摘要
近日，云启资本与商汤国香资本联合出手，投资了一家名为昆腾动力（Quantum Dynamics）的公司。
近日，云启资本与商汤国香资本联合出手，投资了一家名为昆腾动力（Quantum Dynamics）的公司。公司创始人李强曾是菜鸟集团 CTO，也是阿里国际数字商业板块的技术掌舵人。如今，他带着从 0 到 1 打造千万级系统的实战经验，带领团队跳出“AGV和无人车”的传统框架，打造一个面向物理世界的Physical AI平台。
创始人李强在阿里巴巴任职 17 年，是行业里少有的同时兼具 “物流业务 + AI 技术 + 全球化” 三重履历的创业者。他历任菜鸟集团CTO、阿里巴巴国际数字商业板块 CTO，统管过分布在全球的数千人研发团队；也曾兼任菜鸟无人车总经理，技术研发与业务拓展一肩挑，是自动驾驶技术落地与商业化的双一号位；他带领团队深度对接过海外 200 个国家的邮政体系，对全球物流生态有一线的实操认知。从淘宝天猫到菜鸟，从国际化业务到无人车，四大板块他都有从 0 到 1 的完整操盘经验。
围绕李强，昆腾动力攒起了一支横跨技术、产品、产业的顶配队伍。CTO，曾是行业头部自动驾驶公司的在线算法负责人，深耕自动驾驶全栈技术；首席科学家是国内名校博士，拥有北美名校和知名具身智能实验室访问学者和博士后背景，如今也是国内顶尖机构的助理教授，专攻具身智能基础模型；硬件负责人曾是某上市公司人形机器人事业部的技术带头人，本硕博一路深耕机械臂与灵巧手领域；商业化负责人毕业于马里兰大学物理系，博曾在高盛、亚马逊、Meta 担任算法专家，拥有 10 年物流调度系统创业经验，手握中国联想、韩国乐天等成熟海内外客户和伙伴资源；更有国内物流行业大佬担任资深顾问，提供一线产业视角与行业判断。
公司虽然刚刚成立月余，已经与浙江大学、南洋理工大学、上海创智学院、香港科技大学等众多国内外知名大学和机构建立起广泛和深入的科研合作。
这支队伍的特殊之处在于：他们不是一群技术极客在幻想未来，而是一群在物流行业摸爬滚打过的老兵，带着最前沿的AI武器，回头来解决自己最熟悉的难题。
场景即土壤：先扎根本土，再走向通用
创始人李强提到：“Physical AI 和之前大语言模型有个区别，大语言模型是没有地域限框定的所以需要“样样通”。而物理 AI 的话，是有地域和场所分割和限制的：机器人部署在仓库里，它会干仓库的活就好了；部署在药店，就会干药店的活就好了——短期不需要它什么都会。
第一，当下缺少数据，你想做绝对泛化“巧妇难做无米之炊”。第二可能短期也未必需要——你只要做到在一个相对确定的场景里面，能把你声明能做的事情能真正能做好，比如会拣货就意味着机器人能在任意仓库，覆盖全部SKU，成功率大于99%，就有很大的价值。"
当然，先落场景，不等于把自己做成一家定制化方案商。场景是积累能力的土壤，技术路线始终朝着通用演进。先找到能活下去、能沉淀能力的场景，跑通数据和供应链飞轮，再一步步走向通用——这条路被验证过，也值得再走一遍。
“我们会更多把场景背后原子能力抽象出来，把它沉淀；通过这些能力，就可以往非物流场景逐步迁移。”
为什么第一站是物流？
在大模型的发展历程里，代码训练被公认为通用智能涌现的关键 —— 高频重复、结果可自动校验、海量真实数据，三个特质叠加，让代码成了最好的 “训练素材”。而在物理世界里，昆腾动力认定，物流拣选就是那个和代码对标的场景。
这里是物理交互的天然富矿。从规整的箱体到软塌的包裹，从标准件到异形 SKU，物流场景几乎涵盖了抓取、放置、贴标、打包所有真实物理操作，天然覆盖绝大多数长尾需求，能让 AI 接触到最真实、最完整的物理世界
这里有天然的反馈闭环。高频重复的作业中，每一次成功或失败都是清晰的信号，无需人工标注，每一次作业都会自动沉淀成训练样本。机器人干得越多，数据就越丰富，模型迭代也就越快。
更重要的是，这里有自给自足的商业土壤。这是一个千亿级的成熟市场，客户愿意为明确的效率提升、清晰的投资回报真金白银付费。这意味着昆腾动力可以一边部署落地、一边迭代模型、一边实现营收，不用靠持续烧钱采购数据来喂养模型。
说白了，选物流不是选了一个细分赛道，而是选了一个集训练场、数据源、商业回报于一体的入口。既能活下去，又能练技术，这是通往通用具身智能最稳妥的第一步。
物理AI的终极壁垒是“不可复制的数据”
实验室公司追求“万能”通用机器人，Demo 惊艳，现场却难落地；传统物流厂商本质是设备商，靠规则和精度吃饭，面对复杂环境缺乏泛化能力。而昆腾不属于前面任何一类。
昆腾动力不把自己定义为一家押注某条路线的算法公司，而是一家 Physical AI 平台公司——真正重要的不是押中某条技术路线，而是建立一种能力：无论新的技术范式何时出现，都能最快把它变成可落地、可交付的产品。
数据方面，高质量、封闭、海量的真实场景数据，从来不是花钱就能采购的资源；完全依赖商业采购数据，很难支撑一家公司训出足够好的模型。
昆腾动力的解法，是让每一台部署在仓库里的机器人都成为独家数据的生产者：每多一个落地场景，就多一份外界无法触达的真实数据；数据越多，模型的泛化能力和成功率就越高；模型越强，接入新客户、新场景的成本和周期就越低。这是一个正向循环，跑得越久，和后来者的差距就越大。
物流只是 Starting Point，不是终点
2026 年先扎进仓库与分拨中心的四面墙内，聚焦 B2C 与 B2 小 B 仓库的补货上架、拣选、打包三大人力占比最高的核心岗位，以人机混场的方式稳步推进，国内电商仓则从美妆、医药这类 SKU 丰富、货品相对规整的场景入手做拣货与打包；等到场景跑通、模型成熟，2027 年之后再向数量庞大、环境更复杂的快递网点拓展，最终沿着 “物流 — 工业产线、零售补货、医药分拣等类物流场景 — 商业服务 — 养老家庭等民生服务” 的路径，一步步把物理 AI 的边界推向更广阔的物理世界。
先做好"场景产品"，再做"系统平台"
而昆腾动力的野心，远不止于此。他们心里藏着更长远的两步棋：第一步先站在行业发展的肩膀上，借力成熟的开源方案把场景跑通，把独家的数据资产攒厚，把落地能力打磨到极致；等到数据飞轮充分转起来，第二步再反向定义属于自己的基础模型，搭建起自己的技术底座，做深场景、做宽平台。
李强表达，“第一层，从落地角度说，如果有足够好的开源模型，做后训练就够了。但为了把后训练做好，你必须更懂模型——所以也需要做一点预训练，这样才能把后训练做得更好。
第二层，当你把场景落地做到足够扎实，就像消费电子厂商把终端产品做到行业头部之后，要不要做一套自研的底层系统？答案不言而喻 —— 没人希望自己的核心业务始终被上游的技术底座牢牢绑定。但顺序至关重要：第一步一定是先把应用场景做透、把产品价值做实，第二步才是去攻坚自主的底层技术底座。
第一步本身就已经够你走很远，也够你做成一家很好的公司。但梦想还是要有的，只是不能一上来就直奔底层、喊着做生态，那样很容易脱离产业实际，踩空发展的节奏。”
昆腾动力的核心不是做一个单点能力模型，而是构建一套从真实部署中持续进化的具身智能系统。
第一，是具身原生的 World-Action Model。它不是简单预测视频，而是联合理解视觉、动作、本体状态和触觉，学习“动作会如何改变物理世界”，同时满足机器人实时控制要求。
第二，是建立大规模数据闭环。以真机和人类操作数据为主，把原始日志自动加工成带有任务阶段、失败原因、恢复动作和业务结果的高价值训练数据，实现秒级检索、自动清洗标注和天级模型迭代。
第三，用高效Human-in-the-Loop降低人工成本和提升成功率。系统判断机器人什么时候真的需要人工介入，把每次介入转化为训练数据，一个人可以管理更多机器人。
第四，通过轻量级 World Model Corrector 实时监控执行偏差，在动作失效前及时纠偏、重规划和重试，显著提高真实场景中的成功率。
第五，新客户和新仓库不需要重新训练整个模型的权重。而是通过 Test-Time Training、少样本示范和历史经验复用，机器人可以快速适应新的货物、货架、光照和流程。
最后，所有机器人组成一个持续学习和自我进化的舰队。每台机器人产生的成功、失败、干预和恢复经验，都会通过离线强化学习、偏好优化、仿真训练和真机验证，更新到整个舰队。
最终形成一个正向飞轮：
部署越多，数据越多；数据越多，模型越强；模型越强，人工越少、新场景上线越快，从而进一步扩大部署规模。
物理 AI 的竞赛，从来比的不是谁的故事更动听，而是谁的机器人先真正走进真实世界，稳定地把活干起来。在人人都喊 “通用具身智能” 的今天，昆腾动力选了一条看起来不那么性感，却足够扎实可验证的路。当千台机器人真正奔跑在仓库里的那天，昆腾动力证明的，或许不只是一家创业公司的商业成功，更是物理 AI“从垂直场景切入，逐步走向通用” 的可行路径。昆腾动力在为物理 AI，注入落地的第一推动力。
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。
商汤国香资本表示，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。
多维资本作为早期孵化方与深度合作伙伴，正全力支持其打通从模型到场景的商业闭环，致力于推动具身智能在真实产业中创造价值，助力昆腾动力在物理AI时代占据先机。
