过去的两年里，大语言模型让AI在数字世界横冲直撞，但物理世界的智能化进程却像一辆陷入泥潭的卡车——少数玩家在翻跟头、跳舞的Demo中博得眼球，更多人则在仓库、工厂、医院里笨拙地寻找落地缝隙。
就在这种“炫技与实干”的分水岭上，一支由前菜鸟集团CTO、阿里巴巴国际数字商业板块CTO李强领衔的团队，带着他们的AI产品——昆腾动力（Quantum Dynamics）——悄然浮出水面。这家成立于2026年上半年的Physical AI平台公司，近日宣布完成超亿元种子轮融资，由云启资本和商汤科技联合投资。资金将用于核心技术的研发、人才梯队建设及全球化市场拓展。
不同于大多数从实验室或自动驾驶领域走出来的具身智能创业者，李强属于“第三种人”：拥有17年阿里履历，在淘宝天猫、菜鸟、国际化业务及无人车四个板块从0到1搭建体系，管理过全球数千人的研发团队，甚至亲自带队与200个国家的邮政系统对接物流业务。这种罕见的“技术+商业+全球化”复合背景，让昆腾动力从一开始就选择了一条与众不同的路：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。
以下是本文对昆腾动力创业逻辑、技术路线与行业意义的深度剖析。
从CTO到创业者：李强的“第三种路径”
在具身智能赛道的创始人图谱中，大致可以划出两类：一类来自自动驾驶背景，擅长系统集成与工程化落地，比如将感知、规划、控制算法整合到机器人上；另一类源自Neo Lab等前沿实验室，具备顶尖的具身智能技术视角，能做出惊艳的灵巧操作Demo。但李强属于第三类——他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。
这种背景决定了昆腾动力的基因。李强在阿里任职期间，曾担任菜鸟集团CTO、阿里巴巴国际数字商业板块CTO，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。这意味着，他比任何人都清楚物流仓库里那些“脏活累活”的真实痛点：用工缺口最大、人力成本占比最高的环节，恰恰是传统自动化迟迟啃不下来的硬骨头。
核心团队的构成也覆盖了前沿研究、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。这种复合基因，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。”李强在采访中这样表示。
对于AI创业公司而言，这种“场景先行”的务实策略，正在成为越来越多科技公司的共识。与其在通用模型上烧钱比拼参数，不如在垂直场景中积累不可替代的数据壁垒。
为什么是物流？Physical AI的“数据飞轮”
业界共识正在形成：Physical AI已成为继大语言模型后的下一个主战场，但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%。
然而，一个结构性问题随之凸显：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。
物流仓库恰好是一个天然的训练场。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。这种高频率、高反馈、高覆盖的数据环境，是大模型训练最理想的“培养基”。
昆腾动力搭建了一套数据闭环体系：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，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，针对需要人工干预的数据处理部分，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。
如果你也在寻找将AI能力落地到具体场景的捷径，不妨看看AI工具导航上那些从垂直场景成长起来的工具，或许能给你带来启发。
技术架构：World-Action Model与数据闭环
当真实场景数据达到足够密度，昆腾动力自研基础模型便有了现实条件。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。
其中最核心的是具身原生的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。
基于数据闭环体系，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（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。
这种“数据+模型+集群”的闭环，与大模型训练中强调的反馈循环异曲同工，但更关键的是，它建立在真实物理世界的数据之上，而非仿真数据的噪声中。
商业化节奏：从电商仓库到民生服务
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。
这一路径的务实之处在于：它没有试图一步到位解决所有场景的通用问题，而是先在物流仓库这个“it's not sexy but profitable”的领域站稳脚跟，用真金白银的营收反哺技术研发。李强认为，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。
在三套分层演进路径的支撑下，昆腾动力可以逐步将仓储场景中沉淀的移动操作、操作精度、标准化原子动作等能力，直接复用至工业产线、零售货架甚至居家康养场景。例如，在居家场景中，团队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。
当然，目前的挑战依然存在：小样本学习能力不足、全域安全体系有待完善、自适应力触觉控制仍有提升空间。但正如李强所说，物流本身就是打磨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。
如果你对AI在创意领域的应用感兴趣，可以试试AI画图或AI诗词，它们同样是“场景驱动”的典型代表。
投资逻辑：云启与商汤为何押注
昆腾动力的投资方阵容颇具代表性。云启资本长期关注AI与产业结合，商汤科技则是视觉AI领域的头部玩家，两者联手押注，背后逻辑清晰。
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，与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。
云启资本则认为，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。
这种“场景锁定+数据飞轮+通用底座”的渐进式打法，正在成为Physical AI赛道的主流路线。对于AI创业公司而言，它提供了一个可复用的方法论：不要试图从零构建通用模型，而是先在一个足够高频、足够复杂、足够有价值的垂直场景中站稳脚跟，让数据自然生长出通用能力。
物理AI竞赛：落地能力才是关键
今年的WAIC 2026大会上，翻跟头、跳舞的Demo展台人气依然高涨，但吸引人流驻足的，还有那些将汽车工厂、物流分拣线搬进现场的实景演示。这种变化折射出一个行业共识：Physical 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。
在这个过程中，数据、工程、商业化能力比纯粹的模型创新更重要。正如抠图工具从“手动抠图”到“AI一键去背景”的进化一样，真正的技术壁垒往往藏在那些看似枯燥的落地细节中：如何让机器人在真实仓库里识别被压皱的纸箱？如何让它在货架间距只有30厘米的情况下完成转身？如何将每一次人工干预都转化为模型训练的养分？
这些问题的答案，不会出现在任何一篇顶会论文里，只会出现在数以万计的真实操作记录中。而昆腾动力，正在用最朴素的“先落地后底座”策略，一步步积累这些答案。
对于科技公司而言，这或许是一个重要的启示：当大模型竞赛进入下半场，Physical AI的真正胜负手，不是谁拥有最大的参数量，而是谁拥有最厚的数据墙、最深的场景护城河。