作者｜黄楠
编辑｜袁斯来
硬氪获悉，Physical AI平台企业「昆腾动力（Quantum Dynamics）」近期完成逾亿元种子轮融资，本轮融资由云启资本与商汤科技联合领投。所募资金将重点投入Physical AI核心技术攻关、高水平人才引进及全球市场布局，加速推进其面向物理世界的智能系统从底层模型构建到实际场景落地的全链条发展。多维资本深度参与项目孵化及核心团队搭建。
昆腾动力创立于2026年上半年，致力于推动AI技术与真实物理环境的深度耦合，自主研发具备跨场景复用能力的通用智能系统技术，打造服务全行业的Physical AI底层基础设施平台。
当前具身智能领域的创业者大致可分为三类：一类源自自动驾驶领域，强于系统整合与工程化实施；另一类出自Neo Lab等前沿实验室，拥有扎实的具身智能理论基础与算法积累；而昆腾动力创始人李强则代表第三条路径——长期扎根物流商业化一线，兼具深厚AI技术素养与全球化业务实战经验。
李强在阿里巴巴集团任职长达17年，横跨淘宝天猫、菜鸟网络、国际数字商业及无人车四大业务板块，均主导完成从零起步的体系搭建与规模化运营。他曾任菜鸟集团CTO、阿里巴巴国际数字商业板块CTO，统筹分布于全球多个国家的数千人研发团队；同时兼任菜鸟无人车总经理，全面负责自动驾驶技术研发与商业化进程。其团队曾与全球200余国邮政系统建立深度合作，积累了覆盖端到端履约环节的一手物流实践认知。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
昆腾动力创始人兼CEO李强（图源/企业）
公司核心团队囊括前沿科研、大模型研发、硬件系统集成及全球化商业拓展等关键职能，形成“技术突破—产品定义—价值交付”的完整能力闭环。这种复合型组织基因，也促使昆腾动力自成立之初便确立差异化发展路径。
“我们不必等待一个理想化的通用模型成熟后再寻找应用场景，而是以现有技术能力为支点，率先切入能快速兑现客户价值的真实场景，跑通商业化验证。”昆腾动力创始人兼CEO李强表示。
事实上，2026年以来，具身智能行业正经历一场由“概念演示”向“实效交付”的集体转向。刚刚落幕的WAIC 2026大会上，翻腾跳跃、律动起舞的机器人Demo仍吸引大量观众驻足，但真正引发产业界关注的，是那些将汽车制造车间、智能物流分拣线直接“搬进”展馆的实景作业系统。
业内共识日益清晰：Physical AI已成为继大语言模型之后的新一轮技术主战场，竞争焦点正从参数规模转向真实世界的数据厚度与密度。
据IDC最新报告预测，2025年中国具身智能机器人用户支出规模将突破14亿美元，至2030年预计达770亿美元，年均复合增长率高达94%。资本涌入速度越快，一个根本性瓶颈愈发凸显：物理世界中的数据无法像文本或图像那样通过网络爬虫批量获取。
这意味着，谁率先实现真机规模化部署，谁就掌握了高质量物理交互数据的采集先机。这正是昆腾动力切入产业的核心逻辑——首先进入物流仓储场景，依托真实机器人运行持续沉淀独家动作数据，再反哺打磨具备泛化能力的世界动作模型（World-Action Model）。
在一个中型仓库内，单台拣货机器人日均执行数万次抓取、放置、扫描、贴标等操作，涵盖刚性纸箱、柔性包裹、标准件与异形SKU等多种物理对象，覆盖光照变化、空间遮挡、动态干扰等复杂工况。每一次成功或失败的动作本身即构成天然标注信号，无需人工干预即可形成高价值训练样本。这些恰恰是人力缺口最大、用工成本占比最高、传统自动化长期难以攻克的关键作业环节，亟需由模型驱动的新一代解决方案实现规模化突破。
瞄准物流仓储场景，昆腾动力搭建数据闭环体系（图源/企业）
在数据采集与利用效率方面，昆腾动力构建了一套高效闭环机制。其边缘端机器人搭载轻量化推理引擎，可实时识别高信息增益片段，包括需人工介入的异常场景、模型置信度偏低的“近似失败”状态，以及多次尝试仍未成功的典型困难案例。上述数据自动打标并回传至训练管道。
针对人工干预环节，其算法平台仅截取最具学习价值的操作片段，剔除冗余帧，确保每一帧进入训练集的数据都承载明确行为语义与修正意图。
该机制赋予昆腾动力数据管道两大显著优势：一是天然具备扩展性，每新增一个部署仓库即新增一个高质量数据源；二是形成不可复制的独家数据资产，随着数据厚度持续增长，模型泛化能力与任务成功率同步提升，后续拓展新客户、适配新场景的成本与周期大幅压缩。
当真实场景数据达到一定密度后，昆腾动力自研基础模型的研发条件水到渠成。其目标并非打造单一功能模块，而是构建一套可随真实部署持续演进的具身智能系统平台。该平台由六大技术模块协同支撑，覆盖数据归集、模型迭代、集群协同进化等完整Physical AI链路，并依托线下产业场景完成闭环验证与持续优化。
首先是具身原生的World-Action Model（世界动作模型）。不同于主流视频预测模型，该模型融合视觉感知、动作指令、本体状态与触觉反馈信号进行联合建模，使系统真正理解“一次操作将如何改变物理世界”，并在满足毫秒级响应要求的前提下支持实时闭环控制。
依托已建成的数据闭环体系，昆腾动力可将物流现场原始日志自动转化为结构化高价值样本——精准标注任务阶段、失败归因、恢复策略及最终业务结果，支撑秒级检索、自动清洗标注与天级模型更新。配合Human-in-the-Loop（HITL）机制，系统可智能判断人工介入时机，并将每次干预行为转化为有效训练信号，从而不断提升单人可管理机器人数量上限。
在执行层，系统部署了轻量级World Model Corrector（世界模型校正器），用于实时监测动作执行偏差，在操作失效前主动触发纠偏、重规划与重试流程，显著提升复杂环境下的任务成功率。面对新客户、新仓库，系统无需重新训练全量模型权重，而是通过Test-Time Training（测试时训练）、少样本示范学习与历史经验迁移等方式，快速适应不同货物形态、货架结构、光照条件及作业流程变化。
最终，所有具身机器人构成一个持续学习、自我优化的智能集群。每台设备产生的成功经验、失败案例、人工干预记录与恢复路径，经由离线强化学习、偏好优化、仿真预训练与真机验证等多重机制，持续注入整机群的知识库中，实现群体智能的协同进化。
昆腾动力将商业化落地划分为两个阶段：2026年聚焦B2C及中小型B端电商仓，优先覆盖补货上架、货品拣选、包裹打包三大高人力依赖工序，在美妆、医药等SKU规整度较高的仓储环境中采用“人机协同混产”模式开展规模化试点；2027年起，业务版图将延伸至更复杂的快递末端网点，并按“物流仓储→工业产线→零售货架→医药分拣→商用服务→居家民生服务”的路径稳步拓展Physical AI的应用边界。
Physical AI的竞争本质，从来不是Demo的炫目程度，而是机器人能否在真实环境中稳定、可靠、可持续地完成作业任务。昆腾动力选择了一条看似不够耀眼却极为坚实的路径——先让数千台机器人扎进仓库真实运转。它要验证的不仅是自身商业模式的可行性，更是“从垂直场景切入、逐步迈向通用能力”的Physical AI发展范式是否成立。
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，依靠真机部署自建数据飞轮，坚持“先落地、后打磨底层模型”。能否详细阐述这套“先场景后底座”分步战略的时间节奏与关键取舍？这一路径长期将构筑哪些难以复制的竞争壁垒？
李强：我们团队在物流行业深耕多年，既了解当前具身智能的技术天花板，也深刻理解物流场景庞大且高度碎片化的现实约束。基于此，我们选择了更务实的落地节奏：借助高效的后训练机制，已在部分标准化仓储场景中实现初步规模化商用。
此举最直接的价值在于，既能快速产生现金流反哺研发，又能同步沉淀极具真实感的真机作业数据。这些数据天然契合物理世界的分布规律，不仅包含标准动作轨迹，更涵盖大量抓取偏移、姿态失衡、误判卡顿等负样本，数据维度与真实性远超仿真生成或动作捕捉数据集。在相同模型架构下，高质量真实数据带来的泛化能力跃升是显而易见的。
长远来看，赛道决胜关键终将回归数据采集效率与单位数据成本。谁能以更低门槛持续产出海量真机交互数据，谁就能构筑坚实护城河。这一点与Claude、特斯拉FSD的发展逻辑高度一致：终端部署规模越大，沉淀的交互行为、环境反馈数据越丰富，整机群通过强化学习与车队协同优化后的整体性能就越强劲。我们大规模铺开仓储机器人，正是为了打通真机RL（强化学习）后训练与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延展至多元场景，但不同环境的物理交互规则、作业约束差异巨大。团队计划从物流数据中提炼哪些通用原子能力，以支撑跨场景迁移？针对家庭服务、康养陪护等非标性强、商业回报周期长的场景，当前模型与少样本适配框架仍面临哪些核心挑战？
李强：我们设计了三条分层演进路径，全部依托仓储场景完成能力锤炼，后续可平滑迁移至各类新领域。
在移动操作维度，我们遵循“固定→静态→动态→开放”的渐进式打磨节奏：先落地台式固定机械臂方案，再实现人形机器人静态作业能力，进而攻克全身协同移动操作，最终达成人流密集环境下稳定可靠的动态作业能力。
在操作精度层面，我们持续升级控制标准：从基础抓取精度起步，逐步向毫米级精度迈进，最终目标是亚毫米级精细操控。
与此同时，我们不断扩充标准化原子动作库，深入拆解仓储场景中拣选、放置、面单粘贴、缠绕打包等高频实操动作，将成熟交互能力完整沉淀为可复用的能力组件。物流本身就是验证上述底层能力的理想试验场，向外拓展时，这些积累均可直接调用。
进入居家、康养等场景，我们将采取“由简入繁”的渐进策略：优先落地物品递送、收纳整理等低风险基础任务，再逐步迭代近距离人机协作、情感陪伴等高阶功能。
现阶段该体系切入居家康养赛道，仍有若干关键技术难点亟待突破：
一是小样本学习能力尚显不足。家庭环境物品种类繁杂、使用习惯高度个性化，亟需更强的上下文理解与任务泛化能力，使机器人仅凭少量示范即可掌握全新操作。
二是全域安全防护体系仍需完善。需优化机身结构、电池封装等硬件防护设计，并在模型层与控制系统层构建多级容错机制，最大限度规避人机交互过程中的意外碰撞与误伤风险。
三是自适应力触觉控制能力有待加强。养老陪护场景对柔性操作提出极高要求，灵巧手需实现精准可控的柔和施力，当前力感知与动态调节精度仍需持续打磨。
投资方评论：
商汤资本指出，物流是当前具身智能赛道中商业化路径最清晰、价值可量化程度最高的细分领域之一；相较多数纯技术背景创业团队，创始人李强兼具深厚的物流产业认知与电商生态理解。叠加团队及股东方所拥有的丰富产业资源协同能力，项目能够快速切入核心仓储场景，高效构建真实数据飞轮，在行业规模化落地拐点到来前抢占先机。上述特质完全契合机构“在对的场景里，由对的团队做对的事”的投资原则。
云启资本表示，物流场景具备任务高频、反馈即时、商业价值明确等突出优势，是验证机器人能力、沉淀真实数据并提升模型泛化性的关键入口。昆腾动力所采取的“以物流为起点、最终构建跨场景通用Physical AI基础模型”的渐进式路线更为稳健务实。
