1至50步未来状态的前瞻模拟与风险校验，使 iLoabot-M 自主装卸机器人实现"会思考、能想象、懂物理"，大幅提升复杂混装场景的全自主作业覆盖率与稳定性。另据亿欧报道，模型采用五层闭环虚实迭代优化，产品迭代规划自自主装卸模型逐步拓展至自主拣选等物流场景。

三是数据飞轮壁垒。赛那德构建"真机作业数据采集→虚拟反演模型迭代→数据飞轮"闭环，积累货物轮廓数据与垛型数据等私域数据。王义山指出，其他团队超越需要数年积累——商用机器人→头部客户现场→数据授权→数千小时数据积累的路径很难速成。赛那德公开投放效果为：规则场景成功率100%、部分非标场景成功率80%，正依托世界模型向全非标场景突破。其 V3.0 单次决策耗时、模型参数量等具体指标暂未披露。

4.3 产品矩阵与商业化验证

赛那德已形成覆盖装卸全场景的产品矩阵：iLoabot-M（自主装卸机器人，适用于集装箱内部、厢式货车车厢、仓储月台等非结构化动态环境，支持超高超宽车厢及斜坡装卸）、iLoabot-X（重负载人形机器人，用于搬运、供包、拣选等场景，2.0版本已亮相WAIC 2026并实现六台量产机协同作业）、iLoabot-Pro（净负载80kg的重载自主装卸货机器人，面向快消、烟草、酒水、医药等重箱场景，装卸一体）、iLoabot-Ultra（批量卸货机器人，随作业次数持续积累数据自主优化）。iLoabot 系列亦在WRC 2026集中展示，其中 iLoabot-M 2.0 版本在世界机器人大会发布。

商业化层面，标杆客户已验证ROI，2025年订单破亿、2026年扩展至医药与消费品行业，并在日本两大头部客户完成落地，出海PMF（产品市场契合）跑通。公开信息未披露其世界模型在客户现场的具体替代人力数与单点投资回报周期。

五、三方综合对比

5.1 核心参数对比

5.2 技术路线异同分析

三方存在高度一致的技术共识：世界模型必须"为操作而建"而非"为观察而建"，共同覆盖了环境编码（感知）、状态预测（时空/物理推演）、动作评估与闭环学习四个环节，都明确从"看见"走向"预见"，且都强调预测要跟上真实作业节拍。这三份发布几乎在同一时间窗口内定义了同一技术命题——装卸机器人需要一颗会推演的"大脑"。

差异集中在三条路线上：

Dexterity 走"广义物理AI平台"路线。Foresight 是通用世界模型，装箱只是它解决的第一个工业问题；其差异化武器是可解释性（显式不确定性、物理约束、回滚）与多智能体编排（能力感知），并通过 API 挑战赛构建开发者生态。它对"密度-稳定性-可达性-并行度"四目标的联合实时优化，本质是 4D 装箱优化问题的最优解求解器。

赛那德走"垂直物理引擎+数据飞轮"路线。与清华联合研发背书，以可微分物理引擎实现 1—50 步前瞻推演为核心卖点，强调对堆垛稳定性、货物形变、相互作用力的高精度建模；壁垒来自"真机数据→虚拟反演→数据飞轮"的私域数据闭环，模型与 iLoabot 全系机器人深度绑定。

因格智能走"工业世界动作模型+整线产品闭环"路线。强调"动作模型"而非纯预测模型——预测最终服务于动作选择与全局任务规划；其差异化在于三大能力均紧扣装卸整线痛点（货堆稳定、输送线节拍、整车顺序），以货损率0.1%作为落地验证指标，并与 Messol、Pallsol 等整线产品构成"推演+执行"闭环。

5.3 商业化与产业生态对比

六、深度分析：装卸世界模型竞争格局与趋势判断

6.1 同一时间窗内的范式收敛

三个发布的时间窗口（2026年3月、6月、9月）与 WRC 2026（8月）"世界模型元年"的行业判断相互印证。装卸之所以成为世界模型的落地首选场景，是因为它同时具备四个特征：非结构化（货堆永远在变）、长时序（整车作业依赖全局规划）、物理交互密集（抓取即改变世界状态）、安全敏感（塌落与堵包直接造成货损和停机）。这四点恰好是观察型世界模型的短板、操作型世界模型的强项，也是传统"感知-执行"范式（看到什么处理什么）的致命伤——三方发布本质上是对同一问题的三种工程化回答。

6.2 中美两条路线的分野

美国路线（Dexterity）以"通用平台+开放生态"为特征：模型与应用解耦、硬件无关，用 1 亿次生产操作的数据壁垒和 API 挑战赛的开发者生态构筑护城河，商业模式以联邦快递等超大型客户为核心、向多应用复制。

中国路线（赛那德、因格）以"垂直场景+模型硬件一体"为特征：模型与整机/整线深度绑定，数据在真实客户现场闭环，靠订单与资本快速滚动；赛那德以数据飞轮和"全球首个装卸垂直世界模型"抢占定义权，因格以整线产品闭环和 0.1% 货损率主张落地深度。两种路线的短期验证标准不同——美国看规模化复制速度，中国看客户现场稳定性与 ROI 兑现。

6.3 关键壁垒与潜在风险

数据壁垒是三方共同承认的胜负手：Dexterity 拥有最大规模的生产数据（1亿+动作），赛那德拥有客户授权的私域垛型数据，因格尚未披露数据规模，但其 0.1% 货损率暗示了真实的现场数据积累。需要提示的风险包括：其一，可微分物理引擎等"推演"能力在开放场景中的物理一致性边界尚未有第三方独立验证；其二，世界模型的价值必须通过机器人硬件兑现，模型发布与规模化交付之间仍存在工程鸿沟；其三，三家均未公开披露决策延迟的完整分布、模型参数量、单点投资回报周期等关键指标，横向比较的量化基础仍不完整——本报告对此均如实标注。

七、结论

因格智能 OmniPredict 2.0 的发布，标志着装卸世界模型竞争从"有没有"进入"谁更能落地"阶段，也补齐了中国阵营中"整线闭环"这一差异化样本。综合来看：Dexterity Foresight 在数据规模、可解释性与生态开放性上领先，是装卸物理AI的技术标杆；赛那德 Insight-World V3.0 在垂直场景定义权、数据飞轮与商业化速度上占优，是中国商业化的先行者；因格 OmniPredict 2.0 在"动作决策+整线协同"的工程闭环上最具针对性，货损率0.1%是其可信度锚点。 未来2—3年，该赛道的竞争焦点将从"模型发布"转向"规模化复制的稳定性与 ROI 验证"；模型与硬件、数据的三重绑定将成为最终壁垒。

小结：智能装卸大模型针对复杂、非结构化、不确定和混装货物装卸场景，需要经过大量的学习训练，并且成功率要高，也必须要具有解释性可追溯。