泰瑞達機器人(Teradyne Robotics)與 Sereact 攜手合作,致力於將實體人工智慧應用擴展至零售與物流領域
Teradyne Robotics 與 Sereact 於 2026 年 10 月 21 日宣布建立合作夥伴關係,將在 Universal Robots 的協作機器人手臂上運行 Sereact 的 Cortex 物理人工智慧模型,為零售及物流客戶實現退貨處理、單件揀選、套件組裝及補貨的自動化。 目前歐洲各地已有數百套雙臂 UR 系統投入運作,其中包括位於德國和波蘭的 Zalando/CEVA Logistics 退貨處理中心;而 Sereact 剛在波士頓設立的新總部,則旨在將這套解決方案引進北美市場。

泰瑞達機器人(Teradyne Robotics)與 Sereact 於 10 月 21 日宣布建立正式合作夥伴關係, 2026年10月21日,正式宣布建立合作夥伴關係,將 Sereact 的 Cortex 物理人工智慧軟體與 Universal Robots 的協作機器人手臂結合,讓零售商和物流業者能夠自動化處理非結構化任務——以退貨處理和單件揀選為首——這些任務是固定程式機器人從未能可靠處理的。 這項合作已進入商業化階段,而非實驗性質:兩家公司表示,他們已向歐洲各地的實際客戶現場交付了數百套雙臂 UR 系統,其中退貨處理、單件揀選、套件組裝和補貨被列為第一波應用場景。
這項公告反映了倉儲與門市自動化領域正在發生的結構性變革。過去十年間,零售商與第三方物流供應商首先將營運中較為簡單的環節自動化:例如將規格統一的紙箱堆疊成托盤、在固定點之間搬運收納箱,以及掃描標準化包裝上的條碼。 剩餘仍需人工處理的工作,正是那些難以透過固定程式設計應對的任務:例如被塞進塑膠袋裡、揉成一團的退貨毛衣;裝有朝向隨機的混裝服飾的托盤;或是機器人從未見過的 SKU。若不針對每個新品類進行重新設計週期,硬編碼的視覺系統和夾爪設定便無法因應如此多樣化的情況而擴展應用。 Sereact 的賣點,也是泰瑞達機器人(Teradyne Robotics)決定動用其協作機器人分銷網絡支持該公司的原因在於:現在單一經過訓練的模型便能跨類別進行泛化,無需針對每個 SKU 重新訓練,將過去的系統整合專案轉變為軟體部署。
在這對合作夥伴中,Sereact 雖較不為人熟知,但值得特別關注。該公司總部位於德國斯圖加特,由 Ralf Gulde 博士與 Marc Tuscher 共同創辦,並開發了名為 Cortex 的視覺-語言-動作模型,使機械手臂能夠抓取、識別並處理先前未曾接觸過的物體。 該公司於 2026 年初完成 1.16 億美元的 B 輪融資,投資者包括 Zalando、IKEA、DHL、Rohlik、Arvato、alza.cz、BMW 及 Mercedes-Benz
其客戶包括戴姆勒卡車(Daimler Truck)等,客戶名單已涵蓋時尚電商、零售、包裹物流及汽車製造等領域。 對於工業買家而言,泰瑞達機器人(Teradyne Robotics)已無需多作介紹:它是泰瑞達公司(Teradyne, Inc.,納斯達克代碼:TER)旗下的一家部門,擁有協作機器人製造商 Universal Robots 以及自主移動機器人製造商 Mobile Industrial Robots,總部位於丹麥奧登塞。這筆交易的商業運作機制相當簡單明瞭。Cortex 屬於軟體層;Universal Robots 的機械手臂則是其運行的硬體平台。泰瑞達機器人藉此獲得了一款經生產驗證的人工智慧應用,可透過其全球經銷商與系統整合商網絡推廣,從而擴展機械手臂的應用範圍,而無需更換硬體。 Sereact 則可藉此接觸該分銷網絡,以及泰瑞達機器人首席商務官雅各布·帕斯夸爾·帕佩(Jacob Pascual Pape)所指稱的全球超過 10 萬台 UR 工業機器人部署基數, 他在兩家公司聯合聲明中直接引用了這個數字,作為「實體人工智慧唯有在實際運作中展現效能時才真正重要」的佐證。Sereact 執行長 Gulde 博士同樣以實務操作的角度闡述了對買家的價值主張:「單一智慧中樞即可驅動所有機器人,無需針對每項新產品或任務進行重新訓練。 而且,一台機器人學到的東西,每台機器人都能受益。」 對於評估自動化供應商的採購團隊而言,這不僅是關於能力的論點,更是關於總持有成本的論點:將單一模型的成本分攤至退貨處理、補貨、套件組裝、分揀、訂單導入、機器輔助、貨箱整合、包裝及貨物處理等環節,與為每項任務分別購買獨立的點解決方案,所作出的採購決策截然不同。
這項合作並非以新聞之名包裝的試點計畫。兩家公司將於本週在 NVIDIA 的「GTC Berlin 2026」活動中進行實機展示,屆時 Cortex 將在兩台 Universal Robots UR12e-1300 機械手臂上即時運行,執行退貨處理作業,而該示範
此部署與目前已在生產環境中運行的部署相符。Sereact 的退貨處理應用程式部署於德國格雷文(Greven)及波蘭什維博津(Świebodzin)的 Zalando 物流中心,並與第三方物流業者 CEVA Logistics 合作營運。 Zalando 是歐洲的時尚與生活風格電子商務平台,服務範圍涵蓋 29 個市場、超過 7,000 個品牌,擁有逾 6,200 萬名活躍客戶,這使得該平台成為歐洲零售業中,適用於訓練學習型抓取模型的最高退貨量來源之一。 古爾德博士闡述了為何退貨處理特別難以實現自動化:「退回的商品幾乎從未以適合機器人處理的順序送達。商品在形狀、方向和包裝上各不相同,且商品組合持續變化。」 他還將此部署與法規要求聯繫起來,指出迅速翻新退貨商品以供轉售「有助於零售商遵守歐盟禁止銷毀或將退貨商品送往垃圾填埋場的規定」——這項合規期限正推動歐盟零售商朝向自動化逆向物流發展,無論建置成本為何。 尤其是時尚電商,在每筆訂單利潤微薄的情況下,退貨率卻居高不下, 因此,仍依賴人工分揀的退貨流程不僅是成本中心,一旦銷毀禁令生效,更將成為合規風險;這正是為何像 CEVA Logistics 這樣規模龐大的第三方物流(3PL)企業,願意在實際生產線上運行一個已學習的抓取模型,而非等待技術更成熟的版本。兩家公司還正在建構周邊的技術堆疊,而非僅孤立地推出單一模型。Cortex 模型首先在 NVIDIA Isaac Sim 中使用 NVIDIA Cosmos 世界模型進行訓練,接著在 NVIDIA Isaac Lab 中透過強化學習進行後訓練,並在任何版本送達客戶現場前,於 Teradyne Robotics 硬體上進行效能測試。 在生產環境中,推論運算會在機器人工作單元上的 NVIDIA Jetson Thor 模組上本地執行,此時延遲必須保持在低水平
足以跟上移動輸送帶的速度,而 NVIDIA DGX Spark 則負責場地層級的驗證與模型更新。 Teradyne Robotics 另將適用於 Universal Robots 和 MiR 硬體的 SimReady OpenUSD 資產貢獻至 Hugging Face 上的 SimReady Central Library,降低所有開發者(包括競爭對手)針對 UR 和 MiR 機器人進行模擬的成本。 這項舉措在商業上至關重要:它將 UR 和 MiR 的硬體定位為更廣泛的物理-AI 開發者社群的預設模擬目標,而不僅限於 Sereact。地理因素則是規模擴展故事的另一半。Sereact 去年夏天在麻薩諸塞州波士頓開設了美國總部,專門為了將 UR 與 Cortex 的聯合解決方案帶給北美客戶,這表明在 Zalando 進行的歐洲退貨處理實證案例,旨在成為一個範本,而非單一的參考案例。 對於北美零售與物流領域的採購方而言,這正是值得關注的訊號:歐洲的部署實績、新設立的美國辦事處,加上已建立的合作機器人經銷商,這正是供應商在計畫於未來一至兩個預算週期內(而非多年期)進軍新地區時所遵循的標準策略。
這筆交易所揭示的零售與物流自動化競爭格局,比交易本身更值得玩味。 過去十年間,機器手臂製造商主要在負載能力、工作半徑和價格方面展開競爭;如今,競爭焦點已轉向能為其硬體配備哪家 AI 軟體合作夥伴,因為軟體決定了協作機器人能否應用於非結構化、多樣化的任務,而非僅限於重複且預先編程的任務。 泰瑞達機器人(Teradyne Robotics)在與 NVIDIA 建立技術合作夥伴關係,並於 2026 年初展示其自有 PolyScope X 平台後,選擇與 Sereact 合作,這顯示該公司正著手建構一套技術疊層(stack),而非押注於單一供應商;而那些沒有同等 AI 合作夥伴陣容的競爭對手協作機器人製造商,將不得不
其他廠商則以自身合作夥伴關係或內部開發的機型作為回應,但這些方案缺乏 Sereact 在多客戶生產方面的實績。最能從中受惠的買家,正是那些已經營運 UR 或 MiR 機器人車隊的企業:這項合作明確是針對既有安裝基礎進行的升級方案,而非需要重新申請資本核准的新型機器人類別。 像 Fanuc、ABB 和 Kuka 這樣的機械手臂製造商正面臨著 Teradyne Robotics 剛剛解決的相同問題,而 Covariant 和 Dexterity 等拾取軟體專家則面臨著與之相對應的抉擇: 究竟該繼續銷售僅適用於較窄範圍機械臂的模型,還是追求 Sereact 目前透過指定經銷夥伴所建構的那種「硬體中立」的廣泛適用性。 這兩條路徑均無明顯優劣之分,但評估此類供應商的買家應預期,該領域將逐漸演變為像這樣「硬體加軟體」的組合模式,而非持續維持獨立單點產品的市場狀態。對於實際權衡此種組合的採購或營運團隊而言,這則商業公告解答了「是否存在」的問題,卻未解決「如何運作」的課題;而在簽約前值得向兩家公司提出的疑問,與任何「AI 軟體部署於現有硬體」的交易所涉及的問題相同: 模型在面對不熟悉的 SKU 組合時,於上線首日(而非經過調校期後)的錯誤率表現為何;當生產線現已依賴雲端訓練的模型而非固定邏輯時,有哪些服務等級承諾能保障其正常運作時間; 模型的更新頻率為何,以及新版本在部署至實際作業單元前由誰負責驗證,還有當值班期間凌晨 2 點需要進行除錯時,系統整合商的協作模式為何。Zalando 的生產實例雖解答了可行性問題,但這並不能取代在投入全車隊預算前進行的現場特定試點。
零售與物流自動化正從購買僅能執行固定指令的機器人,轉向購買可重新分配任務的機器人
透過更新模型來實現,而這項合作關係正是迄今為止最明確的商業佐證:一家已在現場部署超過 10 萬台工業協作機器人的供應商,選擇透過單一 AI 模型來擴展其既有安裝基礎,該模型專為處理以回報為導向的非結構化工作而設計,而這正是固定式自動化永遠無法觸及的領域。本文綜合了截至 2026 年 10 月 21 日的企業聲明及公開合作夥伴關係資訊。本文僅供一般參考之用,並不構成任何投資、財務或專業建議。










