具身智能的热度毋庸置疑，但一个略显尴尬的现实是，许多公司的产品依然困在演示视频、实验室环境或概念验证阶段。以国内备受关注的宇树科技为例，其招股书显示，2025年1至9月，其人形机器人收入中，科研教育占比高达73.60%，而行业应用仅占9.01%。这清晰地表明，真正进入规模化生产场景，仍是一条漫长的路。
然而，有一家德国机器人公司从创立之初，就选择了一条截然不同的路径——直奔真实的生产环境。它的产品不是在实验室里“表演”，而是在客户的仓库和产线里“干活”。如今，奥地利邮政、宝马、戴姆勒卡车、梅赛德斯-奔驰等工业巨头已成为它的客户。
这家公司名叫Sereact。最近，它刚刚完成了1.1亿美元的B轮融资，由Headline领投，多家知名风投跟投。更值得玩味的是，在其早期的投资方名单里，还出现了Cruise、Voyage、Automata等自动驾驶和机器人公司高管的个人身影。这似乎暗示，行业内的专家们早已嗅到了某种趋势。
一个数据足以说明其落地深度：Sereact部署的超过200套系统，已在真实环境中完成了超过10亿次拣选任务，平均每53000次操作才需要一次远程人工干预。这个数字背后，是其技术路线最核心的坚持：让机器人在真实世界中学习、进化，并创造可量化的商业价值。
在真实世界中学习的具身智能系统
Sereact的故事始于斯图加特大学。两位联合创始人Ralf Gulde和Marc Tuscher在学校的机床与制造单元控制工程研究所（ISW）深耕多年，研究方向恰好覆盖了强化学习、机器人操作与深度学习、计算机视觉的交叉领域。2024年，他们将学术研究转化为商业实践，共同创立了Sereact。
他们没有去追逐“家庭通用机器人”那个看似性感却遥不可及的梦想，而是将目光投向了仓储和制造业中那些看似枯燥、实则价值巨大的环节：拣选、打包、退货、分拣、库存核验。这个选择非常聪明：仓储环境相对封闭，任务可被清晰定义，效率提升能直接换算成客户愿意支付的费用。同时，真实的仓库又是一个极其复杂的“高密度数据场”，充满了杂乱料箱、长尾SKU、反光包装和异常摆放，这正是训练机器人理解物理世界的绝佳土壤。
公司的技术演进路径清晰地反映了其“从解决门槛到深化智能”的思路。早期产品PickGPT，本质上是一个机器人Transformer模型，目标很直接——降低部署门槛。让一线员工能用自然语言指挥机器人，让机器人面对新物体时无需从头训练。这解决了“进得去”的问题。
随后推出的Cortex系统，则将目标升级为“干得好”。它是一个视觉-语言-动作（VLA）模型，旨在将感知、理解和执行统一到一个框架内。Sereact意识到，要在真实、混乱的仓储环境中稳定工作，模型必须基于海量真实运营数据来训练。因此，Cortex采用了分层设计：先理解任务与场景，生成3D规划，再适配到具体机器人的控制系统中。
进入2026年，Sereact的技术迭代明显加速，在几个月内连续发布了Cortex 1.5、1.6和2.0。这三个版本，可以看作是其智能系统应对真实世界复杂性的“三部曲”。
Cortex 1.5 聚焦于“失败恢复”。常规操作没问题，但遇到罕见姿态或物体滑落等边缘情况怎么办？它引入了“交互式强化学习策略修补”：当机器人卡壳时，人类操作员远程进行一次简短的纠错示范。系统吸收这个“局部经验包”来更新策略，并同步给整个机器人集群。这相当于让机器人具备了从单点故障中集体学习的能力。
Cortex 1.6 则致力于“从过程中学习”。过去的机器人学习往往只看结果——成功或失败。但大量有价值的信息藏在动作过程中，比如微小的滑动、异常的力反馈。Cortex 1.6引入了过程奖励算子（PRO），从日常运行的连续信号中提取学习信号，让每一次操作都成为优化模型的机会。据称，这使得在拾取放置、开启鞋盒等任务中，成功率达到了约98%。
图片来源：Sereact
Cortex 2.0 是一次质的飞跃，它将机器人从“反应式”推进到“前瞻式”。简单说，以前的机器人是“看到就抓，抓失败了再试”；而Cortex 2.0结合了世界模型，让机器人在动手前，先在“脑海”中推演多种行动方案的未来结果，并根据稳定性、风险、效率进行评分，最终选择最优解执行。
这在处理“退货”这类复杂长程任务时价值凸显。机器人需要连续完成扫码、拆包、检查、重新包装并决定商品流向，每一步都依赖上一步的状态。Cortex 2.0的推演能力，使其能提前规划最优动作序列，主动调整商品姿态以获得更好检查视角，从而可靠地管理整个流程。这意味着，机器人从“会执行一个动作”进化到了“能理解和优化一段流程”。
图片来源：Sereact
支撑这一系列快速迭代的，是Sereact精心构建的“真实世界学习闭环”。每一个部署在现场的机器人，其成功、失败、纠错的全过程数据（包括视觉、状态、力反馈）都被持续收集，用于更新中央模型。新策略经过自动化测试后，再反向推送给所有机器人。这就形成了一个强大的数据飞轮：部署越多，数据越多；数据越多，模型越强；模型越强，就能赢得更多部署。仿真环境可以验证原理，但真正能让机器人应对反光、变形、遮挡等千奇百怪现实挑战的，唯有在真实生产现场的一次次“失败”中学到的经验。
具身智能要找到高价值落地场景
回望整个具身智能领域，资金和关注度早已不是问题。据相关智库统计，仅2025年中国市场该赛道融资额就高达数百亿元，2026年第一季度热度依然不减。硬件算力、算法模型也在持续进步。但行业下一个必须跨越的门槛非常明确：进入生产型商业场景，形成可持续的价值闭环。
道理其实很朴素：任何技术，只有在一个具体场景中持续产生可衡量的价值，整个生态才有持续发展的燃料。这在大模型领域已经得到验证——正是Coding、垂直Agent等高频、可验证、有付费意愿的场景，率先跑通了商业逻辑。具身智能很可能遵循相似的路径。
因此，与其一开始就强攻家庭这种开放、复杂、容错率低且商业模式模糊的场景，不如先聚焦于生产和物流履约这类封闭场景。这里的任务边界清晰，效率提升可直接转化为成本节约或收入增长，价值计算简单明了。
这让人联想到自动驾驶的发展历程：开放道路的完全无人驾驶依然任重道远，但港口、矿山、园区等封闭场景的自动驾驶已经实实在在地创造了价值。具身智能或许正走在一条类似的“农村包围城市”的道路上——先在高频、可控、可计量的场景中解决一部分问题，积累数据、验证模式、形成收入。
对于中国的具身智能创业者而言，机会窗口已经打开。我们拥有全球最庞大、最复杂的制造体系和物流网络，这些场景本身就是训练和验证机器人能力的绝佳试炼场。复杂度高，意味着技术有施展空间；商业价值明确，意味着客户有付费动力。谁能率先将机器人稳定、规模化地送入这些场景，谁就有可能率先转动那个至关重要的数据飞轮，在具身智能的落地竞赛中占据先机。
