Sereact融资1.1亿美元，让具身智能在真实场景落地阿尔法公社·2026年05月12日 19:41具身智能要找到高价值落地场景。 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。 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。 有一家德国的具身智能公司则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。 这家公司是Sereact ，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。    在真实世界中学习的具身智能系统 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。 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。 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%。 图片来源：Sereact  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”。 图片来源：Sereact  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。 具身智能要找到高价值落地场景 具身智能已经积累了巨量资金。根据智库统计，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。 本文来自微信公众号 “阿尔法公社”（ID：alphastartups），作者：发现非凡创业者的，36氪经授权发布。 该文观点仅代表作者本人，36氪平台仅提供信息存储空间服务。