Der ehemalige CTO von Cainiao, Li Qiang, hat ein Startup für eine Physical AI-Plattform gegründet und erhielt eine Seed-Finanzierung von über 100 Millionen Yuan von Yunqi Partners und SenseTime | Exklusive Erstveröffentlichung von HardKrypton

Autor ｜ Huang Nan

Redakteur ｜ Yuan Silai

Hard Krypton erfuhr, dass das Physical AI-Plattformunternehmen Quantum Dynamics kürzlich eine Seed-Finanzierung im Wert von über 100 Millionen Yuan abgeschlossen hat, die in dieser Runde gemeinsam von Qiming Venture Partners und SenseTime investiert wurde. Die Mittel werden hauptsächlich für die Forschung und Entwicklung der Kerntechnologie von Physical AI, den Aufbau von Talentstufen und die globale Marktexpansion verwendet, um den vollständigen Aufbau der Kette seiner intelligenten Systeme für die physische Welt vom zugrunde liegenden Modell bis zur szenariobasierten Umsetzung zu beschleunigen. Multidimensional Capital beteiligte sich an der Projektinkubation und Teambildung.

Quantum Dynamics wurde in der ersten Hälfte des Jahres 2026 gegründet. Das Unternehmen konzentriert sich auf die tiefe Integration von KI und der realen physischen Welt und entwickelt selbst entwickelte Technologie für allgemeine intelligente Systeme, die in mehreren Szenarien wiederverwendbar sind, als zugrunde liegende Physical AI-Plattform für alle Branchen.

Derzeit lassen sich die Gründer im Bereich der Embodied Intelligence hauptsächlich in mehrere Kategorien einteilen: Eine Kategorie stammt aus dem Umfeld des autonomen Fahrens und zeichnet sich durch Systemintegration und ingenieurstechnische Umsetzung aus; die andere Kategorie stammt aus dem Neo Lab und verfügt über eine fortschrittliche technische Perspektive für Embodied Intelligence. Li Qiang, der Gründer von Quantum Dynamics, gehört zur dritten Kategorie. Er hat sich zuvor tief im kommerziellen Logistikumfeld engagiert und verfügt sowohl über Verständnis für KI-Technologie als auch über Erfahrung im globalen Geschäftsbetrieb.

Li Qiang, Gründer und CEO des Unternehmens, war 17 Jahre lang bei der Alibaba Group tätig. In den vier Bereichen Taobao, Tmall, Cainiao, internationales Geschäft und fahrerloses Fahrzeug war er für den Aufbau und Betrieb von Systemen von Null auf Eins verantwortlich. Er war ehemaliger CTO der Cainiao Group und CTO des internationalen digitalen Geschäftsfelds von Alibaba und leitete Tausende von Entwicklern auf der ganzen Welt. Gleichzeitig war er Generaldirektor für fahrerlose Fahrzeuge bei Cainiao und koordinierte die Forschung und Entwicklung sowie die kommerzielle Förderung der Technologie für autonomes Fahren. Sein Team hat zuvor eine tiefe geschäftliche Zusammenarbeit mit Postsystemen in 200 Ländern auf der ganzen Welt durchgeführt und umfangreiche praktische Erfahrungen in der globalen Logistikerfüllung gesammelt.

Li Qiang, Gründer und CEO von Quantum Dynamics (Quelle des Bildes: Unternehmen)

Der Kern des Teams deckt alle wichtigen Gliederungen von fortschrittlicher Forschung, Modellentwicklung, Hardware-Engineering bis zur globalen kommerziellen Umsetzung ab und verfügt über die Fähigkeit zum vollständigen geschlossenen Kreislauf von technischen Durchbrüchen bis zur Wertlieferung. Diese komplexe Genetik des Teams hat dazu geführt, dass Quantum Dynamics bereits zu Beginn seiner Gründung einen differenzierten Weg gewählt hat.

„Wir müssen nicht warten, bis ein perfektes allgemeines Modell auftaucht, um nach Szenarien zu suchen, sondern wir finden zuerst den Einstiegspunkt, an dem die vorhandene Technologie in Kundennutzen umgewandelt werden kann, und bringen die Kommerzialisierung zuerst zum Erfolg“, sagte Li Qiang, Gründer und CEO von Quantum Dynamics.

Tatsächlich erlebt der Bereich der Embodied Intelligence in diesem Jahr eine kollektive Umorientierung von „Technikshow“ zu „praktischer Arbeit“. Auf der gerade abgeschlossenen Konferenz WAIC 2026 waren die Demo-Stände mit Saltos und Tanz weiterhin sehr beliebt, und die realen Demonstrationen, die Autofabriken und Logistiksortierlinien vor Ort zeigten, zogen ebenfalls viele Besucher an.

Ein Konsens in der Branche bildet sich heraus: Physical AI ist nach großen Sprachmodellen zum nächsten Hauptschlachtfeld geworden, und der Schlüssel zum Sieg im Wettbewerb verschiebt sich von der Größe der Modellparameter zur Tiefe der realen Daten.

Daten des IDC-Berichts zeigen, dass die Ausgaben der Nutzer für embodied intelligente Roboter in China im Jahr 2025 voraussichtlich 1,4 Milliarden US-Dollar übersteigen und bis 2030 auf 77 Milliarden US-Dollar ansteigen werden, was einer durchschnittlichen jährlichen Wachstumsrate von 94 % entspricht. Je schneller das Kapital einströmt, desto deutlicher wird ein strukturelles Problem: Daten aus der physischen Welt können nicht wie Texte und Bilder durch Webcrawler in großen Mengen abgerufen werden.

Das bedeutet: Wer zuerst die Fähigkeit hat, eine große Anzahl von echten Geräten in Betrieb zu nehmen, hat den Vorrang bei der Datenerfassung. Das ist auch die grundlegende Logik, mit der Quantum Dynamics in die Industrie einsteigt: Zuerst taucht man in Logistiklager ein, sammelt exklusive echte Daten durch den Einsatz echter Geräte und verfeinert dann das zugrunde liegende Welt-Aktionsmodell.

In einem mittelgroßen Lager führt ein Kommissionierroboter täglich Zehntausende von Greif-, Platzier-, Scan- und Etikettieraktionen durch, die fast alle physischen Betriebsarten abdecken, von starren Kisten bis zu flexiblen Paketen, von Standardgrößen bis zu unregelmäßigen SKU. Jeder Erfolg oder Misserfolg einer Aktion ist ein klares Signal, das keine manuelle Markierung erfordert. Dies sind die Gliederungen im Logistiknetz, in denen der Mangel an Arbeitskräften am größten und der Anteil der Personalkosten am höchsten ist. Sie sind auch die harten Nüsse, die die traditionelle Automatisierung lange Zeit nicht knacken konnte, und erfordern genau modellgestützte Lösungen, um einen skalierenden Durchbruch zu erzielen.

Mit Fokus auf Logistiklager-Szenarien baut Quantum Dynamics ein geschlossenes Datensystem auf (Quelle des Bildes: Unternehmen)

Hinsichtlich der Effizienz der Datenerfassung und -nutzung hat Quantum Dynamics ein System für den geschlossenen Datenkreislauf aufgebaut. Auf dem Robotergerät auf der Endseite läuft ein leichtgewichtiger Algorithmus, der hochwertige Datensegmente in Echtzeit erkennen kann, darunter Szenarien, die manuelle Eingriffe erfordern, „fast fehlgeschlagene“ Zustände mit niedrigem Konfidenzniveau der Modellvorhersage und schwierige Fälle, die nach wiederholten Versuchen nicht erfolgreich waren. Diese Daten werden automatisch markiert, zurückgesendet und gelangen in die Trainingspipeline.

Gleichzeitig schneidet die Algorithmus-Plattform für die Teile der Datenverarbeitung, die manuelle Eingriffe erfordern, nur die Segmente mit dem größten Lernwert aus den Eingriffsoperationen heraus und entfernt redundante Teile, um sicherzustellen, dass jedes Datenframe, das in den Trainingssatz gelangt, gültige Informationen liefert.

Dieser Mechanismus verleiht der Datenpipeline von Quantum Dynamics zwei charakteristische Merkmale. Erstens der Skaleneffekt: Jedes neu hinzugefügte Einsatzlager wird zu einer neuen Datenquelle. Zweitens die Erzeugung exklusiver Daten: Je umfangreicher die Daten werden, desto höher sind die Generalisierungsfähigkeit und die Erfolgsrate des Modells, und desto niedriger sind die Kosten und die Dauer für die Anbindung neuer Kunden und neuer Szenarien.

Wenn die Dichte der Daten aus realen Szenarien ausreichend hoch ist, entstehen reale Bedingungen für das selbst entwickelte Grundmodell von Quantum Dynamics. Das Ziel besteht nicht darin ein Einzelmodell mit punktuellen Fähigkeiten zu erstellen, sondern ein System für embodied Intelligence zu konstruieren, das sich aus realen Einsätzen ständig weiterentwickeln kann. Dieses Plattformsystem wird von sechs technischen Modulen koordiniert, deckt das vollständige Physical AI-System aus Datenerfassung, Modellaktualisierung und kooperativer Evolution von Clustern ab und wird anhand realer industrieller Szenarien offline validiert und verfeinert.

Zuerst kommt das embodied native World-Action-Modell. Es unterscheidet sich von den üblichen Videovorhersagemodellen: Durch die gemeinsame Modellierung von visuellen Signalen, Aktionen, eigenem Zustand und Tastsignalen kann das Modell lernen, „wie eine einzelne Operation die physische Welt verändert“, und dabei die ingenieurstechnischen Anforderungen an die Echtzeitsteuerung von Robotern erfüllen.

Gleichzeitig können auf Basis des bereits aufgebauten geschlossenen Datenkreislaufsystems von Quantum Dynamics, mit den Daten aus dem Betrieb echter Geräte und menschlichen Operationen als Hauptrohstoff, die ursprünglichen Protokolle im Logistikbereich automatisch zu hochwertigen Trainingsbeispielen verarbeitet werden, die Aufgabenphasen, Fehlerursachen, Wiederherstellungsaktionen und Geschäftsergebnisse enthalten. Dies unterstützt die Suche in Sekundenschnelle, automatische Bereinigung und Markierung sowie die Modelliteration im Tagesrhythmus. In Kombination mit dem Human-in-the-Loop (HITL)-Mechanismus kann der Zeitpunkt des manuellen Eingriffs in den Roboter bestimmt werden, und jeder Eingriff wird zu Trainingsdaten umgewandelt, sodass die Anzahl der Roboter, die von einer einzelnen Person verwaltet werden können, ständig steigt.

Auf der Ausführungsebene ist im System ein leichtgewichtiger World-Model-Korrektor implementiert, der zur Echtzeitüberwachung von Abweichungen bei der Aktionsausführung dient und vor dem Ausfall der Operation rechtzeitig eine Korrektur, Neuplanung und Wiederholung auslöst, um die Erfolgsrate der Aufgaben in realen Szenarien zu erhöhen. Für neue Kunden und neue Lager muss das System nicht alle Modellgewichte neu trainieren, sondern es passt sich durch Test-Time-Training, wenige Beispielvorführungen und die Wiederverwendung historischer Erfahrungen schnell an unterschiedliche Waren, Regale, Lichtverhältnisse und Prozessänderungen an.

Schließlich bilden alle embodied Roboter einen Cluster, der ständig lernt und sich selbst weiterentwickelt. Die Erfahrungen aus Erfolg, Misserfolg, Eingriff und Wiederherstellung, die jedes Gerät erzeugt, werden durch mehrere Prozesse wie offline verstärkendes Lernen, Präferenzoptimierung, Simulatortraining und Validierung mit echten Geräten kontinuierlich auf den gesamten Robotercluster aktualisiert.

Quantum Dynamics teilt sein Umsetzungstempo in zwei Phasen ein. Im Jahr 2026 liegt der Fokus auf B2C- und kleinen/mittleren E-Commerce-Lagern. Es konzentriert sich auf drei personalintensive Verfahren: Nachfüllen und Einlagern, Warenkommissionierung und Paketverpackung. Es wird zuerst in Lagerumgebungen mit geordneten SKU aus Kosmetik und Medikamenten eingesetzt und führt großskalige Pilotprojekte im Modus der kooperativen Produktion von Mensch und Roboter durch. Bis 2027 wird das Geschäftsfeld weiter auf komplexe Express-Niederlassungen ausgedehnt. Gemäß dem Expansionspfad „von Logistiklagern zu industriellen Produktionslinien, Einzelhandelsregalen, medizinischer Sortierung, zu gewerblichen Dienstleistungen und schließlich zu häuslichen Versorgungsdiensten“ wird das Spektrum der Einsatzszenarien von Physical AI erweitert.

Der Wettbewerb um Physical AI zielt nie nur auf die beeindruckende Wirkung technischer Demos ab, sondern darauf, ob Roboter in der realen Welt stabil ihre Aufgaben erfüllen können. Quantum Dynamics hat einen wenig glamourösen Weg gewählt: Zuerst lässt es Tausende von Robotern in Lagern laufen. Es will nicht nur die kommerzielle Machbarkeit eines einzelnen Unternehmens beweisen, sondern auch die Machbarkeit des Weges von Physical AI, „von vertikalen Szenarien ausgehend schrittweise zur Allgemeinheit zu gelangen“.

Im Folgenden finden Sie Auszüge aus dem Interview zwischen Hard Krypton und Li Qiang, Gründer und CEO von Quantum Dynamics (leicht bearbeitet):

Hard Krypton: Quantum hat sich dafür entschieden, Logistiklager als natürliches Trainingsfeld zu wählen, einen eigenen Datenkreis durch den Einsatz echter Geräte aufzubauen und zuerst das Geschäft umzusetzen, bevor das zugrunde liegende Modell verfeinert wird. Können Sie die Zeitpunkte und die Abwägungslogik dieser schrittweisen Strategie „zuerst Szenarien, dann Grundgerüst“ erläutern? Welche differenzierten Barrieren kann dieser Weg langfristig bilden?

Li Qiang: Unser Team ist seit vielen Jahren tief im Logistiksektor tätig. Wir kennen sowohl die aktuellen technischen Grenzen der Embodied Intelligence als auch die umfangreichen und komplexen realen Betriebsumgebungen der Logistik gut. Basierend auf dem aktuellen Stand der Technik haben wir einen praktischeren Umsetzungsweg gefunden: Mit Post-Training-Lösungen können wir zuerst in einigen Lager-Szenarien die kommerzielle Nutzung in großem Maßstab realisieren.

Der direkteste Vorteil dieses Vorgehens besteht darin, dass wir während der Umsetzung Einnahmen erzielen und gleichzeitig kontinuierlich exklusive Daten von echten Geräten sammeln können. Diese Daten entsprechen vollständig der Verteilung der realen physischen Welt. Sie enthalten nicht nur die Standard-Aktionsspuren erfolgreicher Greifvorgänge, sondern auch eine große Anzahl negativer Beispiele wie Greifabweichungen und Betriebsfehler. Der Reichtum und die Authentizität der Daten sind weitaus höher als bei Simulations- und Motion-Capture-Datensätzen. Bei gleicher Modellarchitektur wird die Generalisierungsfähigkeit des Modells durch qualitativ hochwertigere Daten aus dem realen Betrieb natürlich deutlich besser.

Auf lange Sicht wird der Kern des Wettbewerbs in diesem Bereich früher oder später auf die Effizienz der Datenerfassung und die Kosten pro Dateneinheit abzielen. Wer in der Lage ist, kontinuierlich riesige Mengen an Daten von echten Geräten zu niedrigeren Kosten zu erzeugen, kann einen stabilen Vorteil aufbauen. Diese Logik ist mit der von Claude und Tesla FSD vergleichbar: Je größer die Anzahl der eingesetzten Endgeräte ist, desto mehr Interaktions- und Fahrtdaten werden angesammelt, und desto stärker wird die Gesamtleistung des gesamten Clusters nach Optimierung durch verstärkendes Lernen und iterative Verbesserungen der Fahrzeugflotte. Unser großskaliger Einsatz von Lagerrobotern zielt genau darauf ab, den vollständigen geschlossenen Kreislauf aus Post-Training von verstärkendem Lernen (RL) mit echten Geräten und der kontinuierlichen Weiterentwicklung des gesamten Roboterclusters zu schließen.

Hard Krypton: Quantum plant, sich schrittweise von E-Commerce-Lagern auf vielfältige Szenarien auszudehnen, aber die physikalischen Interaktionslogiken und Betriebsbeschränkungen in verschiedenen Umgebungen sind sehr unterschiedlich. Welche allgemeinen atomaren Fähigkeiten wird das Team aus den Logistikdaten ableiten, um die Migration zwischen Szenarien zu unterstützen? Welche zentralen Schwierigkeiten müssen bei dem aktuellen Modell und dem Few-Shot-Adaptionsrahmen noch überwunden werden, um auf nicht standardisierte Szenarien wie Wohnen und Gesundheitsfürsorge mit geringem kommerziellen Nutzen einzugehen?

Li Qiang: Wir haben drei schichtenweise Evolutionspfade aufgebaut, die alle auf Fähigkeiten setzen, die im Lager-Szenario angesammelt werden, und die später direkt wiederverwendet werden können, um sich auf verschiedene neue Szenarien auszudehnen.

Auf der Ebene mobiler Operationen folgen wir einem schrittweisen Verfeinerungsrhythmus: Zuerst setzen wir das Konzept des stationären festen mechanischen Arms um, realisieren dann den statischen Betrieb von humanoiden Robotern, meistern anschließend die kooperative mobile Operation des gesamten Körpers und erreichen schließlich stabile