菜鸟CTO李强创业做Physical AI平台，获云启、商汤超亿元种子轮融资｜硬氪首发
Physical AI 平台昆腾动力完成超亿元种子轮融资，云启资本、商汤科技联合投资，资金用于技术研发、人才引进与全球市场拓展。
硬氪获悉，Physical AI平台公司「昆腾动力（Quantum Dynamics）」近日完成超亿元种子轮融资，本轮由云启资本、商汤科技联合投资。资金将主要用于Physical AI核心技术研发、人才梯队建设及全球化市场拓展，加速其面向物理世界的智能系统从底层模型到场景化落地的全链路构建。多维资本参与项目孵化与团队组建。
昆腾动力成立于2026年上半年，公司聚焦AI与真实物理世界的深度融合，自研可跨多场景复用的通用智能系统技术，面向全行业的Physical AI底层平台。
目前具身智能赛道的创始人多分为几类，一类是一类是自动驾驶背景出身，长于系统集成与工程化落地；另一类源于Neo Lab，具备前沿的具身智能技术视角。而昆腾动力的创始人李强则属于第三类，此前深耕物流商业化场景，兼具AI技术理解力与全球化业务操盘经验。
公司创始人兼CEO李强在阿里巴巴集团任职17年，于淘宝天猫、菜鸟、国际化业务及无人车四个板块中，他均承担了从0到1的体系搭建与运营管理工作。他曾任菜鸟集团CTO、阿里巴巴国际数字商业板块CTO，管理分布全球的数千人研发团队；同时兼任菜鸟无人车总经理，统筹自动驾驶技术的研发与商业化推进。其团队曾与海外200个国家的邮政系统开展深度业务对接，积累了全球物流履约的一线经验。
核心团队构成覆盖了前沿研究、模型研发、硬件工程到全球化商业落地的全部关键环节，具备从技术突破到价值交付的完整闭环能力。这种团队复合基因，也让昆腾动力在成立之初就选择了一条差异化路线。
“我们不需要等一个完美的通用模型出现再去找场景，而是先找到能把现有技术转化为客户价值的切入点，率先跑通商业化。”昆腾动力创始人兼CEO李强说。
事实上，今年以来，具身智能赛道正在经历一场从“炫技”到“实干”的集体转向。刚刚结束的WAIC 2026大会上，翻跟头、跳舞的Demo展台人气依然高涨，而吸引人流驻足的，还有那些将汽车工厂、物流分拣线搬进现场的实景演示。
业界共识在形成，Physical AI已成为继大语言模型后的下一个主战场，竞赛的胜负手正从模型参数大小迈向真实数据厚度。
IDC报告数据显示，2025年，中国具身智能机器人用户支出规模预计超过14亿美元，到2030年将飙升至770亿美元，年均复合增长率达94%。钱涌入的速度越快，一个结构性问题越发凸显：物理世界的数据，无法像文本和图像那样通过爬虫批量获取。
这意味着，谁先拥有规模化部署真机的能力，谁就拥有了数据采集的优先权。这也是昆腾动力切入产业的底层逻辑：先扎进物流仓库，靠真机部署积累独家真实数据，再反向打磨底层的世界动作模型。
一个中型仓库里，一台拣货机器人每天完成数万次抓取、放置、扫描、贴标动作，覆盖从刚性箱体到柔性包裹、从标准尺寸到异形SKU的几乎所有物理操作类型。每一次动作的成功或失败都是一个无需人工标注的清晰信号。这些都是物流网络里用工缺口最大、人力成本占比最高的环节，也是传统自动化迟迟啃不下来的硬骨头，恰恰需要模型驱动的方案来实现规模化突破。
在数据采集和利用效率上，昆腾动力搭建了一套数据闭环体系。其端侧机器人本体上运行着轻量级算法，能够实时识别高价值数据片段，当中包括需要人工干预的场景、模型预测置信度低的“近似失败”状态、以及反复尝试均未成功的困难案例。这些数据会被自动打标、回传，进入训练管道。
同时，针对需要人工干预数据处理部分，其算法平台会仅截取干预操作中最具学习价值的片段，剔除冗余部分，以确保每一帧进入训练集的数据都贡献有效信息。
这套机制让昆腾动力的数据管道具备了两个鲜明特征。一是规模效应，每新增一个部署仓库就新增一个数据来源；二是独家数据的生产，随着数据越厚，模型的泛化能力和成功率就越高，后续接入新客户、新场景的成本和周期就越低。
当真实场景数据达到足够密度，为昆腾动力自研基础模型提供了现实条件，其目标并非打造一个单点能力模型，而是构建一套能从真实部署中持续进化的具身智能系统。这套系统平台由六个技术模块协同构成，覆盖数据归集、模型更新、集群协同进化的完整Physical AI体系，将依托线下真实产业场景完成验证打磨。
首先是具身原生的World-Action Model（世界动作模型）。它区别于常见的视频预测模型，通过联合建模视觉、动作、本体状态与触觉信号，模型能够学习“一次操作会如何改变物理世界”，并在此过程中满足机器人实时控制的工程要求。
同时，基于昆腾动力已构建的数据闭环体系，以真机作业和人类操作数据为主要原料，可以将物流场景中的原始日志自动加工为携带任务阶段、失败原因、恢复动作及业务结果的高价值训练样本，支撑秒级检索、自动清洗标注和天级模型迭代。配合Human-in-the-Loop（HITL ，人为介入AI回路）机制，可判断机器人的人工介入时机，并将每一次干预转化为训练数据，使单人可管理的机器人数量持续提升。
执行层面，系统部署了轻量级World Model Corrector（世界模型校正），用于实时监控动作执行偏差，在操作失效前及时触发纠偏、重规划和重试，以此提高真实场景中的任务成功率。面对新客户和新仓库，系统无需重新训练全模型权重，而是通过Test-Time Training（测试时训练）、少样本示范和历史经验复用，使机器人快速适应不同的货物、货架、光照和流程变化。
最终，所有具身机器人组成一支持续学习与自我进化的集群。每台设备产生的成功、失败、干预和恢复经验，经由离线强化学习、偏好优化、仿真训练与真机验证的多重流程，持续更新至整个机群中。
昆腾动力将其落地节奏分为两个阶段。2026年将重点瞄准B2C、中小B电商仓库，聚焦补货上架、货品拣选、包裹打包三大人力密集工序，优先落地美妆、医药类 SKU 规整的仓储环境，采用人机协同混产模式完成规模化试点。到2027年，业务边界将进一步向复杂快递网点延伸，遵循“物流仓储到工业产线、零售货架、医药分拣，到商用服务，最终进入居家民生服务”的拓展路径，拓宽Physical AI的落地场景边界。
物理AI的竞赛，其落脚点从来不只是技术Demo的惊艳程度，而是机器人能否在真实世界中稳定地完成作业。昆腾动力选择的是一条并不性感的路径，先让数千台机器人在仓库里跑起来。它要证明的不只是一家公司的商业可行性，更是物理AI“从垂直场景切入，逐步走向通用”的路线可行性。
以下为硬氪与昆腾动力创始人兼CEO李强的访谈节选（略经编辑）：
硬氪：昆腾选择以物流仓库作为天然训练场，靠真机部署自建数据飞轮，先落地再打磨底层模型。能否拆解这套 “先场景后底座” 分步战略的时间节点与取舍逻辑？这套路径长期来看能形成哪些差异化壁垒？
李强：我们团队深耕物流行业多年，既清楚具身智能当下的技术边界，也吃透了物流庞大、复杂的真实作业环境。基于当前技术水平，我们找到了一条更务实的落地路径：依靠后训练方案，就能先在部分仓储场景实现规模化商用。
这么做最直接的好处，就是可以一边落地产生营收、一边持续积累独家真机数据。这些数据完全贴合真实物理世界分布，不只有抓取成功的标准动作轨迹，还收录了大量抓取偏差、操作失误等负样本，数据丰富度和真实性远高于仿真、动捕数据集。相同模型架构下，依托更高质量的真实作业数据，模型泛化能力自然会拉开差距。
长远来看，赛道竞争的核心早晚落在数据采集效率与单位数据成本上。谁能用更低成本持续产出海量真机数据，谁就能建立稳固优势。这一点和Claude、特斯拉FSD的逻辑相通：部署的终端规模越大，沉淀的交互、驾驶数据越多，整套集群通过强化学习、车队迭代优化后的整体性能就越强。我们大规模落地仓储机器人，正是为了打通真机RL（强化学习）后训练、整机群持续进化的完整闭环。
硬氪：昆腾规划从电商仓库逐步拓展到多元场景，但不同环境的物理交互逻辑、作业限制差异巨大。团队会从物流数据沉淀出哪些通用原子能力，支撑跨场景迁移？针对家庭、康养等非标、商业收益偏弱的场景，当前模型与少样本适配框架还有哪些核心难点待突破？
李强：我们搭建了三套分层演进路径，全部依托仓储场景完成能力沉淀，后续可直接复用拓展至各类新场景。
在移动操作层面，我们遵循循序渐进的打磨节奏：先落地台式固定机械臂方案，再实现人形机器人静态作业，接着攻克全身协同移动操作，最终达成人流开放环境下稳定的动态作业能力。
针对操作精度，我们持续分层迭代控制标准，从基础抓取精度起步，一步步打磨至毫米级，最终向亚毫米级精细操作迈进。
同时我们也会不断扩充标准化原子动作储备，吃透仓储场景里拣放、面单粘贴、缠绕打包等各类实操动作，将成熟交互能力完整沉淀下来。物流本身就是打磨上述底层能力的绝佳试验场，向外拓展新场景时，这些积累都能直接复用。
进入居家、康养场景，我们会采取由简入繁的落地思路，先落地物品传递、收纳这类低风险基础任务，再逐步迭代近距离人机精细交互功能。
现阶段这套体系切入居家康养赛道，仍有几处关键难题需要解决。
一是小样本学习能力不足，家庭环境物品、使用需求高度个性化，亟需更强的上下文学习能力，让机器人仅凭少量示范就能掌握全新任务。
其次是全域安全体系有待完善，要优化机身、电池等硬件材质防护，在模型与控制系统层面搭建多重防护机制，规避人机互动过程中的磕碰误伤风险。
此外是自适应力触觉控制仍有提升空间，养老陪护场景对柔性操作要求极高，灵巧手需要实现精准可控的柔和施力，当下的力感知动态调节能力还需要持续打磨。
投资方评论：
商汤资本表示，物流是目前具身智能赛道里最扎实的落地赛道之一，AI 机器人的降本增效价值能直接量化；同时绝大多数纯技术出身的创业团队相比，创始人李强具备物流、电商产业认知优势。叠加团队及股东具备的产业资源协同，项目能快速切入核心仓储场景跑通真实数据飞轮，在行业规模化落地的拐点到来之前站稳脚跟。上述因素完全符合机构“对的场景里，做对的事的团队”的投资逻辑。
云启资本表示，物流具备任务高频、反馈清晰、商业价值明确等特点，是验证机器人能力、积累真实数据并提升模型泛化能力的重要入口。昆腾动力团队采取的以物流为起点，最终构建具备跨场景泛化能力、面向物理世界的通用基础模型的渐进路线更为务实。
昆腾动力成立于2026年上半年，公司聚焦AI与真实物理世界的深度融合，自研可跨多场景复用的通用智能系统技术，面向全行业的Physical AI底层平台。
目前具身智能赛道的创始人多分为几类，一类是一类是自动驾驶背景出身，长于系统集成与工程化落地；另一类源于Neo Lab，具备前沿的具身智能技术视角。而昆腾动力的创始人李强则属于第三类，此前深耕物流商业化场景，兼具AI技术理解力与全球化业务操盘经验。
公司创始人兼CEO李强在阿里巴巴集团任职17年，于淘宝天猫、菜鸟、国际化业务及无人车四个板块中，他均承担了从0到1的体系搭建与运营管理工作。他曾任菜鸟集团CTO、阿里巴巴国际数字商业板块CTO，管理分布全球的数千人研发团队；同时兼任菜鸟无人车总经理，统筹自动驾驶技术的研发与商业化推进。其团队曾与海外200个国家的邮政系统开展深度业务对接，积累了全球物流履约的一线经验。
核心团队构成覆盖了前沿研究、模型研发、硬件工程到全球化商业落地的全部关键环节，具备从技术突破到价值交付的完整闭环能力。这种团队复合基因，也让昆腾动力在成立之初就选择了一条差异化路线。
“我们不需要等一个完美的通用模型出现再去找场景，而是先找到能把现有技术转化为客户价值的切入点，率先跑通商业化。”昆腾动力创始人兼CEO李强说。
事实上，今年以来，具身智能赛道正在经历一场从“炫技”到“实干”的集体转向。刚刚结束的WAIC 2026大会上，翻跟头、跳舞的Demo展台人气依然高涨，而吸引人流驻足的，还有那些将汽车工厂、物流分拣线搬进现场的实景演示。
业界共识在形成，Physical AI已成为继大语言模型后的下一个主战场，竞赛的胜负手正从模型参数大小迈向真实数据厚度。
IDC报告数据显示，2025年，中国具身智能机器人用户支出规模预计超过14亿美元，到2030年将飙升至770亿美元，年均复合增长率达94%。钱涌入的速度越快，一个结构性问题越发凸显：物理世界的数据，无法像文本和图像那样通过爬虫批量获取。
这意味着，谁先拥有规模化部署真机的能力，谁就拥有了数据采集的优先权。这也是昆腾动力切入产业的底层逻辑：先扎进物流仓库，靠真机部署积累独家真实数据，再反向打磨底层的世界动作模型。
一个中型仓库里，一台拣货机器人每天完成数万次抓取、放置、扫描、贴标动作，覆盖从刚性箱体到柔性包裹、从标准尺寸到异形SKU的几乎所有物理操作类型。每一次动作的成功或失败都是一个无需人工标注的清晰信号。这些都是物流网络里用工缺口最大、人力成本占比最高的环节，也是传统自动化迟迟啃不下来的硬骨头，恰恰需要模型驱动的方案来实现规模化突破。
在数据采集和利用效率上，昆腾动力搭建了一套数据闭环体系。其端侧机器人本体上运行着轻量级算法，能够实时识别高价值数据片段，当中包括需要人工干预的场景、模型预测置信度低的“近似失败”状态、以及反复尝试均未成功的困难案例。这些数据会被自动打标、回传，进入训练管道。
同时，针对需要人工干预数据处理部分，其算法平台会仅截取干预操作中最具学习价值的片段，剔除冗余部分，以确保每一帧进入训练集的数据都贡献有效信息。
这套机制让昆腾动力的数据管道具备了两个鲜明特征。一是规模效应，每新增一个部署仓库就新增一个数据来源；二是独家数据的生产，随着数据越厚，模型的泛化能力和成功率就越高，后续接入新客户、新场景的成本和周期就越低。
当真实场景数据达到足够密度，为昆腾动力自研基础模型提供了现实条件，其目标并非打造一个单点能力模型，而是构建一套能从真实部署中持续进化的具身智能系统。这套系统平台由六个技术模块协同构成，覆盖数据归集、模型更新、集群协同进化的完整Physical AI体系，将依托线下真实产业场景完成验证打磨。
首先是具身原生的World-Action Model（世界动作模型）。它区别于常见的视频预测模型，通过联合建模视觉、动作、本体状态与触觉信号，模型能够学习“一次操作会如何改变物理世界”，并在此过程中满足机器人实时控制的工程要求。
同时，基于昆腾动力已构建的数据闭环体系，以真机作业和人类操作数据为主要原料，可以将物流场景中的原始日志自动加工为携带任务阶段、失败原因、恢复动作及业务结果的高价值训练样本，支撑秒级检索、自动清洗标注和天级模型迭代。配合Human-in-the-Loop（HITL ，人为介入AI回路）机制，可判断机器人的人工介入时机，并将每一次干预转化为训练数据，使单人可管理的机器人数量持续提升。
执行层面，系统部署了轻量级World Model Corrector（世界模型校正），用于实时监控动作执行偏差，在操作失效前及时触发纠偏、重规划和重试，以此提高真实场景中的任务成功率。面对新客户和新仓库，系统无需重新训练全模型权重，而是通过Test-Time Training（测试时训练）、少样本示范和历史经验复用，使机器人快速适应不同的货物、货架、光照和流程变化。
最终，所有具身机器人组成一支持续学习与自我进化的集群。每台设备产生的成功、失败、干预和恢复经验，经由离线强化学习、偏好优化、仿真训练与真机验证的多重流程，持续更新至整个机群中。
昆腾动力将其落地节奏分为两个阶段。2026年将重点瞄准B2C、中小B电商仓库，聚焦补货上架、货品拣选、包裹打包三大人力密集工序，优先落地美妆、医药类 SKU 规整的仓储环境，采用人机协同混产模式完成规模化试点。到2027年，业务边界将进一步向复杂快递网点延伸，遵循“物流仓储到工业产线、零售货架、医药分拣，到商用服务，最终进入居家民生服务”的拓展路径，拓宽Physical AI的落地场景边界。
物理AI的竞赛，其落脚点从来不只是技术Demo的惊艳程度，而是机器人能否在真实世界中稳定地完成作业。昆腾动力选择的是一条并不性感的路径，先让数千台机器人在仓库里跑起来。它要证明的不只是一家公司的商业可行性，更是物理AI“从垂直场景切入，逐步走向通用”的路线可行性。
以下为硬氪与昆腾动力创始人兼CEO李强的访谈节选（略经编辑）：
硬氪：昆腾选择以物流仓库作为天然训练场，靠真机部署自建数据飞轮，先落地再打磨底层模型。能否拆解这套 “先场景后底座” 分步战略的时间节点与取舍逻辑？这套路径长期来看能形成哪些差异化壁垒？
李强：我们团队深耕物流行业多年，既清楚具身智能当下的技术边界，也吃透了物流庞大、复杂的真实作业环境。基于当前技术水平，我们找到了一条更务实的落地路径：依靠后训练方案，就能先在部分仓储场景实现规模化商用。
这么做最直接的好处，就是可以一边落地产生营收、一边持续积累独家真机数据。这些数据完全贴合真实物理世界分布，不只有抓取成功的标准动作轨迹，还收录了大量抓取偏差、操作失误等负样本，数据丰富度和真实性远高于仿真、动捕数据集。相同模型架构下，依托更高质量的真实作业数据，模型泛化能力自然会拉开差距。
长远来看，赛道竞争的核心早晚落在数据采集效率与单位数据成本上。谁能用更低成本持续产出海量真机数据，谁就能建立稳固优势。这一点和Claude、特斯拉FSD的逻辑相通：部署的终端规模越大，沉淀的交互、驾驶数据越多，整套集群通过强化学习、车队迭代优化后的整体性能就越强。我们大规模落地仓储机器人，正是为了打通真机RL（强化学习）后训练、整机群持续进化的完整闭环。
硬氪：昆腾规划从电商仓库逐步拓展到多元场景，但不同环境的物理交互逻辑、作业限制差异巨大。团队会从物流数据沉淀出哪些通用原子能力，支撑跨场景迁移？针对家庭、康养等非标、商业收益偏弱的场景，当前模型与少样本适配框架还有哪些核心难点待突破？
李强：我们搭建了三套分层演进路径，全部依托仓储场景完成能力沉淀，后续可直接复用拓展至各类新场景。
在移动操作层面，我们遵循循序渐进的打磨节奏：先落地台式固定机械臂方案，再实现人形机器人静态作业，接着攻克全身协同移动操作，最终达成人流开放环境下稳定的动态作业能力。
针对操作精度，我们持续分层迭代控制标准，从基础抓取精度起步，一步步打磨至毫米级，最终向亚毫米级精细操作迈进。
同时我们也会不断扩充标准化原子动作储备，吃透仓储场景里拣放、面单粘贴、缠绕打包等各类实操动作，将成熟交互能力完整沉淀下来。物流本身就是打磨上述底层能力的绝佳试验场，向外拓展新场景时，这些积累都能直接复用。
进入居家、康养场景，我们会采取由简入繁的落地思路，先落地物品传递、收纳这类低风险基础任务，再逐步迭代近距离人机精细交互功能。
现阶段这套体系切入居家康养赛道，仍有几处关键难题需要解决。
一是小样本学习能力不足，家庭环境物品、使用需求高度个性化，亟需更强的上下文学习能力，让机器人仅凭少量示范就能掌握全新任务。
其次是全域安全体系有待完善，要优化机身、电池等硬件材质防护，在模型与控制系统层面搭建多重防护机制，规避人机互动过程中的磕碰误伤风险。
此外是自适应力触觉控制仍有提升空间，养老陪护场景对柔性操作要求极高，灵巧手需要实现精准可控的柔和施力，当下的力感知动态调节能力还需要持续打磨。
投资方评论：
商汤资本表示，物流是目前具身智能赛道里最扎实的落地赛道之一，AI 机器人的降本增效价值能直接量化；同时绝大多数纯技术出身的创业团队相比，创始人李强具备物流、电商产业认知优势。叠加团队及股东具备的产业资源协同，项目能快速切入核心仓储场景跑通真实数据飞轮，在行业规模化落地的拐点到来之前站稳脚跟。上述因素完全符合机构“对的场景里，做对的事的团队”的投资逻辑。
云启资本表示，物流具备任务高频、反馈清晰、商业价值明确等特点，是验证机器人能力、积累真实数据并提升模型泛化能力的重要入口。昆腾动力团队采取的以物流为起点，最终构建具备跨场景泛化能力、面向物理世界的通用基础模型的渐进路线更为务实。
责任编辑： 流过
