美国仓库的地面从未像今天这样拥挤。过去五年，自主移动机器人、机械臂、分拣系统和无人叉车从不同厂商涌入同一片装卸区，各自携带独立的调度软件、控制接口和运维后台。一个大型履约中心同时运行三到四套机器人系统已不罕见，但它们彼此之间并不对话。仓库运营方被迫在多个控制台之间切换，用人工把不同厂商的硬件拼成一条勉强连贯的作业流。更麻烦的是，一旦某个环节的机器人供应商被替换，围绕它搭建的流程、接口和人员培训往往要推倒重来。
这正是 Destro AI 试图切入的位置。这家总部位于纽约布鲁克林的公司不制造机器人，而是构建一套跨硬件平台的软件层，让不同品牌的机器人、仓库人员和企业系统通过同一个调度中枢协同工作。2026年9月，Destro AI 宣布完成 800 万美元种子轮融资，由 Base10 Partners 和 Bonfire Ventures 联合领投，CoFound Partners 参投。公司称，其技术已经在全球第三方物流提供商的生产环境中运行，并已开始产生商业收入。
这轮融资的规模在当下的机器人赛道并不算大，但它所押注的方向与大多数硬件公司不同。当仓储机器人行业的竞争长期集中在负载能力、续航、抓取成功率和单机成本时，Destro AI 的创始人兼 CEO Manthan Pawar 给出了另一种判断：下一阶段的瓶颈不在机器人本身，而在机器人之上缺少一个能统一决策的智能层。
| 字段 | 内容 |
|---|---|
| 公司 | Destro AI |
| 轮次 | 种子轮 |
| 金额 | 800万美元 |
| 投资方 | Base10 Partners、Bonfire Ventures 联合领投，CoFound Partners 参投 |
| 总部 | 纽约布鲁克林 |
| 创始人 | Manthan Pawar |
| 官网 | https://www.destroai.com |
把“用哪台机器人”从硬件厂商手里拿回来
Destro AI 的产品由两个相互配合的系统构成。MothershipOS 运行在单台机器人之外，扮演共享大脑的角色：它决定哪台机器人执行哪项任务，以及任务在哪里、何时、以何种方式完成。VisionOS 则运行在机器人端，负责移动操作，使用从人类演示数据训练的 AI 模型帮助机器人感知环境、抓取物体并与仓储环境交互。
这种架构的关键在于，决策权被上移到了硬件之上的一层。传统模式下，每台机器人的任务分配逻辑由原厂写入，仓库运营方只能在厂商预设的边界内进行配置。当现场同时存在多家厂商的设备时，跨品牌的任务协同要么依赖人工调度，要么通过昂贵的系统集成项目把不同接口强行对接。Destro AI 的路线是让 MothershipOS 直接面对仓库的作业目标——哪些订单优先、哪些货位需要补货、哪条通道当前拥堵——再由它把具体指令分发给不同硬件执行。
公司称其平台采取机器人无关的路线，客户不绑定单一机器人厂商，并可根据运营需求变化更换机器人车队。从已披露的架构看，这种设计在产业链中的实际含义是：机器人厂商在客户现场的角色可能从“工作流定义者”降级为“执行硬件供应商”。
用人类演示数据训练机器人，绕开逐场景编程
VisionOS 的技术路线同样值得注意。据公司披露，其 AI 模型使用人类演示数据训练，用于感知、抓取和交互。这与传统工业机器人依赖精确标定和逐任务编程的路径不同，更接近近年来模仿学习在机器人操作中的思路：让人先示范动作，模型从中学习可泛化的操作策略。
在仓储场景中，这种方法的潜在优势是应对非结构化任务。例如从杂乱的料箱中抓取不同形状、不同材质的商品，或者处理包装破损、摆放角度异常的货品。传统视觉系统往往需要针对特定 SKU 和特定场景进行大量调试，而基于人类演示训练的模型理论上可以更快适应新任务。但“理论上”能适应，与在真实仓库中稳定运行是两回事。Destro AI 尚未披露 VisionOS 的抓取成功率、任务完成率或需要人工干预的频率，也没有公开其人类演示数据的规模、采集环境和任务覆盖范围。这些指标直接决定该技术能否从演示走向规模化部署。
公司称其工程师和 AI 研究人员在生产现场与仓库运营方一起工作，而不是把开发局限在实验室环境。这一做法在物流自动化领域并不新鲜，但它确实指向一个关键约束：仓储环境的真实复杂度——光照变化、地面不平、人员穿行、包装破损——很难在实验室中完整复现。
Yusen Logistics 是唯一被点名的客户，但商业规模仍是黑箱
Destro AI 披露的客户名单中只有一个名字：Yusen Logistics (Americas)。这是一家全球第三方物流提供商，其自动化总监 Rick Brunelle 在融资公告中表示，Destro 的人机协作平台“为这些工作流带来了新的智能和控制水平，帮助我们的团队更高效地运营，同时继续满足客户的高服务期望”。
这是目前唯一来自客户侧的公开评价。但一家客户的一句正面引语，不足以构成对产品市场匹配的验证。公司称其技术已在全球第三方物流提供商的生产环境中运行，公司称其成立不到一年即进入生产环境，并已开始产生商业收入；成立年份未在公开材料中独立确认。投资方 Base10 Partners 的联合创始人兼管理合伙人 Adeyemi Ajao 则给出了更具体的描述：初次接触时 Destro 有两个试点在运行，几个月后已在生产环境中与一些大型物流运营商合作，并在与资金和声量远超自己的公司正面竞争中获胜。该表述来自投资方，尚无独立第三方验证。
Destro AI 没有披露客户总数、合同金额、年度经常性收入、毛利率或续约率。在软件投资中，这些指标是判断一家种子轮公司是否真正跨越从试点到规模化部署的关键。Ajao 所说的“正面竞争获胜”也没有披露对手是谁、比较的维度是什么、合同规模有多大。对于一家成立不足一年的公司来说，进入生产环境本身确实是一个有意义的信号，但它距离证明“共享智能层”能成为仓储自动化的主流架构还有相当距离。
投资方押注的是物理 AI，而不是某一台机器人
Bonfire Ventures 负责人 Jennifer Richard 的表述直接点出了这一判断：“我们投资 Destro 是因为我们相信下一波 AI 将是物理的。赢家不只是制造机器人的公司。”Base10 Partners 的 Ajao 则从买方视角切入：“Manthan 和他的团队理解，大多数买家实际上不是在寻找一台机器人，他们购买的是一个明天比今天运行得更好的仓库。”
这些投资方声明代表了当前风险资本对物理 AI 的一种共识性押注：硬件会逐渐商品化，价值将向软件和智能层集中。但这一判断在仓储领域尚未被大规模验证。一个反例是，头部机器人厂商也在强化自己的软件能力，试图把客户更深地锁定在自己的生态中。如果硬件厂商的专有调度系统足够好，跨品牌协调的需求可能被抑制；反之，如果仓库运营方确实需要混合使用多品牌设备，第三方协调层的价值才会凸显。Destro AI 的创始团队背景包括 HAI Robotics、Dexterity 和 Matic。团队背景只能说明起点，不能说明终点。
800万美元能买到的验证窗口
公司披露，本轮资金将用于加速平台在企业仓库的部署，扩展工程与研究团队，发展 MothershipOS 和 VisionOS 平台。对于一家同时推进云端调度引擎和机器人端操作系统的公司来说，800 万美元种子轮的资金体量并不宽裕。
编辑分析：从公开融资用途看，MothershipOS 的研发需要大量软件工程投入，而 VisionOS 的数据采集和现场部署则更接近硬件公司的烧钱模式——需要工程师长期驻场、需要与不同机器人厂商做接口适配、需要处理真实环境中的长尾问题。两条线同时推进，意味着 Destro AI 必须在有限资金内证明其中至少一条线能产生可重复的商业收入。公司称已开始产生商业收入，但未披露收入规模。如果收入主要来自 Yusen Logistics 的单一合同，那么这笔收入更多是验证了产品可用，而非验证了商业模式可扩展。上述成本结构为基于公开融资用途的推演，不代表公司已披露的成本结构。
另一个值得关注的资金用途是“扩展工程与研究团队”。在 AI 人才成本高企的背景下，这笔钱能支撑的团队规模有限。Destro AI 需要在机器人协调算法、模仿学习模型和现场工程之间做出优先级选择。
竞争不在明处，而在仓库运营方的 IT 预算里
Destro AI 没有披露直接竞争对手。但它的竞争对象并不难定位：不是某一家具体的机器人公司，而是仓库运营方在自动化上的整体预算分配方式。
编辑分析：第一种替代方案是继续使用单一机器人厂商的专有系统。对于自动化程度较低、机器人数量有限的仓库，引入第三方协调层的必要性并不明显。Destro AI 的价值主张在混合品牌、多类型机器人的复杂场景中最强，但这类场景通常集中在大型第三方物流和头部电商的履约中心，客户数量有限、销售周期长、决策链复杂。第二种替代方案是仓库管理系统和仓库执行系统的延伸。传统的 WMS 和 WES 已经在管理订单、库存和部分自动化设备，一些厂商也在向多机器人调度方向扩展。Destro AI 需要证明，一个独立于 WMS 的机器人智能层能提供比 WMS 内置调度更优的决策质量，而不是增加一层新的集成复杂度。第三种替代方案是机器人厂商之间的联盟和开放接口。如果几家头部硬件厂商达成互操作协议，或者行业出现统一的机器人通信标准，第三方协调层的空间会被压缩。目前仓储机器人行业尚未形成类似标准，但这一风险长期存在。待核验指标包括：WMS 厂商的多机器人调度能力、机器人厂商互操作协议进展。
从已披露的信息看，Destro AI 的差异化在于同时覆盖云端调度和机器人端操作。大多数 WMS 厂商不具备机器人端的感知与操作能力，大多数机器人厂商的调度系统又局限于自有硬件。Destro AI 试图站在两者之间，这一定位在逻辑上成立，但它必须回答一个核心问题：当客户已经拥有一套 WMS 和若干机器人厂商的专有系统时，为什么还要为第三层软件付费？答案只能来自可量化的效率提升——吞吐量提高多少、人工干预减少多少、换机器人厂商的迁移成本降低多少。而这些数据，公司尚未披露。
成立不到一年的公司，最需要证明的不是技术而是留存
Destro AI 的叙事中有几个尚未闭合的环节。公司未在公开材料中披露官网之外的更多信息，成立年份未披露，客户数量未披露，商业收入规模未披露。对于一家种子轮公司，这些信息缺口本身并不异常，但它们叠加在一起，使得外界很难独立判断其真实进展。
最关键的待验证假设是：Yusen Logistics 的部署是一次性的示范项目，还是能转化为长期合同和可复制的部署模式。公司称其技术已在“全球第三方物流提供商的生产环境中运行”，复数表述暗示不止一家客户，但具体数量未披露。投资方 Ajao 提到“一些大型物流运营商”，同样没有给出名单。编辑分析：结合已披露的 Yusen Logistics 部署和投资方关于“两个试点”的信息，如果 Destro AI 能在未来 12 到 18 个月内公开第二、第三家生产环境客户，并披露续约或扩展情况，其“共享智能层”的定位将获得实质性支撑；如果客户名单长期停留在单一名字上，市场对其可扩展性的质疑会持续存在。
另一个待验证假设是机器人无关性在工程上能走多远。每接入一个新品牌的机器人，都意味着新的 API、新的通信协议、新的运动学约束和新的安全机制。MothershipOS 的调度逻辑需要足够抽象，才能在不同硬件上保持一致性；VisionOS 则需要针对不同机器人的传感器配置和末端执行器做适配。公司没有披露已接入的机器人品牌数量，也没有披露接入一个新品牌所需的工程周期。这两个指标直接决定“机器人无关”是产品现实还是营销概念。
从已披露的融资结构和资金用途看，Destro AI 选择了一条需要同时证明技术深度和商业广度的路径。800 万美元种子轮给了它一个相对紧凑的验证窗口。在这个窗口内，它需要把 Yusen Logistics 的单点部署变成可重复的客户获取，需要在 MothershipOS 和 VisionOS 之间找到资源分配的平衡，还需要在仓储软件生态中确立一个清晰而不被 WMS 厂商和机器人厂商双向挤压的位置。这些任务中的任何一项失败，都可能让“共享智能层”的故事停留在融资公告里。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：仓储机器人的竞争正在从“谁造出了更强的机器”转向“谁能让一群机器像一支队伍一样工作”。Destro AI 的 800 万美元种子轮买到的不是市场份额，而是一个验证窗口：证明跨品牌协调层在真实仓库中能带来可量化的效率提升，并且客户愿意为此持续付费。在 Yusen Logistics 之外，它还需要更多名字、更多数字、更多留存证据。否则，共享智能层就只是硬件商品化叙事中的一个漂亮假设。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。