拿下近5000台订单，昆腾动力用仓储物流实现Physical Al|甲子光年

从一个包裹开始。

跨境物流业务有一个经典场景。

一条环形输送线，每秒前进约0.3米，包裹不断经过。工人坐在输送线前，把包裹挨个拿下来翻面，让面单朝上，并放到称重台完成称重和体积测量，再按系统提示分流。

这套动作在业内被称为“称重量方”。

对熟练工人来说，这套动作并不复杂。但问题是，称重量方的工作环境往往在有月台四面透风的仓库，冬冷夏热，工作一天之后，工人往往苦不堪言。在这种条件下，越来越多的年轻人宁愿去送快递，也不愿从事这一岗位。

物流行业的自动化进展并不均衡。分拨中心的输送、分拣环节已广泛应用自动化设备，但仓库里的拣选、打包、补货，以及物流作业中的装卸、供包、装笼等环节，仍有大量操作依赖人工。

然而，由于工作环境、强度等原因，越来越多的从业者选择离开这个行业。

中国物流与采购联合会的数据显示，我国物流装卸环节（含临时工）的从业者到2025年大约1150万人，预计到2030年，装卸环节的从业者将降至820万，五年减少约330万人。

所以，一些创业者看到了这其中的机会，希望通过AI模型和机器人硬件，用Physical AI的方式解决这个问题。

菜鸟集团前CTO李强创办的昆腾动力就是其中之一。

公司从称重量方、供包、贴面单等包裹操作业务切入，同时开展仓内拣选，探索打包等更多物流操作任务。据「甲子光年」了解，目前，公司已获得多家头部电商平台及物流企业合计近5000台机器人的批量采购订单，后续将逐步交付。

在创始人兼CEO李强看来，物流是最有机会跑通Physical AI价值闭环的行业，没有之一。

昆腾动力为什么选择从物流仓储作业切入？机器人要进入这些工位，需要突破哪些难点？Physical AI能给物流行业带来多大价值？

图1：本次大会为科捷云仓生态领航伙伴、新锐之星伙伴以及科捷运网最佳合作伙伴代表举行授牌仪式；同时，科捷物流与AI生态伙伴昆腾动力签署战略合作协议，携手开展相关AI物流领域合作

1.为什么是物流？

物流或许是目前国内自动化程度最高的行业之一。

得益于移动电商及直播电商的爆发，作为产业链下游的物流市场近几年的增速极高。

根据国家邮政局的数据：2022年，全国快递业务量为1105.8亿件；而截至2025年底，这一数字已增长到1990亿件，三年间年均复合增长率约21.6%，相当于平均每天有超过5亿件包裹在中国大地上流转。

为了处理如此大规模的包裹，过去几年，物流中心就部署了包括AGV、AMR等自动化设备，力求最大限度提高包裹流转效率。

但物流各个环节的自动化程度并不一致。分拨中心主要围绕包裹完成输送与分拣；电商及供应链仓库则涉及商品的存储、补货、拣选、打包等流程。即使都属于物流，不同场景的操作对象、流程与自动化基础也有差异。

因此，分拨中心的自动化水平，不能直接用来概括仓储作业的整体状况。对于昆腾而言，更具体的机会在于：哪些仍依赖人工的操作，可以通过机器人持续、经济地完成。

输送线、分拣机以及AGV、AMR等设备，已经承担了大量输送、分流与搬运工作。但设备之间，以及货物从一种状态转换到另一种状态的过程中，仍有许多需要人动手的任务。

比如在仓库里，一箱箱货物进入，经过补货、拣选和打包，变成面向消费者的包裹；进入分拨中心后，分拣机完成分流后向供包设备输送包裹，以及分拣后的装袋、扎袋、装笼、码托等，很多环节都需要人工处理。

这些环节对机器人的要求，与搬运一个标准料箱不同。包裹的姿态、材质和尺寸不断变化，操作需要观察、判断，并把多个动作衔接起来。

跨境物流中的称重量方，就是其中一个典型场景。

一般来说，跨境物流要通过航空运输，所以包裹的重量和体积关系到如何配载。一个工位需要连续完成取件、翻面、测量与分流，后续环节才能继续。

然而，这类作业不仅工作环境艰苦，并且往往在夜间集中进行，大促期间人手需求还会明显增加。

而且中国员工过春节，海外消费者的订单仍在继续，停工就意味着包裹积压。

此外，管理成本也是动辄几十万人的物流企业头疼的问题。

对于物流客户而言，用机器人优化人工与管理成本、提高产线节拍，是一个非常现实的需求。

但痛点并不足以证明一个场景适合Physical AI。更关键的问题是，当下的技术能否进入场景，并在工作中持续改善。

李强认为，物流场景操作的及时反馈，以及对失败操作的容忍度，都是技术落地所需要的。

比如包裹翻面后，扫码结果能够帮助核验面单是否已朝向合适的位置；某个包裹抓取失败不会影响整个产线，系统可以利用重试、核验或人工接管，让任务继续完成。

这种结果能够核验、部分失败能够恢复的任务特点，为技术迭代提供了条件。

图2：昆腾动力的机器人在真实物流仓库中做分拣翻面

这与制造场景和家庭场景差异巨大。

因为电子元件插接失误，可能导致该件产品返工或报废，甚至触发停线排查；而家庭场景中，衣服叠得好不好、物品摆放是否合意，往往缺少及时而明确的反馈。

相比之下，物流里的一些任务既有丰富的操作对象，又有相对明确的结果信号；环境也比开放的人群活动空间更容易控制。这给模型后训练和持续改进提供了条件。

选择物流行业后，昆腾进行了二次聚焦，优先从电商物流中的快递包裹操作切入。

在李强看来，相较种类繁多的商品SKU，包裹更容易限定操作范围，同时仍保留了形状、材质和姿态的变化。

称重量方、贴面单和供包，可以围绕这类对象积累相关操作能力。

包裹是起点，更广的需求还在仓内。

拣选要从不同摆放状态中识别、取出目标商品；打包需要处理物品组合、放置与包装材料，把多步操作连起来；质检涉及货物状态和作业结果的识别、核验，再衔接后续处置。

把这些操作串联起来，才能让上一个动作的完成，成为下一步可以采用的结果。

这种对完整工作的要求，也会推动机器人从单点技能向连续任务延伸。

「甲子光年」认为，物流被昆腾认为是Physical AI最佳落地场景的核心原因也正在于此。从包裹操作出发，再向仓储中的更多任务延伸，构成了昆腾切入物流行业的路径。

2.输送线上的包裹不等人

最佳场景并不代表没有难度。

进入客户现场之后，昆腾首先遇到的问题，是如何让机器人抓取输送线上流动的包裹。

以目前进仓的双臂产品为例，李强向「甲子光年」解释了其中的难度：

假设摄像头看到目标包裹的时间点是T0，信号进入模型是T1，推理完成是T2，指令下发又到了T3。等机械臂实际执行，包裹仍在输送线上移动。

机器人需要处理的，不仅是“这是什么、在哪里”，还有观察与执行之间发生的变化。

输入端也有类似问题。第一视角、腕部视觉、机械臂与夹爪状态等信息，并不天然在同一时刻、以同一频率产生。把这些信息用于连续操作，需要处理它们之间的时间关系。

为了解决这个问题，昆腾动力采用了异步输入模型。

按照昆腾公开的技术资料，系统为各模态保留原生时间戳、独立采样，由操作基础模型System 1进行异步数据流融合。其设计目标，是让模型学习不同时间信息与操作之间的关系，适应高速、动态的作业环境。

这项设计回应了一个生产现场的具体约束：输送线不会因为模型正在推理而暂停。模型需要把不同时间获得的信息用于当前操作，再通过反馈继续调整。

仅仅提高识别能力，还不能完整解决这个问题。感知、动作生成和控制必须衔接起来，机器人才能持续工作。

在这套架构中，System 2承担任务推理和长尾场景处理，负责理解任务、提供操作指导及异常恢复决策。它为操作基础模型System 1提供指导，将任务层面的判断与具体操作连接起来。

System 1负责操作层面的动作生成：接收第一视角和腕部视觉、机械臂与夹爪状态、自然语言任务指令等输入，融合异步数据流，生成用于高速、动态操作的动作。动作经过解码，转化为双臂位姿和夹爪开合，由机器人控制系统执行，状态再反馈回来。

两层分工让任务推理与动态操作相互配合。其中，异步多模态输入的融合直接位于System 1；System 2提供推理与指导。从输入到指令，再到机械臂真正运动，仍需要整条链路协同，才能把模型能力转化为连续作业。

图3：昆腾动力的机器人在真实物流仓库中做分拣翻面

除了模型架构外，动作本身也影响执行过程。

据「甲子光年」了解，昆腾采用B-spline动作头，用紧凑的控制点描述连续、平滑的轨迹，再解码交给机器人控制。可以将它理解为：模型用一组参数表达接下来怎样运动，控制器沿着这条连续轨迹执行。

异步输入解决的是处理信息的时间关系，动作表示解决的是轨迹的生成和执行。

两者连在一起，才能让机器人面对移动中的包裹时，把看到的信息变成及时、连贯的动作。

图4：昆腾动力的机器人在物流流水线中做包裹称重

当然，这些技术最终都要回到成功率和节拍。对于客户而言，生产需要的是规定时间内的有效产出。

据李强透露，公司从2026年7月开始与客户共创研发，到10月前后技术已具备规模化条件，如此短时间的背后，依靠的是昆腾强大的技术团队。

「甲子光年」了解到，昆腾核心团队是国内少有的、具备超千台L4无人车规模化完整落地经验的团队。

李强曾负责菜鸟无人车业务，经历超千台L4车辆的规模化运营；CTO赵春明曾任九识及菜鸟无人车算法负责人，经历从算法验证到量产部署。团队积累的内容，包括真实环境中的数据采集、模型训练、评测发布，以及大规模系统运行。

目前，昆腾的通用双臂机器人已完成称重等岗位的部署验证，供包效率达到每小时1200件以上、成功率99%。

3.让数据飞轮快速转起来

作为创业者，李强深知“力出一孔”的价值。他给昆腾的要求是，把一个任务场景做深做透，再向其他场景延展。

把一个任务做深，在李强看来包含多个维度。

现场改造要少，工位上的工作要尽量完整覆盖，能够适应更多对象和环境，节拍与成功率接近或超过人工，硬件还要具有可靠性、耐用性和经济性。

这些都是需要持续推进的目标。其中任何一项，都可能影响客户决策。

客户衡量设备价值，也不只看替代了多少人工。对于靠近核心消费市场或关键物流节点的仓库，扩建空间可能十分有限。业务要继续增长，企业就需要在既有场地里提高处理能力。

据李强介绍，这类空间约束问题在国内外物流仓储场景中都存在。

一些服务核心消费市场的仓库难以继续扩展，只能通过作业流程优化和自动化、智能化改造，提高既有空间的产出。机器人能否在同样的场地和作业时间内处理更多订单，也因此成为客户评估投入的重要依据。

这些需求为持续改造提供了动力。但能否形成持续投入，仍取决于方案创造的实际收益。

李强观察到，客户首先希望直接成本不高于原有人工方式，再进一步提高作业质量、降低管理成本。

回本周期同样影响采购决策。按照李强的项目经验，两年左右回本可以支持小批量测试，接近18个月则更有利于扩大投入。

这样的回本要求，也要求机器人配置与实际任务匹配，避免为暂时用不到的能力增加过多成本。

为降低进入门槛，昆腾目前提供按单付费、购买硬件加模型订阅，以及买断等方式。按单付费让客户减少前期投入，也让昆腾承担资产成本，同时保留通过模型升级改善收益的空间。

这些合作方式将设备表现与客户收益联系起来，也使技术迭代、交付和持续服务成为商业化的一部分。

据李强介绍，杭州首个仓库测试之后，客户又提供了华南仓库的新场景。客户观察现场效果与迭代速度，昆腾则在不同作业条件下继续打磨产品。

如今，公司已获得多家头部电商平台及物流企业合计近5000台机器人的批量采购订单，后续将逐步交付。

客户资源的价值，也在这一过程中显现：除了采购机会，客户还提供真实任务、测试工位和不同仓库的作业条件。

共创也意味着双方共同选择任务：客户提出真实需求，昆腾判断当前技术能否满足，以及这项任务能否支持后续能力积累。

从客户与任务的分布看，昆腾已向国内外多个市场拓展，接触的客户涵盖电商平台、供应链物流企业、快递及邮政企业等不同类型。相关任务包括拣选、称重量方、供包、贴面单及打包等，分别处于签单、验证、研发或接洽等阶段。

例如，在国内，一家头部供应链物流企业的仓内拣选项目已签单，正在向现场实施推进；面向头部电商平台相关跨境物流业务，昆腾也在推进称重量方项目的签约。两个方向分别对应商品拣选与包裹操作，体现了不同客户类型和作业需求。

11月5日，菜鸟在香港智慧港举行AI及具身智能产业合作发布会，宣布向产业伙伴开放全球仓网，支持技术训练、实景验证与产业落地。昆腾参与其中，并被列为首批合作企业中的代表性案例。

图5：昆腾动力CEO李强出席菜鸟AI及具身智能产业合作发布会并签约战略合作协议

全球布局也在同步推进。

据李强透露，昆腾正与日韩上市公司洽谈合资，北美子公司正在注册中，已有客户等待签单；新加坡和澳大利亚有多个客户在沟通和投标。当地伙伴将是后续获客、交付与服务的重要参与者。

这些客户入口与真实任务，是昆腾积累作业经验的基础。从单一场景切入深耕，再向其他场景延展，背后是李强的“数据飞轮”逻辑。

李强认为，AI的能力来自持续快速的积累、尝试与迭代。

所以，昆腾将真实部署中的成功、失败、人工干预与恢复经验归集为Library of Chaos（真实作业经验库），关联机器人状态、任务上下文和最终业务结果，尝试通过共享模型支持后续任务。

李强为未来一年的数据飞轮设定了具体标准：进入新仓库、适配新任务时，需要的后训练数据更少，时间更短，初始成功率和节拍更高，爬坡到客户要求的过程更快。

这也是判断一家Physical AI公司的重要尺度。部署增长会带来更多数据入口，只有这些经验改善了后续学习和交付的效率，积累才会转化为更持久的优势。

回到文章开头那条输送线。一个包裹被正确处理，是一项具体工作的完成；同类工作持续、经济地完成，技术才开始进入客户的生产体系。

物流仓储作业提供了让机器人边创造价值、边学习的条件。对已获得批量订单的昆腾而言，接下来需要证明的，是能否把采购需求转化为稳定交付，并让每一次深入现场，都为下一次部署留下更多可以复用的能力。

END.