这家公司由菜鸟前首席技术官李强创办。在阿里巴巴集团任职的十七年里，李强先后辗转淘宝天猫、菜鸟、国际化业务与无人车四大板块，均承担从零到一的体系搭建与运营管理，曾任菜鸟集团首席技术官、阿里巴巴国际数字商业板块首席技术官，管理分布全球的数千人研发团队，并兼任菜鸟无人车总经理，统筹自动驾驶技术的研发与商业化。其团队曾与海外两百个国家的邮政系统深度对接，积累了全球物流履约的一线经验。

不做完美模型，先跑通商业化

具身智能赛道的创始人大致分两类：一类出身自动驾驶，长于系统集成与工程化落地；另一类源于前沿实验室，具备尖端的具身智能技术视角。李强属于第三类——此前深耕物流商业化场景，兼具人工智能技术理解力与全球化业务操盘经验。

昆腾动力成立于二〇二六年上半年，聚焦人工智能与真实物理世界的深度融合，自研可跨多场景复用的通用智能系统技术，主攻面向全行业的物理智能底层平台。在李强看来，公司选择的是一条差异化路线：”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。”

业内共识正在形成：物理智能已成为继大语言模型之后的下一个主战场，竞赛的胜负手正从模型参数大小，迈向真实数据的厚度。市场研究机构国际数据公司（IDC）的报告显示，二〇二五年中国具身智能机器人用户支出规模预计超过十四亿美元，到二〇三〇年将飙升至七百七十亿美元，年均复合增长率达百分之九十四。

把仓库当作天然训练场

一个结构性问题随之凸显：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。这也是昆腾动力切入产业的底层逻辑——先扎进物流仓库，靠真机部署积累独家真实数据，再反向打磨底层的世界动作模型。

在一座中型仓库里，一台拣货机器人每天完成数万次抓取、放置、扫描、贴标的动作，覆盖从刚性箱体到柔性包裹、从标准尺寸到异形商品的几乎所有物理操作类型。每一次动作的成功或失败，都是一个无需人工标注的清晰信号。这些环节正是物流网络中用工缺口最大、人力成本占比最高的部分，也恰是传统自动化迟迟啃不下来的硬骨头。

为此，昆腾动力搭建了一套数据闭环体系。部署在机器人本体的轻量级算法能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，并自动打标、回传，进入训练管道。配合”人在回路”机制，系统能判断人工介入时机，把每一次干预都转化为训练数据，使单人可管理的机器人数量持续提升。

六模块协同的具身智能系统

当真实场景数据达到足够密度，昆腾动力开始自研基础模型，目标不是打造单点能力模型，而是构建一套能从真实部署中持续进化的具身智能系统。这套系统由六个技术模块协同构成。

首先是具身原生的世界动作模型。它区别于常见的视频预测模型，通过联合建模视觉、动作、本体状态与触觉信号，让模型学习”一次操作会如何改变物理世界”，并满足机器人实时控制的工程要求。执行层面，系统部署了轻量级的世界模型校正器，用于实时监控动作执行偏差，在操作失效前触发纠偏、重规划与重试，以此提高真实场景中的任务成功率。

面对新客户与新仓库，系统无需重新训练全模型权重，而是通过测试时训练、少样本示范与历史经验复用，让机器人快速适应不同的货物、货架、光照与流程变化。最终，所有具身机器人组成一支持续学习与自我进化的集群，每台设备产生的成功、失败、干预与恢复经验，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。

落地节奏：从仓库走向居家

昆腾动力将落地节奏分为两个阶段。二〇二六年重点瞄准面向消费者与中小商家的电商仓库，聚焦补货上架、货品拣选、包裹打包三大人力密集工序，优先落地美妆、医药等货品规整的仓储环境，采用人机协同混产模式完成规模化试点。到二〇二七年，业务边界进一步向复杂快递网点延伸，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。

物理智能的竞赛，落脚点从来不只是技术演示的惊艳程度，而是机器人能否在真实世界里稳定地完成作业。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。它要证明的不只是一家公司的商业可行性，更是物理智能”从垂直场景切入、逐步走向通用”的路线可行性。

来源：36氪（硬氪首发）