核心要点
先看结论——该做什么、什么时候做：
- 在签任何试点之前，先写出你自己对失败任务和已恢复任务的定义，并把成本字段挂上去，要求厂商按你的结构打标，而不是按它的默认标签集。目标：30 天内形成签署版定义。
- 把在范围内的两个品类的订单、运输、索赔数据打通，先花两周量出当前的未记录异常率，让机器进过道之前你手里已经有一条基线。
- 在错误率之外，把节拍方差和截单达成率一并写进合同，因为把失败转成延迟的校正器会让准确率变好，同时让你真正在卖的那个承诺变差。
- 如果你是这批货的进口方，用实物外箱核对试点 SKU 的主数据，尺寸、条码位置、箱内件数，60 天内清掉任何超过 1% 的偏差。
- 第 90 天用三个数做是否继续的决定：每个失效模式的已标注样本数、每千行的返工分钟数、按时发运率。返工分钟数没降 15% 就退出。
中国具身智能公司昆腾动力2026年7月31日宣布完成超亿元人民币种子轮融资，用于加速Physical AI在物流场景的落地。其系统可将仓储原始运行日志自动加工为携带任务阶段、失败原因、恢复动作与业务结果的训练样本，支撑秒级检索与天级模型迭代；并部署轻量级世界模型校正器，在操作失效前实时监测动作偏差并触发纠偏与重规划。公司计划2026年在B2C及中小B电商仓库启动人机协同试点，聚焦补货上架、货品拣选和包裹打包三个环节，优先覆盖美妆、医药类SKU，2027年拓展至快递网点。
详细拆解
一亿元人民币是标题，也是这篇公告里最没用的信息。昆腾动力在 2026 年 7 月 31 日宣布完成超亿元种子轮，用来把 Physical AI 推进仓库。真正值得读的是机制里那句不起眼的话：系统把仓储原始运行日志，加工成携带任务阶段、失败原因、恢复动作与业务结果的训练样本。
多数仓储自动化记录的是机器做了什么。这一套想记录的是它做得对不对，以及做错的时候付出了什么代价。
所以这是一桩穿着机器人外衣的数据生意。数据生意有个稳定的形状：瓶颈卡在你没选过的地方，账单落在拿着标签的那一方。
先把机器人放到一边，把这个循环建模。一个任务到达工位，系统挑一个动作，动作执行，然后只有四种结局：成了；失败了被人救回来；失败了没人记；成了但是晚了。今天多数仓库里，第一种留下一条扫码记录，第二种在有人勤快时留下一句备注，第三种什么都不留，第四种是隐形的，因为能暴露它的那个时间戳存在另一个系统里。这份公告里的机制，就是一条对准这四种结局的打标流水线。秒级检索的意思是，一个正在发生的场景能在一秒左右拉到它最接近的历史邻居；天级迭代的意思是模型按一天一轮刷新。一秒和一天，这两个数字才是真正的工程主张，其余都是硬件。
四个字段里有三个是便宜的。任务阶段是个状态机，失败原因是下拉菜单，恢复动作就是操作员下一步干了什么，而操作员通常乐意说。业务结果是贵的那个。要判断一次拣选对不对，你得知道这单有没有发全、有没有在承诺时间内发出、货到没到、以及没做到的时候赔了多少。这些事实分别躺在订单系统、运输系统和索赔台账里，没有一样属于机器人厂商。它们属于你。于是集成的负担落在墙的这一侧，而且是以数据工程任务的形式落下来的，不是运营任务。这是成本第一次被转移，转移得很安静，因为试点合同里写的是一个机器人。
把两个试点客群按字面读。品牌自营的 B2C 业务，有自己说了算的仓储系统，也有一个能跟仓储系统打通的订单系统，所以它造得出结果标签。共享履约节点里的中小商家通常造不出。它的订单从电商平台接口进来，退货从另一条管道回来，它能看见的结果字段只有送到了和没送到。这个商家最终会跑在厂商的默认标签集上，而那套标签编码的是别人对一次好的拣选的定义。成本不是以账单形式到达这个商家的，是以定义的形式。
点名的两个品类是线索。美妆和医药有三个共同点：单件价值高，SKU 数量相对于单 SKU 销量极高，而且失败不是补发一次就能修好的。摔了一瓶精华就是核销，拣错一支药就是可追溯性问题。对厂商来说选这两类是理性的，因为一次正确拣选的价值足够覆盖错误率。这个选择同时决定了模型学到什么，而这件事要到后面才显形。
把时间表当成数据采集计划读，而不是产品路线图。2026 年三个环节，补货上架、拣选、打包，落在 B2C 和中小 B 电商仓库；2027 年才进快递网点。每个阶段的存在意义是产出一份样本分布，而分布才是产品。对进口商来说，第一感受不会是过道里多了台机器，而是货落地的那个仓库开始问你一批新问题：外箱尺寸要准到厘米、条码要贴在每一面都能读到的位置、箱内件数要跟主数据一致。这些问题在机械变化之前就到了，通常在试点头几周，它们才是你已经进入样本范围的先行指标。
有两件事报道没讲，而它们都会改变你该怎么读一份试点结果。
一个能在任务失败前触发重规划的校正器，对你的数字做了一件很具体的事：它把失败转换成了延迟。错误率下降，节拍方差上升。如果你的仓储服务协议是按拣选准确率写的，看板会变好看，而你的截单达成率会悄悄变差，并且没人会把这两件事连起来，因为它们由不同系统上报。你签的是哪个指标，哪个指标就会变好。
另一件是 2027 年快递网点计划里那个没被说破的迁移假设。建立在美妆和医药上的样本库，搬到包裹分拣上并不成立。分拣是高速、单件低值、按目的地键控的，它对一次错分的容忍度，跟一次慢拣完全不同。标签的结构可以搬，分布搬不了。当有人说这个模型学会了仓储，你要问是哪个仓，并且要它给出你实际在出的那个品类的错误率。
下面这一段里的所有数字都是我的假设，不是公告里的数字。取一个试点仓，日订单行两万。假设 3% 的订单行出错且当前没有被记录，就是 600 行。假设其中一半被救回来，每次代价是八分钟返工加一次客诉接触。300 行乘八分钟，2400 分钟，四十个工时，一天。按假设的综合人工成本每小时 45 元，一天 1800 元，按 300 个运营日算约 54 万元。再看账的另一边。假设把仓储系统、订单系统和索赔台账打通到能产出可用的结果标签，需要两名工程师四个月，按假设每人月综合成本 6 万元计是 48 万元，还没算数据清洗。第一年基本打平。钱在第二年，因为同一条管道给第二个环节打标时不需要重建。
让结论翻转的条件不是手有多巧，是你的异常数据里有没有挂着成本。如果一次被救回的错和一次干净拣选在你的系统里长得一模一样，你根本没有能力评估这个试点，而默认结局是接受厂商对成功的定义，因为那是唯一带着数字的定义。反过来，如果你的异常已经带原因码和成本字段，这条打标管道买到的是迭代速度而不是洞察，诚实的问法就变成：一天一刷是否胜过你已经在跑的周刷。对不少运营来说，并不胜。
最容易踩的坑，是把这件事当成自动化项目、交给运营经理去带。它是个带机械尾巴的数据项目，而能打通三个系统、能定义一个成本字段的人，不在运营的排班表上。我会要求在第一台机器动之前，墙上先挂一个数：每千订单行的返工分钟数。
↑ 返回核心要点