昆腾动力超亿元种子轮：Physical AI平台能否以物流为起点跑通通用智能？

2026年夏天，中国具身智能赛道的叙事正在被悄然重写。在刚刚落幕的世界人工智能大会（WAIC 2026）展馆里，人形机器人后空翻、跳舞的Demo依然能聚拢人气，但更多专业观众和产业方的目光，已转向那些将汽车总装线、物流分拣站搬进展厅的实景作业演示。翻飞的机械臂不再只是表演者，而是在枯燥、重复、高频率的流转中，试图回答一个行业最核心的诘问：在炫技之后，机器人到底能不能稳定地干活？

这一转向的背后，是整个Physical AI领域正在经历的一次集体校准。当大语言模型仍在参数规模的军备竞赛中狂奔时，另一场关乎物理世界交互权的暗战，已经在中国庞大的供应链土壤上浮出水面。IDC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年这一数字将飙升至770亿美元，年均复合增长率高达94%。这个陡峭的增长曲线正在凝聚一项共识：Physical AI的下一个胜负手，正从模型参数的大小，坚定地滑向真实世界数据的厚度。物理世界的动作数据，无法像互联网文本那样通过爬虫批量获取；每一个抓取、每一次搬运、每一次失误，都必须由一台真实的机器人，在真实的物理空间中，付出真实的时间成本去换取。

在这场抢夺真实数据入口的暗战中，杭州昆腾动力智能有限公司（Quantum Dynamics）拿出了一套直指问题核心的方案。这家成立于2026年上半年的公司，近日完成了超亿元人民币的种子轮融资，由云启资本与商汤国香资本联合投资。多维资本参与了该项目的孵化与核心团队组建。昆腾动力并未急于发布一个无所不能的“通用机器人”原型，而是明确提出一项极富野心的战略路径：先扎进最复杂、最枯燥、也最接近物理交互边界的物流仓库，依靠真机部署跑通数据飞轮，再用这些从地面生长出来的真实数据，反向打磨其底层的世界动作模型，最终建成一个可跨场景复用的通用智能系统底层平台。

把平台级技术蓝图装进仓库，一个天然的训练场

昆腾动力的核心构想，并非为某个垂直场景定制一套更聪明的自动化方案，而是构建一个能够跨场景复用的通用智能系统底层平台。在这个宏大的技术蓝图里，公司把自己定位为Physical AI时代的基础设施提供商，而非一个单点场景的机器人解决方案商。这套系统平台由六个高度协同的技术模块构成，覆盖了从数据归集、模型更新到集群协同进化的完整闭环，其目标是从每一个部署的真机身上汲取养分，持续喂养一个不断进化的中央模型。

在这套架构的最底层，是一个被称为“具身原生世界动作模型”（World-Action Model）的基础引擎。它与学术界常见的视频预测模型存在本质区别。这一模型并不满足于预测视频的下一帧画面，而是联合建模了视觉信号、动作指令、本体感知状态与触觉反馈四维信息。其核心学习目标直指物理世界操作的本质：理解“一次操作究竟会如何改变物理世界”，并在此过程中，始终满足机器人毫秒级实时控制的硬性工程约束。这一能力意味着，机器人不仅能看到物体被推动，还能“感知”到推力的大小、物体的滑动趋势，从而在下一次动作中提前做出调整。

在此基础之上，一套精密的数据闭环体系负责将原始作业日志转化为高价值的训练养料。在一个真实的物流仓库里，机器人产生的数据绝非简单的成功或失败记录。这套数据闭环体系能将原始的传感器日志，自动加工为携带着任务阶段、失败原因、恢复动作序列及最终业务结果的结构化高价值样本。它支撑起秒级的智能检索、自动化的清洗与标注，并最终实现对模型的天级迭代。与之紧密配合的Human-in-the-Loop机制，则扮演着一名精准的“教练”角色。它不仅能判断何时该引入人工远程介入，更关键的是，它只会精准截取人工干预操作中最具学习价值的关键片段，将每一次人类对机器人的“纠错”，都转化为一次高质量的训练数据注入。这项机制的长期目标，是持续提升单人可管理的机器人集群规模，推动系统从人力密集型的辅助驾驶，迈向高度自主的集群管理。

在执行层，一个被称为“世界模型校正器”（World Model Corrector）的轻量级模块被部署在机器人端。它充当着最后一道安全与可靠性的防线，实时监控动作执行的微观偏差。在操作可能走向失败之前，校正器便会主动触发纠偏、重规划乃至重试程序，以最大程度地保障在凌乱、多变仓库环境中的任务成功率。此外，面对全新的仓库布局、未知的货品SKU或变化的光照条件，系统无需推倒重来，进行全模型权重的重训练。它更多地依托测试时训练（Test-Time Training）、少样本示范和历史经验复用等机制，实现对新场景的快速适应。

“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。”公司创始人兼CEO李强明确地为这套宏伟蓝图定下了第一个、也是最核心的落脚点：物流仓储。在公司看来，这里是一个对Physical AI能力进行极限压力测试的完美沙盒。在一个普通的中型电商仓库里，一台拣货机器人每天要完成数以万次计的抓取、放置、扫描、贴标动作，其操作对象覆盖了从刚性的标准箱体到柔软的异形包裹、从尺寸规整的商品到千奇百怪的长尾SKU，这几乎囊括了物理世界中绝大部分的操作类型。更为重要的是，每一次动作的成功或失败，都是一个无需额外人工标注的、清晰的反馈信号。这些环节，恰恰也是当下物流网络里用工缺口最大、人力成本占比最高的部分，更是传统基于固定路径和预设夹具的自动化方案长期未能攻克的硬骨头。公司判断，物流仓储是一个物理交互的天然富矿，能在最短时间内为世界动作模型提供覆盖绝大多数长尾需求的训练素材，并且具备自给自足的商业土壤。这意味着，数据的积累和商业回报能够同步发生，避免了早期具身智能公司在缺乏现金流的情况下，依赖外部融资“烧钱”采集数据的不可持续模式。

李强的产业资本：算法、需求与全球网络三重叠加

与当前具身智能赛道大量从自动驾驶巨头或顶尖机器人实验室直接平移而来的创始团队不同，昆腾动力的创始人李强带来了极为罕见且重度的产业复合背景。他此前在阿里巴巴集团任职长达17年，这是一份同时横跨AI技术深水区与全球化产业运营的稀缺履历。他曾任菜鸟集团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，直接管理过分布在全球多个国家的数千人研发团队。这段经历所赋予他的，不仅仅是对于AI算法边界和工程化落地挑战的深刻理解，更是对全球物流网络真实、复杂乃至脏乱的作业环境的一线认知和操盘经验。在阿里期间，他于淘宝天猫、菜鸟、国际业务及无人车四个截然不同的板块中，均承担了从0到1的体系建设与运营管理工作，其团队曾与海外200个国家的邮政系统开展过深度的业务对接，积累了跨越不同基础设施水平的全球物流履约一手经验。

“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。”李强的这句话，点出了公司当前一切路线选择的核心逻辑。这种深刻的产业认知，直接转化为一份极为务实的落地节奏：2026年，公司计划先瞄准B2C和中小B电商仓库，聚焦于补货上架、货品拣选、包裹打包这三大人力最为密集的工序，并优先以美妆、医药等SKU相对规整的仓储环境作为试点。在这些早期项目中，将不追求完全的“无人仓”，而是采用高度的人机协同混产模式，让人与机器人在同一片作业区互相配合，以此完成技术和商业模式的规模化验证。到了2027年，再将经过初步验证的业务边界，向场景干扰更多、标准化程度更低的复杂快递网点延伸。商汤国香资本在解释其投资逻辑时，也特别强调了这一相对性优势，指出“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。”目前，公司核心团队构成覆盖了从前沿研究、模型研发、硬件工程到全球化商业落地的全部关键环节。这种复合基因为公司提供了一种可能性，即能够从一次技术突破开始，一直打通到最终客户价值的完整交付闭环，而非仅停留在一篇技术论文或一次炫酷的Demo上。

规模化部署的真正赌注：从打数据到铸壁垒

在数据采集和利用效率上，昆腾动力尝试搭建一套高度智能化的数据闭环体系。在端侧机器人本体上，运行着对算力需求相对较低的轻量级算法，这些边缘算法能够实时识别并标记出“高价值数据片段”。这些片段绝非仅仅是成功完成任务的标准轨迹，而恰恰是那些最值得学习的时刻：需要人工远程介入的复杂场景、模型自身预测置信度骤降的“近似失败”状态、以及反复尝试却均未成功的困难案例。这些被标记的数据会自动进行打标、脱敏并回传至中央数据管道。同时，针对需要人工介入的环节，其算法平台会精准地仅截取干预操作中最具学习价值的核心片段，将冗余的思考、等待时间全部剔除，以确保进入训练集的每一帧数据，都能对模型能力的提升产生实质贡献。

这套机制使得昆腾动力的数据管道具备了两个极为鲜明的战略特征。其一是极强的规模效应，每新增一个部署仓库，就等同于新增一个宝贵的数据采集来源，数据飞轮的转动将随着业务版图的扩大而自然加速。其二则更为关键，即“独家数据”的生产能力。与那些依赖公开数据集、仿真环境或实验室采集的数据截然不同，这些在真实付费场景下产生的、包含了大量负样本与紧急干预动作的数据，具有极高的独占性。随着真实数据厚度的一步步增加，底层模型的泛化能力和任务成功率也就越高，而后续接入新客户、适应新场景所需的边际成本和部署周期，则会变得越来越低。李强将这套打法的底层逻辑与特斯拉FSD和Claude大模型的训练范式进行了类比：“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。”这也意味着，公司押注的根本不是一个单点的仓储自动化生意，而是一场利用商业场景，自给自足地产出未来通用具身智能所需最宝贵“原油”——真实物理交互数据——的战略行动。

一笔亿元种子轮背后的资本推理与潜台词

这一看似宏大的叙事，能够在公司成立之初就获得超亿元种子轮的重注，反映了资本方对“物流+物理AI”这一交叉路口的深度共识。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。”这一表述点明了物流场景在资本眼中的“数据试炼场”价值——它既不像实验室那样不可商业化，也不像家庭场景那样需求离散、商业回报周期漫长。商汤国香资本则进一步将筹码压在了人身上，直言：“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。”这背后暗含的投资潜台词是，在当前时间点，一个能够深刻理解客户痛点、精准定义产品并撬动首批客户的CEO，其价值可能不亚于一个掌握最前沿算法的科学家。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。值得注意的是，公司虽然成立时间极短，但已与浙江大学、南洋理工大学、上海创智学院、香港科技大学等国内外众多知名高校和科研机构建立了科研合作关系，显示出其在构建产学研生态上的速度与决心。

“通用”之路的待解谜题：从物流到家庭的巨大鸿沟

从仓内作业迈入更广阔的通用场景，是昆腾动力宏愿的关键一环，但这条路上横亘着巨大的鸿沟。李强详细拆解了其跨场景迁移的内部方法论，这是一套循序渐进的三层演进路径。在移动操作层面，团队遵循从易到难的节奏：先落地“台式固定机械臂”方案，在约束环境中积累基础操作能力；再实现“人形机器人静态作业”，在仿人形态下复现这些技能；接着攻克“全身协同移动操作”这一关键技术节点；最终目标是在行人穿梭、环境动态变化的开放场景下，实现稳定的动态作业能力。在操作精度的维度上，则从基础的厘米级抓取，向毫米级乃至亚毫米级的精细操作持续迈进。同时，团队会不断扩充可复用的“标准化原子动作”储备库，将仓储场景中锤炼出的拣放、面单粘贴、缠绕打包等成熟交互能力，完整地沉淀为可调用的底层技能模块。

然而，当这套体系试图从仓库的标准化货架，步入千差万别的居家康养环境时，几处根本性难题依然待解。李强指出了三处亟需突破的关键瓶颈。一是小样本学习能力仍需显著提升。工厂和仓库的对象是有限且可预知的，而家庭环境的物品、布局和用户需求极度个性化，机器人必须依靠更强的上下文学习能力，才能在仅凭少量几次示范甚至口头指令后，快速掌握一个全新的任务，这恰恰是当前大模型范式在物理世界落地的最大挑战之一。二是全域安全体系的构建远未完善。在工厂里，一道围栏可以将人与机器隔开，而在康养场景中，机器人与人将发生近距离、高频率的亲密接触。这要求不仅要在机身、电池等硬件材质层面确保被动安全，更需要在模型与控制系统层面搭建多重主动防护机制，从根源上规避人机互动过程中的磕碰、夹伤等误伤风险。三是自适应力触觉控制仍有巨大提升空间。养老陪护场景对机器人操作的柔性要求达到了极致，灵巧手在为老人递送水杯、辅助翻身时，需要实现精准可控且极度柔和的可变阻抗施力。当前的力感知和动态调节能力，距离在人身上执行零伤害、高舒适度的任务，还需要漫长的技术打磨与验证。

速度的竞赛，也是耐心的竞赛

昆腾动力目前暂无公开披露的付费客户，其宏大愿景尚处在需要被业务数据验证的最早期阶段。对于李强和他的团队而言，将仓库里每一分钱的降本增效真实地算出来，并证明其“世界动作模型”的演进速度，确实快于同行，将是接下来最核心的命题。公司需要在仓储客户的真实账单上证明，这套系统不是一台消耗大量算力和资金的昂贵实验设备，而是一台能够持续产出更低运营成本、更高流转效率的商业印钞机。在规模化部署真正跑通、数据飞轮效应的第一个拐点得到第三方验证之前，所有关于集群持续学习和跨场景迁移的推论，都还只是一份逻辑严密、背书豪华的商业提案。这场竞赛，既是争分夺秒的技术落地速度赛，更是一场关于技术路径选择与产业资源整合的耐心竞赛。

RecodeX 极客视：昆腾动力的亿元种子轮，本质上是一场“创始人产业信用+资本深度孵化”的豪华启动。李强的菜鸟背景让这套“物流打数据”的故事脱离了空想，但公司真正的考验在于，其宏伟的技术平台与首个商业化落地场景之间的价值能否对齐。在仓储客户只为确定性ROI买单的现实面前，昆腾需要证明其“世界动作模型”不是一套昂贵的实验设备，而是一台能持续产出更低成本、更高效率的商业印钞机。在规模化验证跑出数据之前，所有关于集群持续学习和跨场景迁移的推论，都只是一份言辞缜密的提案。赛道真正的分水岭，将出现在数据飞轮转起来的第一个拐点，而非融资发布的新闻稿里。