菜鳥CTO李強創業做Physical AI平臺，獲雲啟、商湯超億元種子輪融資｜硬氪首發

作者｜黃楠

編輯｜袁斯來

硬氪獲悉，Physical AI平臺公司「昆騰動力（Quantum Dynamics）」近日完成超億元種子輪融資，本輪由雲啟資本、商湯科技聯合投資。資金將主要用於Physical AI核心技術研發、人才梯隊建設及全球化市場拓展，加速其面向物理世界的智能系統從底層模型到場景化落地的全鏈路構建。多維資本參與項目孵化與團隊組建。

昆騰動力成立於2026年上半年，公司聚焦AI與真實物理世界的深度融合，自研可跨多場景複用的通用智能系統技術，面向全行業的Physical AI底層平臺。

目前具身智能賽道的創始人多分為幾類，一類是一類是自動駕駛背景出身，長於系統集成與工程化落地；另一類源於Neo Lab，具備前沿的具身智能技術視角。而昆騰動力的創始人李強則屬於第三類，此前深耕物流商業化場景，兼具AI技術理解力與全球化業務操盤經驗。

公司創始人兼CEO李強在阿里巴巴集團任職17年，於淘寶天貓、菜鳥、國際化業務及無人車四個板塊中，他均承擔了從0到1的體系搭建與運營管理工作。他曾任菜鳥集團CTO、阿里巴巴國際數字商業板塊CTO，管理分佈全球的數千人研發團隊；同時兼任菜鳥無人車總經理，統籌自動駕駛技術的研發與商業化推進。其團隊曾與海外200個國家的郵政系統開展深度業務對接，積累了全球物流履約的一線經驗。

昆騰動力創始人兼CEO李強（圖源/企業）

核心團隊構成覆蓋了前沿研究、模型研發、硬件工程到全球化商業落地的全部關鍵環節，具備從技術突破到價值交付的完整閉環能力。這種團隊複合基因，也讓昆騰動力在成立之初就選擇了一條差異化路線。

「我們不需要等一個完美的通用模型出現再去找場景，而是先找到能把現有技術轉化為客户價值的切入點，率先跑通商業化。」昆騰動力創始人兼CEO李強説。

事實上，今年以來，具身智能賽道正在經歷一場從「炫技」到「實干」的集體轉向。剛剛結束的WAIC 2026大會上，翻跟頭、跳舞的Demo展臺人氣依然高漲，而吸引人流駐足的，還有那些將汽車工廠、物流分揀線搬進現場的實景演示。

業界共識在形成，Physical AI已成為繼大語言模型后的下一個主戰場，競賽的勝負手正從模型參數大小邁向真實數據厚度。

IDC報告數據顯示，2025年，中國具身智能機器人用户支出規模預計超過14億美元，到2030年將飆升至770億美元，年均複合增長率達94%。錢湧入的速度越快，一個結構性問題越發凸顯：物理世界的數據，無法像文本和圖像那樣通過爬蟲批量獲取。

這意味着，誰先擁有規模化部署真機的能力，誰就擁有了數據採集的優先權。這也是昆騰動力切入產業的底層邏輯：先扎進物流倉庫，靠真機部署積累獨家真實數據，再反向打磨底層的世界動作模型。

一箇中型倉庫里，一臺揀貨機器人每天完成數萬次抓取、放置、掃描、貼標動作，覆蓋從剛性箱體到柔性包裹、從標準尺寸到異形SKU的幾乎所有物理操作類型。每一次動作的成功或失敗都是一個無需人工標註的清晰信號。這些都是物流網絡里用工缺口最大、人力成本佔比最高的環節，也是傳統自動化迟迟啃不下來的硬骨頭，恰恰需要模型驅動的方案來實現規模化突破。

瞄準物流倉儲場景，昆騰動力搭建數據閉環體系（圖源/企業）

在數據採集和利用效率上，昆騰動力搭建了一套數據閉環體系。其端側機器人本體上運行着輕量級算法，能夠實時識別高價值數據片段，當中包括需要人工干預的場景、模型預測置信度低的「近似失敗」狀態、以及反覆嘗試均未成功的困難案例。這些數據會被自動打標、回傳，進入訓練管道。

同時，針對需要人工干預數據處理部分，其算法平臺會僅截取干預操作中最具學習價值的片段，剔除冗余部分，以確保每一幀進入訓練集的數據都貢獻有效信息。

這套機制讓昆騰動力的數據管道具備了兩個鮮明特徵。一是規模效應，每新增一個部署倉庫就新增一個數據來源；二是獨家數據的生產，隨着數據越厚，模型的泛化能力和成功率就越高，后續接入新客户、新場景的成本和周期就越低。

當真實場景數據達到足夠密度，為昆騰動力自研基礎模型提供了現實條件，其目標並非打造一個單點能力模型，而是構建一套能從真實部署中持續進化的具身智能系統。這套系統平臺由六個技術模塊協同構成，覆蓋數據歸集、模型更新、集群協同進化的完整Physical AI體系，將依託線下真實產業場景完成驗證打磨。

首先是具身原生的World-Action Model（世界動作模型）。它區別於常見的視頻預測模型，通過聯合建模視覺、動作、本體狀態與觸覺信號，模型能夠學習「一次操作會如何改變物理世界」，並在此過程中滿足機器人實時控制的工程要求。

同時，基於昆騰動力已構建的數據閉環體系，以真機作業和人類操作數據為主要原料，可以將物流場景中的原始日誌自動加工為攜帶任務階段、失敗原因、恢復動作及業務結果的高價值訓練樣本，支撐秒級檢索、自動清洗標註和天級模型迭代。配合Human-in-the-Loop（HITL ，人為介入AI迴路）機制，可判斷機器人的人工介入時機，並將每一次干預轉化為訓練數據，使單人可管理的機器人數量持續提升。

執行層面，系統部署了輕量級World Model Corrector（世界模型校正），用於實時監控動作執行偏差，在操作失效前及時觸發糾偏、重規劃和重試，以此提高真實場景中的任務成功率。面對新客户和新倉庫，系統無需重新訓練全模型權重，而是通過Test-Time Training（測試時訓練）、少樣本示範和歷史經驗複用，使機器人快速適應不同的貨物、貨架、光照和流程變化。

最終，所有具身機器人組成一支持續學習與自我進化的集群。每台設備產生的成功、失敗、干預和恢復經驗，經由離線強化學習、偏好優化、仿真訓練與真機驗證的多重流程，持續更新至整個機群中。

昆騰動力將其落地節奏分為兩個階段。2026年將重點瞄準B2C、中小B電商倉庫，聚焦補貨上架、貨品揀選、包裹打包三大人力密集工序，優先落地美粧、醫藥類 SKU 規整的倉儲環境，採用人機協同混產模式完成規模化試點。到2027年，業務邊界將進一步向複雜快遞網點延伸，遵循「物流倉儲到工業產線、零售貨架、醫藥分揀，到商用服務，最終進入居家民生服務」的拓展路徑，拓寬Physical AI的落地場景邊界。

物理AI的競賽，其落腳點從來不只是技術Demo的驚艷程度，而是機器人能否在真實世界中穩定地完成作業。昆騰動力選擇的是一條並不性感的路徑，先讓數千臺機器人在倉庫里跑起來。它要證明的不只是一家公司的商業可行性，更是物理AI「從垂直場景切入，逐步走向通用」的路線可行性。

以下為硬氪與昆騰動力創始人兼CEO李強的訪談節選（略經編輯）：

硬氪：昆騰選擇以物流倉庫作為天然訓練場，靠真機部署自建數據飛輪，先落地再打磨底層模型。能否拆解這套 「先場景后底座」 分步戰略的時間節點與取捨邏輯？這套路徑長期來看能形成哪些差異化壁壘？

李強：我們團隊深耕物流行業多年，既清楚具身智能當下的技術邊界，也吃透了物流龐大、複雜的真實作業環境。基於當前技術水平，我們找到了一條更務實的落地路徑：依靠后訓練方案，就能先在部分倉儲場景實現規模化商用。

這麼做最直接的好處，就是可以一邊落地產生營收、一邊持續積累獨家真機數據。這些數據完全貼合真實物理世界分佈，不只有抓取成功的標準動作軌跡，還收錄了大量抓取偏差、操作失誤等負樣本，數據豐富度和真實性遠高於仿真、動捕數據集。相同模型架構下，依託更高質量的真實作業數據，模型泛化能力自然會拉開差距。

長遠來看，賽道競爭的核心早晚落在數據採集效率與單位數據成本上。誰能用更低成本持續產出海量真機數據，誰就能建立穩固優勢。這一點和Claude、特斯拉FSD的邏輯相通：部署的終端規模越大，沉澱的交互、駕駛數據越多，整套集群通過強化學習、車隊迭代優化后的整體性能就越強。我們大規模落地倉儲機器人，正是爲了打通真機RL（強化學習）后訓練、整機群持續進化的完整閉環。

硬氪：昆騰規劃從電商倉庫逐步拓展到多元場景，但不同環境的物理交互邏輯、作業限制差異巨大。團隊會從物流數據沉澱出哪些通用原子能力，支撐跨場景遷移？針對家庭、康養等非標、商業收益偏弱的場景，當前模型與少樣本適配框架還有哪些核心難點待突破？

李強：我們搭建了三套分層演進路徑，全部依託倉儲場景完成能力沉澱，后續可直接複用拓展至各類新場景。

在移動操作層面，我們遵循循序漸進的打磨節奏：先落地臺式固定機械臂方案，再實現人形機器人靜態作業，接着攻克全身協同移動操作，最終達成人流開放環境下穩定的動態作業能力。

針對操作精度，我們持續分層迭代控制標準，從基礎抓取精度起步，一步步打磨至毫米級，最終向亞毫米級精細操作邁進。

同時我們也會不斷擴充標準化原子動作儲備，吃透倉儲場景里揀放、面單粘貼、纏繞打包等各類實操動作，將成熟交互能力完整沉澱下來。物流本身就是打磨上述底層能力的絕佳試驗場，向外拓展新場景時，這些積累都能直接複用。

進入居家、康養場景，我們會採取由簡入繁的落地思路，先落地物品傳遞、收納這類低風險基礎任務，再逐步迭代近距離人機精細交互功能。

現階段這套體系切入居家康養賽道，仍有幾處關鍵難題需要解決。

一是小樣本學習能力不足，家庭環境物品、使用需求高度個性化，亟需更強的上下文學習能力，讓機器人僅憑少量示範就能掌握全新任務。

 其次是全域安全體系有待完善，要優化機身、電池等硬件材質防護，在模型與控制系統層面搭建多重防護機制，規避人機互動過程中的磕碰誤傷風險。

此外是自適應力觸覺控制仍有提升空間，養老陪護場景對柔性操作要求極高，靈巧手需要實現精準可控的柔和施力，當下的力感知動態調節能力還需要持續打磨。

投資方評論：

商湯資本表示，物流是目前具身智能賽道里最紮實的落地賽道之一，AI 機器人的降本增效價值能直接量化；同時絕大多數純技術出身的創業團隊相比，創始人李強具備物流、電商產業認知優勢。疊加團隊及股東具備的產業資源協同，項目能快速切入核心倉儲場景跑通真實數據飛輪，在行業規模化落地的拐點到來之前站穩腳跟。上述因素完全符合機構「對的場景里，做對的事的團隊」的投資邏輯。

雲啟資本表示，物流具備任務高頻、反饋清晰、商業價值明確等特點，是驗證機器人能力、積累真實數據並提升模型泛化能力的重要入口。昆騰動力團隊採取的以物流為起點，最終構建具備跨場景泛化能力、面向物理世界的通用基礎模型的漸進路線更為務實。