在具身智能赛道集体转向“实干”的当下，前菜鸟CTO李强带着他的新公司「昆腾动力」和超亿元种子轮融资，给出了一个极为务实的答案：先让机器人在仓库里跑起来，用真实数据打磨物理世界的AI模型。这家成立仅半年的公司，正试图走出一条从物流场景切入、最终迈向通用物理AI的差异化路径。
超亿元种子轮落定，云启与商汤联合押注
昆腾动力（Quantum Dynamics）近日正式宣布，已完成超亿元人民币的种子轮融资，由云启资本和商汤科技联合投资。这笔资金将主要用于Physical AI核心技术的研发、人才梯队建设以及全球化市场拓展。值得注意的是，多维资本也参与了该项目的早期孵化与团队组建。
公司创始人兼CEO李强在阿里巴巴集团任职长达17年，是业内少有的兼具AI技术深度与全球化业务操盘经验的连续创业者。他曾先后担任菜鸟集团CTO、阿里巴巴国际数字商业板块CTO，并兼任菜鸟无人车总经理，主导了自动驾驶技术在物流场景中的研发与商业化落地。其团队曾与全球200多个国家的邮政系统进行深度业务对接，积累了丰富的物流履约一线经验。
为何选择物流仓库作为“第一性场景”？
当前具身智能赛道正经历从“炫技”到“实干”的集体转向。在WAIC 2026上，翻跟头、跳舞的机器人依然吸睛，但更多从业者开始关注那些在汽车工厂、物流分拣线上真实作业的演示。业界共识正在形成：Physical AI竞赛的胜负手，正从模型参数的大小，转向真实数据的厚度。
IDC报告显示，2025年中国具身智能机器人用户支出规模预计超14亿美元，到2030年将飙升至770亿美元，年均复合增长率高达94%。然而，一个结构性问题日益凸显：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，谁就掌握了数据采集的优先权。
这正是昆腾动力切入产业的底层逻辑。李强认为，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。物流仓库成为理想选择：一个中型仓库中，一台拣货机器人每天完成数万次抓取、放置、扫描、贴标动作，覆盖刚性箱体、柔性包裹、标准尺寸、异形SKU等几乎所有物理操作类型。每一次操作的成功或失败，都是无需人工标注的清晰信号。更重要的是，这些环节正是物流网络中用工缺口最大、人力成本占比最高，且传统自动化长期难以攻克的硬骨头。
构建数据闭环，让模型在真实作业中进化
昆腾动力的核心策略，是通过规模化真机部署，搭建一套高效的数据闭环体系。其端侧机器人运行轻量级算法，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。这些数据被自动打标并回传至训练管道。
对于必须由人工远程介入处理的情况，算法平台仅截取干预操作中最具学习价值的片段，剔除冗余部分，确保每一帧进入训练集的数据都贡献有效信息。这套机制赋予昆腾动力两个关键优势：一是随着部署仓库的增加，数据来源持续扩大，形成规模效应；二是积累的独家真实数据越厚，模型的泛化能力和任务成功率就越高，后续接入新客户、新场景的成本和周期就越低。
基于此，昆腾动力正在构建一个由六个技术模块协同的具身智能系统。其核心是“世界动作模型”，区别于传统视频预测模型，它联合建模视觉、动作、本体状态与触觉信号，学习“一次操作如何改变物理世界”，并满足机器人实时控制的工程要求。配合Human-in-the-Loop机制，系统可判断人工介入时机，并将每次干预转化为训练数据，持续提升单人可管理的机器人数量。执行层面，轻量级“世界模型校正”实时监控动作偏差，在操作失效前触发纠偏、重规划与重试，提高真实场景任务成功率。面对新客户、新仓库，系统无需重新训练全模型权重，而是通过测试时训练、少样本示范和历史经验复用，快速适应不同货物、货架、光照和流程变化。最终，所有机器人组成一个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。
分阶段落地，从仓储走向全行业
昆腾动力将落地节奏分为两个阶段。2026年，重点瞄准B2C和中小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，优先在美妆、医药等SKU规整的仓储环境中，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，并遵循“物流仓储到工业产线、零售货架、医药分拣，再到商用服务，最终进入居家民生服务”的拓展路径，逐步拓宽Physical AI的落地场景边界。
行业意义：验证“从垂直到通用”的可行性
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。这背后，是对Physical AI商业化逻辑的深刻理解：真实世界数据的获取成本与效率，将成为长期竞争的核心壁垒。正如李强所言，赛道竞争最终会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。这与Claude、特斯拉FSD的逻辑相通：部署的终端规模越大，沉淀的交互与操作数据越多，整套集群通过强化学习与迭代优化后的整体性能就越强。
这家公司要证明的，不仅是一家企业的商业可行性，更是Physical AI“从垂直场景切入，逐步走向通用”这一路线的可行性。当行业仍在为通用模型的技术突破而焦虑时，昆腾动力用行动给出了另一种答案：在真实的物理世界中，数据飞轮或许才是通往通用智能的最短路径。