菜鸟前CTO创业：为何Physical AI的核心是系统而非单一模型？
从物流巨擘到Physical AI先锋：一次关于“系统能力”的深度重构
在人工智能行业，从互联网巨头离职创业并不罕见，但选择一条兼具硬核技术与复杂物理交互的新赛道，往往意味着对行业痛点的深刻洞察。2026年7月，成立仅月余的Physical AI企业昆腾动力（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投资。这一动作不仅标志着资本的进一步聚焦，更揭示了一个关键趋势：Physical AI的竞赛焦点，已从单纯的模型参数内卷，转向了系统化落地能力的较量。
创始人李强的履历是理解这一战略转向的钥匙。在阿里体系深耕17年，他曾任菜鸟集团CTO及阿里国际数字商业板块CTO，不仅掌管过全球数千人的研发团队，更是最早将L4级无人车运营规模推向千台以上的关键人物。这种横跨“物流业务+AI技术+全球化”的一号位经验，使其对物理世界中的数据闭环、安全机制及大规模调度有着近乎本能的直觉。在李强看来，昆腾动力并非一家简单的机器人制造公司，而是一家Physical AI系统公司。其核心愿景不是造出一个完美的“大脑”，而是打造一套能在物理世界中自我进化的系统。
破解“最后20%”难题：从标准容器到非标交互
物流行业长期面临一个瓶颈：自动化技术能解决20%至30%的标准化问题，但对于复杂场景中的非标操作，旧技术往往束手无策。李强指出，过去的技术局限主要体现在三个维度。
首先是手眼协同能力的缺失。传统机械臂在处理标准容器内的货物拣选时，一旦遇到异常（如货物掉落），往往需要停机并人工介入。而新一代技术旨在让机器人具备自主恢复能力，例如通过转腰、扭头重新对焦，自主识别并拾起掉落物品。这种从“被动纠错”到“主动感知”的转变，是技术迭代的核心价值。
其次是固定设施的僵化。传统自动化产线一旦部署，极难随业务变化而调整。昆腾动力采用移动机器人方案，赋予了系统极大的灵活性，使其能够适应快速变化的物流场所需求。
最后是对柔性物体的处理能力。贴面单、翻面供包等操作涉及纸质材料等柔性物体，传统抓取难以实现。通过引入世界模型建模与预判，机器人能够实现灵巧控制，精准完成这些高难度动作。
竞争壁垒重构：数据飞轮与安全机理
Physical AI赛道虽热，但团队背景雷同的现象日益显著。昆腾动力的核心竞争力，在于其独特的“系统级”壁垒，而非单一模型优势。李强强调，模型只是系统的一部分，真正的护城河在于对系统多个环节的掌控能力。
数据飞轮的规模化沉淀
菜鸟无人车自2021年起便在中国运营超过1000台L4级无人车，这一规模化的实战经验为昆腾动力提供了宝贵的数据基础设施。从数据采集、存储、秒级检索，到100%自动化标注，再到模型训练与评测，这套体系构成了强大的数据闭环。对于Physical AI而言，谁拥有更低成本、更高质量的基础数据，谁就掌握了进化的主动权。
深层安全技术机制
在开放道路上驾驶重达一吨的无人车，对安全技术提出了极高要求。昆腾动力基于这一实战积累，理解安全背后的技术机理。这意味着，在引入执行速度更快的机器人时，可以通过完善的安全机制消除磕碰顾虑，从而大幅提升作业节拍。这是许多缺乏大规模物理交互经验的团队难以企及的深度。
系统架构对模型边界的弥补
团队拥有L4无人驾驶的端到端部署经验，以及具身智能领域的全身控制、多源异构数据协同训练等关键能力。更重要的是，团队深刻理解大模型的能力边界，能够通过系统架构设计、工程约束和数据闭环，弥补模型在可靠性、实时性及长尾问题上的不足，确保模型能力真正转化为可规模化的产品力。
世界模型的重构：从“视频生成”到“物理因果”
在模型层面，昆腾动力选择了一条不同于主流的路径。传统基于视频生成的基座模型，并非为机器人控制而生，存在先天性的架构缺陷。昆腾动力致力于构建具身原生的世界模型，其技术逻辑更为深邃。
多模态统一融合
通过将视觉、触觉、力反馈等多模态信号进行时空对齐，实现更高效的表征。这种设计旨在用更少的数据预训练出更优的模型，提升数据利用效率。
三位一体的具身智能
该系统同时具备三种能力：一是动作生成，直接输出控制指令；二是因果预测，预判动作对世界状态的影响；三是价值评估，预测动作的最终效果（如贴面单是否平整牢固）。这种带有业务语义的预测能力，使得机器人不再是机械执行，而是具备初步的“认知”与“规划”能力。
预计推出的3-4B参数世界模型，将在预训练与后训练上保持五五开的比例。后训练的重点在于任务微调与强化学习，使机器人在实际工作场所中快速进化，从新手效率迅速提升至专家水平。
商业化路径：平台化策略与全球化布局
在产品策略上，昆腾动力坚持“合适优于最好”的原则。不追求“一脑多形”的通用机器人，而是通过共享零配件的平台化设计，针对不同场景（如高货架仓储、末端配送）进行差异化配置。这种务实的选择，避免了通用机器人陷入“无数据-模型差-无落地”的死锁困境。
商业模式上，公司采取平台加多配置的体系，核心零部件外采，本体代工组装，自身聚焦于产品定义、构型设计及核心算法。这种轻资产、重研发的模式，有助于快速迭代。
在市场拓展方面，昆腾动力将重心放在海外市场，特别是日韩、欧洲等地。这些地区老龄化严重、劳动力成本高，且对自动化接受度高。鉴于数据合规的不确定性，北美市场暂时列为次要优先级。团队计划于2026年底实现PMMF（产品-市场-模型匹配），并在2027年确保1000台机器人在物理世界中实际运行，而非仅仅交付。
结语：Physical AI的“系统论”启示
昆腾动力的入局，为Physical AI赛道提供了一个重要的观察样本：在具身智能的早期阶段，单纯的技术炫技已不足以支撑商业化落地。真正的壁垒，在于能否将模型、硬件、数据与安全机制整合为一个紧密耦合的系统。
李强及其团队带来的不仅是技术，更是一种从规模化物流运营中提炼出的系统工程思维。在Physical AI领域，能够解决具体场景痛点、形成数据闭环、并实现低成本规模化部署的“系统公司”，或许比任何单一模型的突破都更具长远价值。随着技术从封闭仓库走向开放街道，这套系统论的逻辑，将在更广阔的物理世界中接受检验。