菜鸟前CTO创业：为何Physical AI的壁垒不在模型，而在系统闭环？
在人工智能的演进图谱中，Physical AI（物理人工智能）正逐渐从概念验证走向产业深水区。2026年7月，成立仅月余的昆腾动力（Quantum Dynamics）宣布完成超亿元种子轮融资，由云启资本与商汤科技联合领投。这一动作不仅标志着资本对具身智能赛道的持续看好，更折射出行业逻辑的深刻转变：竞争焦点已从单纯的模型参数竞赛，转向系统级落地能力的较量。
昆腾动力的掌舵人李强，曾是阿里体系内深耕17年的技术高管。从菜鸟集团CTO到阿里国际数字商业板块CTO，他不仅管理过全球数千人的研发团队，更是中国最早将L4级无人车运营规模推向千台以上的先行者。2026年，李强选择跳出舒适区，创立昆腾动力，其核心愿景并非制造单一的机器人硬件，而是打造一套能在物理世界中自我进化的Physical AI系统。
从“解决20%问题”到“攻克长尾难题”
李强创业的直接动因，源于对上一代物流自动化技术局限性的深刻洞察。在菜鸟任职期间，他目睹了传统自动化设备在仓储场景中的瓶颈：这些技术仅能解决约20%至30%的标准化问题，如标准箱体的存储与搬运。然而，面对非结构化环境中的复杂操作，如拣选、翻面、贴面单等需要手眼协同的任务，传统机械臂往往因无法覆盖100%的SKU而被迫停机，依赖人工介入恢复。
“新技术的核心价值在于让机器人具备‘自我恢复’的能力。”李强指出，当物品掉落或抓取失败时，新一代机器人能够通过世界模型进行预判，自主调整姿态、重新对焦并执行补救动作，而非像传统设备那样陷入僵死状态。此外，传统固定式机械臂缺乏灵活性，一旦业务场景变更，改造成本极高；而移动机器人则能随业务需求灵活调度，实现真正的柔性生产。
这种对长尾难题的攻克，正是Physical AI区别于传统自动化的关键所在。它不再局限于预设程序的执行，而是通过感知、决策与执行的闭环，适应动态变化的物理环境。
系统思维：为何“合适”比“最好”更重要？
在Physical AI赛道，许多初创企业倾向于追求通用性极强的“一脑多形”通用机器人，试图通过超大参数模型实现零样本（Zero-shot）泛化。然而，李强对此持审慎态度。他认为，通用机器人往往陷入“模型无所不能，但迟迟无法落地”的死锁：缺乏真实场景数据导致模型迭代缓慢，进而影响产品可靠性。
昆腾动力选择了一条更为务实的路径：打造“合适”而非“最好”的系统。公司采用平台化策略，共享大部分零配件，但针对不同场景（如高货架仓储与末端配送）设计差异化的机器人构型。这种“跨少数本体”的策略，避免了过度追求通用性带来的工程冗余，转而聚焦于特定场景下的极致效率与成本控制。
“模型只是系统的一部分，”李强强调，“真正的壁垒在于谁能搭建一套可量产、可闭环的系统，让1000台机器人在物理世界中每天稳定工作。”这种系统思维体现在昆腾动力的四大核心能力上：
- 数据飞轮体系：依托菜鸟无人车积累的千台级运营经验，昆腾动力建立了一套从数据采集、秒级检索、100%自动化标注到模型训练评测的完整闭环。这种大规模数据沉淀能力，是大多数初创公司难以企及的。
- 安全技术机理：基于L4无人车在开放道路的安全运营经验，团队掌握了复杂环境下的安全控制机理。这使得机器人能够在保证安全的前提下，大幅提升作业节拍，解决具身智能普遍存在的“慢”与“怕”的问题。
- 模型与系统协同：团队融合了L4自动驾驶的端到端经验与具身智能的全身控制（WBC）、多源异构数据协同训练等技术。通过系统架构与工程约束，弥补大模型在可靠性、实时性和长尾问题上的不足，将模型能力转化为可部署的产品力。
- 上层调度系统：不仅关注单体机器人，更擅长车队级的任务分发与调度管理。这种大规模集群调度能力，是确保机器人规模化部署后高效协同的关键。
具身原生世界模型：推倒重来的技术路线
在模型层面，昆腾动力并未直接沿用基于视频生成的传统基座模型，而是致力于构建“具身原生”的世界模型。李强指出，传统视频生成模型存在先天性的架构缺陷，并非为机器人控制而生。因此，昆腾动力选择推倒重来，构建一个集世界动作模型（World Action Model）、世界模型（World Model）和世界价值模型（World Value Model）于一体的具身原生架构。
该模型能够进行多模态统一融合与表征，将视觉、触觉、力反馈等信号进行时空对齐，从而提升数据效率。更重要的是，它具备业务语义预测能力。例如，在执行贴面单任务时，模型不仅能生成动作，还能预测贴附的准确性、牢固度与平整度，实现从“能做”到“做好”的跨越。预计推出的3-4B参数世界模型，将专注于物流场景的深度优化。
数据策略与后训练：规模化落地的引擎
数据是Physical AI的燃料，而获取高质量数据的成本与效率决定了企业的生死。昆腾动力的数据策略呈现出多元化的特征：主要依赖与客户及合作伙伴合作，利用其现有质检、客服等环节沉淀的数据；同时，借助熟练工的遥操作采集第一人称视角（Ego-centric）数据，确保数据的真实性与高质量；短期辅以合成数据补充。
在模型训练策略上，昆腾动力采取预训练与后训练并重的方式，比例约为五五开。李强认为，Agentic AI（代理智能）通过互联网分发，要求模型无所不能；而Physical AI受限于地域与场所，更强调场景适配。预训练赋予机器人基础物理知识与基本动作能力，而后训练则通过任务微调与强化学习（RL），让机器人在实际工作中快速进化。
“我们希望机器人能像新员工一样，从每小时分拣200件快速进化到600件。”李强表示，通过后训练实现这种“自我进化”，是达成规模化部署条件的关键。
商业化路径：从封闭到开放的渐进式扩张
昆腾动力的商业化路径清晰且稳健：从封闭的仓库与分拨中心起步，逐步拓展至半开放的网点与门店，最终迈向全开放的末端送货场景。首批切入的场景包括包裹称重、贴面单、翻面供包、补货上架、拣货下架及装箱打包等用工缺口大、人力成本高的环节。
在市场拓展方面，公司优先瞄准海外市场，尤其是日韩与欧洲。这些地区老龄化严重、劳动力短缺且经济发达，对自动化解决方案需求迫切。北美市场虽大，但受数据合规等因素影响，优先级稍后。
目前，昆腾动力团队规模约25人，核心班子涵盖自动驾驶、具身智能、硬件研发及商业化等多个领域，并与浙江大学、南洋理工大学等顶尖机构建立科研合作。公司计划于2026年9月30日前推出第一代机器人，并在年底实现1-2个场景的产品市场模型契合（PMMF）。2027年的目标则是让1000台机器人在物理世界中真正每天工作，而非仅仅交付或生产。
昆腾动力的出现，标志着Physical AI行业进入“系统为王”的新阶段。在李强的带领下，这家初创企业正试图通过系统级创新，打破具身智能落地的最后一道壁垒，让机器人在物理世界中真正“活”起来。