具身智能落地难？Sereact获1.1亿美元融资，用真实世界学习闭环破局

具身智能行业现状

现阶段，具身智能行业已经很热，但很多公司的产品仍停留在演示视频、实验室环境和POC阶段。

宇树科技的情况

以宇树为例，其人形机器人仍主要面向科研教育市场。招股书显示，2025年1至9月，宇树人形机器人科研教育收入占比73.60%，行业应用占比9.01%，真正进入生产型场景仍处在早期。

Sereact的发展路径

有一家德国的具身智能公司Sereact，从一开始就选了一条具身智能加速落地的路。创立以来，它的产品就在真实生产环境中运行，目前已经有了奥地利邮政、BMW、Daimler Truck、Mercedes - Benz等头部企业客户。

它最近获得了1.1亿美元B轮融资，由Headline领投，Bullhound Capital、Felix Capital、Daphni参投，老股东Air Street Capital（种子轮领投方）、Creandum（A轮领投方）和Point Nine继续跟投。在它更早期的投资轮次中，还有Cruise产品副总裁、Voyage联合创始人Oliver Cameron，Automata CEO兼联合创始人Mostafa Elsayed等机器人和工业自动化背景的天使投资人参投。

有一个数据很有意思，Sereact已经部署超过200套Cortex系统，在真实生产环境中完成了超过10亿次拣选，平均约每53000次拣选才需要一次远程人工干预。

Sereact值得关注的地方在于，它从一开始就把机器人放进真实世界，让它们在仓库和产线中执行具体任务，产生具体价值，积累真实数据。

Sereact的创立背景

Sereact成立于2021年，两位联合创始人Ralf Gulde和Marc Tuscher均来自斯图加特大学，并曾在该校机床与制造单元控制工程研究所（ISW）从事机器人与人工智能交叉研究。Ralf Gulde（CEO）研究方向包括强化学习、机器人操作和真实机器人系统部署；Marc Tuscher（CTO）则专注于深度学习、计算机视觉和机器人软件系统。两人在斯图加特大学共同研究AI与机器人结合，并最终在2021年将这一研究路径商业化，创立了Sereact。

Sereact的业务选择

在两人的带领下，Sereact没有一开始就去做开放家庭环境里的通用机器人，而是选择了仓储和制造里的拣选、打包、退货、分拣、库存核验这些不算“性感”，但足够真实，落地价值巨大的具体环节。仓储环境足够封闭，任务可以被定义，KPI可以被量化，客户也愿意为效率付费；同时，真实仓库又有足够多复杂情况，这些因素让仓储既是商业场景，也是训练机器人理解物理世界的高密度数据场。

Sereact的产品发展

Sereact早期最有代表性的产品之一是PickGPT。它是机器人Transformer模型，目标是让机器人通过自然语言和视觉理解，在真实物理场景中完成物体拾取与操作。PickGPT解决的是机器人进入现场的第一道门槛：交互和部署。一线员工可以通过语音或界面对机器人下达任务，机器人面对新物体和新任务时，也不必从头训练。

在PickGPT之后，Sereact将技术路线推进到Cortex。Cortex是视觉 - 语言 - 动作模型，也就是VLA。它要解决的不只是让机器人“听懂语言”，而是把视觉、语言和动作放进同一套系统里，让机器人能在真实物理环境中执行任务。

Sereact对Cortex的判断来自真实仓储运营：履约中心里有杂乱料箱、长尾SKU、反光包装、柔性物体、遮挡和异常摆放。要在这种环境中泛化，模型必须基于真实运营数据训练，并把视觉感知、任务理解和动作控制结合起来。因此，Cortex采用分层设计：先理解任务和视觉场景，生成3D规划，再由运动控制模块适配到具体机器人的控制空间。

Cortex的更新迭代

进入2026年，Sereact在几个月内连续更新Cortex 1.5、Cortex 1.6和Cortex 2.0。

简单来说，Cortex 1.5通过策略修补解决失败恢复；Cortex 1.6通过过程奖励让日常运行过程可学习；Cortex 2.0则通过世界模型让机器人行动前推演未来。

Cortex 1.5解决的是基础Cortex VLA在真实部署中的分布偏移问题：常规拣选可以完成，但遇到罕见姿态、流程卡顿、物体滑落等边缘状态时，机器人缺乏稳定的失败恢复能力。它引入“交互式强化学习策略修补”：当机器人在某个节点失败，人类操作员通过远程遥控给出简短纠错示范；系统再将这段示范吸收为局部策略更新，而不是重新训练整个模型。更新后的策略还能同步到机器人集群，让单点经验被多个部署节点复用。

Cortex 1.6进一步减少对人工干预的依赖，引入PRO，也就是过程奖励算子。过去很多机器人学习只看最终结果：成功或失败。但真实操作中，大量有价值的信息藏在过程里，比如滑动、迟滞、碰撞风险、力反馈异常，或失败前已经完成的部分正确动作。PRO从真实运行中提取连续学习信号，让日常运行过程本身也能用于优化模型。Sereact称，在拾取放置、鞋盒开启、退货处理等任务中，Cortex 1.6的成功率约为98%。

最新的Cortex 2.0，则把机器人从反应式系统推进到前瞻式系统：从“先看后拣”，变成“先预测，后行动”。它将VLA模型与世界模型结合，让机器人基于当前状态生成多条候选轨迹，推演结果，再按稳定性、风险和效率打分，只执行最优方案。

通俗地说，过去的机器人更像是在试错：抓失败了再重抓；如果策略本身错了，就可能反复失败。Cortex 2.0则让机器人在动手前先判断：这样抓会不会滑落，这样放会不会撞到箱壁，几步之后会不会卡住。这对装箱、成套配料、退货上架、精密放置、装配等长程任务尤其重要，因为小误差会在后续步骤中放大，导致碰撞、卡死或人工介入。

退货处理是典型例子，它远比pick - and - place更复杂：机器人需要连续完成扫码、拆包、展开商品、检查成色、重新包装，并判断商品应该重新上架、翻新还是丢弃；每一步都依赖前一步的信息，商品状态又高度不确定。Cortex 2.0的价值，就在于让机器人在执行前推演结果，配合Lens视觉系统主动调整商品姿态，获得更好的检查视角，再完成成色判断和流转决策。它把机器人从“会抓一个东西”，推进到“能理解并管理一段流程”。

真实世界学习闭环

支撑这一演进的，是Sereact的真实世界学习闭环。机器人在客户现场的成功拣选、失败尝试和纠错动作，都会连同视觉观察、机器人状态、夹爪力反馈和最终结果一起被记录，用于更新模型；新策略通过自动化回归测试后，再推送到整个机器人集群。由此形成的数据飞轮是：部署越多，真实交互越多；数据越多，模型越稳；模型越稳，又能进入更多客户现场。这也是Sereact路线中最关键的地方。仿真和实验室演示可以验证方向，但很难穷尽真实仓库里的重量、摩擦、反光、遮挡、包装变形和异常事件。真正可靠的机器人AI，仍然需要在生产现场从真实失败中学习。

具身智能的落地思考

具身智能已经积累了巨量资金。根据量子位智库统计，中国市场具身智能赛道2025年总融资额约554亿元；烯牛数据则显示，2026年Q1具身智能赛道融资规模达243.73亿元。软硬件能力也在持续进步，但行业真正需要跨过的门槛，是进入生产型商业场景，形成可持续的价值闭环。

具身智能只有在具体场景产生价值，整个生态才有继续发展的基础。就像大语言模型已经在Coding和垂直Agent等场景验证了价值，今年Claude Code、“龙虾”和Codex的爆火，以及Sierra刚刚获得9.5亿美元融资，都说明高频、可验证、愿意付费的场景，往往会率先完成商业验证。

因此，具身智能未必应该一开始就追求家庭环境这类开放、复杂、接近人的场景。家庭任务模糊，安全要求高，用户容错低，商业模式也不清晰；相比之下，面向生产和履约的封闭场景，任务边界更清楚，价值也更容易计算。

这有点像自动驾驶：开放道路上的完全无人驾驶仍然很难，但港口、矿山、封闭园区已经更早产生价值。具身智能也可能走类似路径，先在高频、可控、可计量的场景中完成一部分任务，形成部署、数据和收入。

中国具身智能创业已经足够热，下一阶段的关键在于线下场景中的规模化验证。中国拥有庞大的制造体系、物流网络和工业供应链，这些场景复杂度足够高，商业价值也足够明确，更容易形成持续闭环。谁能先把机器人稳定送进这些场景，谁就可能先跑出具身智能的数据飞轮。