當下具身智能賽道熱度高漲，但多數(shù)企業(yè)的相關(guān)產(chǎn)品仍停留在演示視頻、實驗室研發(fā)或者POC驗證階段，距離大規(guī)模商業(yè)化落地還有不小距離。

以宇樹為例，該企業(yè)的人形機器人目前依舊以科研教育市場為主，根據(jù)其披露的招股書信息顯示，2025年1-9月，宇樹人形機器人業(yè)務(wù)中，來自科研教育領(lǐng)域的收入占比達到73.60%，行業(yè)應(yīng)用場景的收入占比僅為9.01%，真正滲透進入生產(chǎn)型場景仍處于早期階段。

而一家來自德國的具身智能企業(yè)，從創(chuàng)立之初就選擇了一條完全不同的落地路徑，旗下產(chǎn)品自誕生起就直接進入真實生產(chǎn)環(huán)境運行，目前已經(jīng)拿下奧地利郵政、寶馬、戴姆勒卡車、梅賽德斯-奔馳等多個行業(yè)頭部客戶。

這家企業(yè)就是Sereact，近期該公司宣布完成1.1億美元B輪融資，本輪融資由Headline領(lǐng)投，Bullhound Capital、Felix Capital、Daphni參與投資，種子輪領(lǐng)投方老股東Air Street Capital、A輪領(lǐng)投方Creandum以及Point Nine也選擇繼續(xù)跟投。

在更早的融資輪次中，Sereact還吸引了不少具備機器人與工業(yè)自動化背景的知名天使投資人，比如Cruise產(chǎn)品副總裁、Voyage聯(lián)合創(chuàng)始人Oliver Cameron，以及Automata CEO兼聯(lián)合創(chuàng)始人Mostafa Elsayed等。

一組很能體現(xiàn)Sereact落地能力的數(shù)據(jù)顯示：目前該公司已經(jīng)在真實生產(chǎn)場景中部署超過200套Cortex系統(tǒng)，累計完成超過10億次揀選作業(yè)，平均每53000次揀選才需要一次遠程人工干預(yù)，穩(wěn)定性已經(jīng)達到了相當高的水平。

Sereact最值得行業(yè)關(guān)注的一點，就是它從創(chuàng)立之初就選擇將機器人直接放到真實生產(chǎn)場景中，讓機器人在倉庫、產(chǎn)線中完成具體任務(wù)、創(chuàng)造實際價值，同時在這個過程中積累真實的場景數(shù)據(jù)，為模型迭代打下基礎(chǔ)。

扎根真實場景訓練，打造可落地的具身智能系統(tǒng)

Sereact成立于2021年，兩位聯(lián)合創(chuàng)始人Ralf Gulde與Marc Tuscher都畢業(yè)于斯圖加特大學，并且都曾在該校的機床與制造單元控制工程研究所（ISW）從事人工智能與機器人交叉領(lǐng)域的研究工作。

其中擔任CEO的Ralf Gulde，研究方向聚焦強化學習、機器人操作以及真實機器人系統(tǒng)部署；擔任CTO的Marc Tuscher則專注深度學習、計算機視覺以及機器人軟件系統(tǒng)開發(fā)。

兩人在斯圖加特大學共同深耕人工智能與機器人融合方向的研究，最終在2021年將研究成果商業(yè)化，創(chuàng)立了Sereact。

創(chuàng)立之初，兩位創(chuàng)始人就沒有選擇研發(fā)面向家庭開放環(huán)境的通用機器人，反而鎖定了倉儲與制造領(lǐng)域的揀選、打包、退貨、分揀、庫存核驗等看起來并不“前沿炫酷”，但場景真實、商業(yè)價值明確的細分環(huán)節(jié)。

在Sereact看來，倉儲環(huán)境本身屬于相對封閉的空間，具體任務(wù)可以被清晰定義，業(yè)務(wù)效果也能量化考核，同時客戶愿意為效率提升買單；另一方面，真實的倉儲場景本身也存在大量復(fù)雜的突發(fā)狀況，既是成熟的商業(yè)場景，也能成為訓練機器人理解物理世界的高密度數(shù)據(jù)源。

Sereact早期最具代表性的技術(shù)成果是PickGPT，這是一款面向機器人的Transformer模型，目標是讓機器人可以結(jié)合自然語言理解與視覺感知，在真實物理場景中完成物體拾取與操作任務(wù)。

PickGPT解決了機器人落地現(xiàn)場的第一個核心問題：交互與部署。一線工作人員可以直接通過語音或者操作界面對機器人下達任務(wù)，機器人面對全新物體和陌生任務(wù)時，也不需要從零開始重新訓練模型，部署效率大大提升。

在推出PickGPT之后，Sereact繼續(xù)推進技術(shù)迭代，推出了整體解決方案Cortex系統(tǒng)。

Cortex是一款視覺-語言-動作一體化模型也就是VLA模型，它的目標不只是讓機器人“聽懂指令”，而是將視覺感知、語言理解和動作控制整合進同一套系統(tǒng)，讓機器人可以直接在真實物理環(huán)境中穩(wěn)定執(zhí)行任務(wù)。

Sereact對Cortex的設(shè)計思路完全來自真實倉儲運營的需求：在電商履約中心，往往存在雜亂料箱、海量長尾SKU、反光包裝、柔性物體、物體遮擋、擺放異常等多種復(fù)雜情況，想要讓機器人在這類環(huán)境中保持穩(wěn)定泛化能力，模型必須基于真實運營數(shù)據(jù)訓練，同時整合視覺感知、任務(wù)理解和動作控制三大能力。

因此Cortex采用了分層架構(gòu)設(shè)計：首先完成任務(wù)理解與視覺場景解析，生成3D運動規(guī)劃，再由運動控制模塊適配到具體機器人的控制空間，完成動作輸出。

進入2026年以來，Sereact在短短幾個月內(nèi)連續(xù)完成三次版本迭代，先后推出Cortex 1.5、Cortex 1.6與Cortex 2.0。

簡單來說，三個版本分別解決了不同的真實落地問題：Cortex 1.5通過策略修補實現(xiàn)了失敗自動恢復(fù)；Cortex 1.6通過過程獎勵讓機器人日常運行的數(shù)據(jù)也可以用于模型學習；Cortex 2.0則引入世界模型，讓機器人可以在行動之前先推演動作結(jié)果，選擇最優(yōu)方案。

Cortex 1.5針對基礎(chǔ)版Cortex VLA在真實部署中遇到的分布偏移問題：常規(guī)揀選任務(wù)可以穩(wěn)定完成，但遇到罕見物體姿態(tài)、流程卡頓、物體滑落這類邊緣場景時，原有模型缺乏穩(wěn)定的失敗恢復(fù)能力。

為此Cortex 1.5引入了“交互式強化學習策略修補”機制：當機器人在某個環(huán)節(jié)執(zhí)行失敗，人類操作員只需要通過遠程遙控給出一段簡短的糾錯示范，系統(tǒng)就可以把這段示范吸收，完成局部策略更新，不需要重新訓練整個模型。更新后的策略還可以同步到整個機器人集群，讓單個節(jié)點的經(jīng)驗?zāi)鼙凰胁渴鸸?jié)點復(fù)用。

Cortex 1.6則進一步降低了對人工干預(yù)的依賴，引入了PRO也就是過程獎勵算子機制。

過去很多機器人模型學習只關(guān)注最終結(jié)果：要么成功要么失敗，但在真實操作過程中，大量有價值的信息都藏在操作過程里，比如物體滑動、動作遲滯、碰撞風險、力反饋異常，還有失敗前已經(jīng)完成的部分正確動作。PRO可以從真實運行數(shù)據(jù)中提取連續(xù)學習信號，讓日常運行過程本身就可以用來優(yōu)化模型。

根據(jù)Sereact披露的數(shù)據(jù)，在拾取放置、鞋盒開啟、退貨處理等任務(wù)中，Cortex 1.6的任務(wù)成功率已經(jīng)達到約98%。

最新推出的Cortex 2.0，更是將機器人從反應(yīng)式系統(tǒng)升級為前瞻式系統(tǒng)：把原來的“先觀察后抓取”，升級為“先預(yù)測，再行動”。

Cortex 2.0將VLA模型與世界模型相結(jié)合，讓機器人可以基于當前場景狀態(tài)生成多條候選運動軌跡，分別推演不同軌跡的執(zhí)行結(jié)果，再按照穩(wěn)定性、風險、效率多個維度打分，最終只執(zhí)行最優(yōu)方案。

通俗來講，過去的機器人更依賴試錯：抓取失敗了再重新抓取，如果本身策略錯誤，就可能出現(xiàn)反復(fù)失敗的問題。

而Cortex 2.0讓機器人在動手操作之前就可以提前判斷：這樣抓取會不會導(dǎo)致物體滑落，這樣放置會不會撞到箱壁，完成這幾步之后會不會出現(xiàn)卡住的問題。這對于裝箱、成套配料、退貨上架、精密放置、裝配這類長流程任務(wù)尤其重要，因為小誤差會在后續(xù)步驟中不斷放大，最終導(dǎo)致碰撞、卡死，需要人工介入處理。

退貨處理就是非常典型的復(fù)雜長流程任務(wù)，它比簡單的拾取放置難度高得多：機器人需要連續(xù)完成掃碼、拆包、展開商品、檢查成色、重新包裝，還要判斷商品應(yīng)該重新上架、翻新還是直接丟棄；每一步的執(zhí)行都依賴前一步的輸出結(jié)果，而且商品本身的狀態(tài)高度不確定。

Cortex 2.0的價值就在于，它讓機器人可以在執(zhí)行動作前提前推演結(jié)果，配合Lens視覺系統(tǒng)主動調(diào)整商品姿態(tài)，獲取更好的檢查視角，再完成成色判斷和流轉(zhuǎn)決策，將機器人能力從“會抓取單個物體”，升級到“能理解并管理一整段流程”。

支撐Sereact快速技術(shù)迭代的核心，是它基于真實場景搭建的真實世界學習閉環(huán)。機器人在客戶現(xiàn)場的成功揀選、失敗嘗試、糾錯動作，都會和視覺觀察數(shù)據(jù)、機器人狀態(tài)數(shù)據(jù)、夾爪力反饋數(shù)據(jù)以及最終結(jié)果一起被記錄下來，用于模型更新；新策略通過自動化回歸測試驗證后，就會推送到整個機器人集群完成全量更新。

由此Sereact形成了完整的數(shù)據(jù)飛輪：部署的機器人越多，獲得的真實交互數(shù)據(jù)就越多；數(shù)據(jù)積累越豐富，模型的穩(wěn)定性就越高；模型越穩(wěn)定，就能進入更多客戶現(xiàn)場完成部署，形成正向循環(huán)。

這也是Sereact發(fā)展路徑最核心的啟發(fā)：仿真和實驗室演示可以驗證技術(shù)方向，但很難窮盡真實倉庫里的物體重量差異、摩擦系數(shù)變化、反光遮擋、包裝變形、各類異常事件。真正穩(wěn)定可靠的機器人AI，仍然需要在生產(chǎn)現(xiàn)場從真實失敗中學習成長。

具身智能行業(yè)破局，關(guān)鍵在于找到高價值落地場景

近年來具身智能賽道已經(jīng)吸納了海量資金，根據(jù)量子位智庫的統(tǒng)計數(shù)據(jù)，中國市場具身智能賽道2025年總?cè)谫Y額就達到約554億元；烯牛數(shù)據(jù)顯示，2026年第一季度，中國具身智能賽道融資規(guī)模就已經(jīng)達到243.73億元。與此同時，行業(yè)軟硬件能力也在持續(xù)進步，但整個行業(yè)真正需要跨過的核心門檻，還是進入生產(chǎn)型商業(yè)場景，形成可持續(xù)的商業(yè)價值閉環(huán)。

只有具身智能能在具體場景創(chuàng)造實際價值，整個行業(yè)生態(tài)才能獲得持續(xù)發(fā)展的基礎(chǔ)。就像大語言模型先在代碼開發(fā)、垂直智能體等場景驗證了商業(yè)價值，今年Claude Code、“龍蝦”、Codex的爆火，以及Sierra剛剛完成9.5億美元融資，都證明了高頻、效果可驗證、客戶愿意付費的場景，往往會率先完成商業(yè)閉環(huán)驗證。

因此，具身智能行業(yè)其實未必需要一開始就沖擊家庭環(huán)境這類開放、復(fù)雜、接近人類日常的場景。家庭場景任務(wù)模糊，安全要求高，用戶容錯空間小，商業(yè)模式也不清晰；相比之下，面向生產(chǎn)和履約的封閉場景，任務(wù)邊界更清晰，商業(yè)價值也更容易量化計算。

這個發(fā)展路徑其實和自動駕駛非常相似：開放道路的完全無人駕駛依然技術(shù)難度極高，但港口、礦山、封閉園區(qū)已經(jīng)更早實現(xiàn)商業(yè)化落地，創(chuàng)造了實際價值。具身智能很可能也會走類似的發(fā)展路徑，先在高頻、可控、可計量的場景中落地部分任務(wù)，形成部署規(guī)模、數(shù)據(jù)積累和營業(yè)收入，再逐步迭代拓展。

當前中國具身智能創(chuàng)業(yè)已經(jīng)足夠火熱，下一階段行業(yè)競爭的核心，就是線下場景的規(guī)?；炞C。中國擁有全球最龐大的制造體系、物流網(wǎng)絡(luò)和工業(yè)供應(yīng)鏈，這些場景復(fù)雜度足夠高，商業(yè)價值也足夠明確，更容易形成持續(xù)的商業(yè)閉環(huán)。

誰能先把機器人穩(wěn)定部署進這些生產(chǎn)場景，誰就更有可能率先跑出具身智能的正向數(shù)據(jù)飛輪，搶占行業(yè)先機。

本文來自微信公眾號 “阿爾法公社”（ID：alphastartups），作者：發(fā)現(xiàn)非凡創(chuàng)業(yè)者的，36氪經(jīng)授權(quán)發(fā)布。

本文僅代表作者觀點，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請在文中注明來源及作者名字。

免責聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com