Cựu CTO Cainiao khởi nghiệp Physical AI: Quantum Dynamics gọi vốn hơn 100 triệu NDT

Từ các mô hình ngôn ngữ lớn (large language models) đến Physical AI, trí tuệ nhân tạo đang bước vào một giai đoạn mới đòi hỏi sự tương tác sâu sắc với thế giới thực.

Gần đây, Quantum Dynamics, công ty thuộc danh mục đầu tư của Yunqi Capital, đã hoàn tất vòng gọi vốn hạt giống với số tiền hơn 100 triệu RMB. Người sáng lập kiêm CEO Sam Li đã có 17 năm làm việc tại Alibaba Group, nơi ông từng giữ chức CTO của Cainiao. Tận dụng kinh nghiệm trong ngành logistics và chuyên môn kỹ thuật AI của đội ngũ, công ty đang theo đuổi phương pháp "ưu tiên kịch bản, sau đó mới đến mô hình nền tảng" — xây dựng một vòng lặp dữ liệu (data flywheel) cho Physical AI thông qua các tình huống kinh doanh thực tế. Mời bạn đọc theo dõi chi tiết trong ấn bản này của Yunqi Partners.

Góc nhìn từ Yunqi Capital:

Chúng tôi nhận thấy cơ hội dài hạn trong lĩnh vực Physical AI và các mô hình thế giới (world models) khi chuyển dịch từ giai đoạn khám phá kỹ thuật sang các kịch bản công nghiệp thực tế. Đường đua này không còn chỉ là cuộc cạnh tranh về khái niệm, mô hình và bản demo — chiến trường đang chuyển dịch sang việc triển khai các kịch bản có giá trị cao, khả năng thực thi có thể mở rộng và liệu các đơn vị tham gia có thể tạo ra một vòng lặp khép kín nơi dữ liệu, mô hình và sản phẩm củng cố lẫn nhau hay không. Logistics cung cấp tần suất tác vụ cao, tín hiệu phản hồi rõ ràng và giá trị thương mại xác định, biến nó thành điểm khởi đầu quan trọng để kiểm chứng năng lực robot, tích lũy dữ liệu thế giới thực và cải thiện khả năng tổng quát hóa của mô hình.

Đội ngũ Quantum Dynamics kết hợp giữa chuyên môn ngành logistics, chiều sâu kỹ thuật AI và kinh nghiệm kinh doanh toàn cầu. Họ có thể bắt đầu từ nhu cầu thực tế của khách hàng và tích hợp sâu rộng các mô hình thế giới, hệ thống robot và việc triển khai kịch bản. Chúng tôi ủng hộ lộ trình tăng trưởng mà đội ngũ đã chọn: bắt đầu với logistics, liên tục trừu tượng hóa các năng lực chung làm nền tảng cho các kịch bản và tác vụ khác nhau, dần dần mở rộng sang nhiều ngành công nghiệp hơn, và cuối cùng là xây dựng một mô hình nền tảng đa năng với khả năng tổng quát hóa xuyên kịch bản cho thế giới vật lý.

Nội dung sau đây được chuyển thể từ 36Kr Hard Tech.

36Kr Hard Tech được biết rằng công ty nền tảng Physical AI - Quantum Dynamics gần đây đã hoàn tất vòng gọi vốn hạt giống hơn 100 triệu RMB, do Yunqi Capital và SenseTime Guoxiang đồng dẫn dắt. Nguồn vốn này chủ yếu sẽ hỗ trợ nghiên cứu và phát triển (R&D) cốt lõi về Physical AI, phát triển nhân tài và mở rộng thị trường toàn cầu — đẩy nhanh quá trình xây dựng toàn diện các hệ thống thông minh cho thế giới vật lý, từ các mô hình nền tảng đến triển khai kịch bản. Multi-Dimensional Capital đã tham gia vào quá trình ươm tạo dự án và hình thành đội ngũ.

Được thành lập vào nửa đầu năm 2026, Quantum Dynamics tập trung vào sự tích hợp sâu sắc giữa AI và thế giới vật lý thực. Công ty phát triển công nghệ hệ thống thông minh đa năng có thể tái sử dụng trên nhiều kịch bản, xây dựng một nền tảng cơ sở Physical AI cho mọi ngành công nghiệp.

Những người sáng lập trong không gian trí tuệ hiện thân (embodied intelligence) hiện nay thuộc nhiều nhóm khác nhau. Một nhóm đến từ nền tảng xe tự lái, với thế mạnh về tích hợp hệ thống và triển khai kỹ thuật. Một nhóm khác xuất thân từ Neo Lab, mang đến những góc nhìn kỹ thuật tiên tiến về trí tuệ hiện thân. Người sáng lập Quantum Dynamics, Sam Li, đại diện cho nhóm thứ ba — ông từng làm việc sâu trong các kịch bản thương mại hóa logistics, kết hợp sự hiểu biết về kỹ thuật AI với kinh nghiệm vận hành kinh doanh toàn cầu.

Người sáng lập kiêm CEO của công ty, Sam Li, đã có 17 năm làm việc tại Alibaba Group, xây dựng và vận hành các hệ thống từ 0 đến 1 trên Taobao, Tmall, Cainiao, mảng kinh doanh quốc tế và xe giao hàng tự hành. Ông từng giữ chức CTO của Cainiao Group và CTO của Alibaba International Digital Commerce, quản lý hàng ngàn nhân viên R&D trên toàn cầu. Ông cũng đồng thời giữ chức Tổng giám đốc của Cainiao Autonomous Vehicles, giám sát việc R&D và thương mại hóa công nghệ xe tự lái. Đội ngũ của ông đã thực hiện tích hợp kinh doanh sâu rộng với hệ thống bưu chính tại 200 quốc gia trên thế giới, tích lũy kinh nghiệm thực tế về chuỗi cung ứng logistics toàn cầu.

Đội ngũ cốt lõi bao quát tất cả các khâu quan trọng từ nghiên cứu tiên phong, phát triển mô hình, kỹ thuật phần cứng đến triển khai thương mại toàn cầu — sở hữu khả năng khép kín hoàn chỉnh từ đột phá kỹ thuật đến cung cấp giá trị. DNA lai này của đội ngũ đã dẫn dắt Quantum Dynamics chọn một con đường khác biệt ngay từ khi thành lập.

"Chúng tôi không cần đợi một mô hình tổng quát hoàn hảo mới tìm kiếm kịch bản. Thay vào đó, chúng tôi xác định các điểm khởi đầu nơi công nghệ hiện tại có thể chuyển đổi thành giá trị khách hàng và đưa việc thương mại hóa vào vận hành trước," Sam Li, người sáng lập kiêm CEO của Quantum Dynamics cho biết.

Trên thực tế, năm nay lĩnh vực trí tuệ hiện thân đang trải qua một sự chuyển dịch tập thể từ "trình diễn kỹ xảo" sang "giải quyết công việc". Tại WAIC 2026 vừa kết thúc, các gian hàng demo với robot lộn nhào và nhảy múa vẫn thu hút sự chú ý, nhưng điều thu hút đám đông hơn cả là các màn trình diễn trực tiếp đưa các nhà máy ô tô và dây chuyền phân loại logistics trực tiếp vào không gian triển lãm.

Sự đồng thuận trong ngành đang hình thành: Physical AI đã trở thành chiến trường lớn tiếp theo sau các mô hình ngôn ngữ lớn, và yếu tố quyết định cạnh tranh đang chuyển dịch từ quy mô tham số mô hình sang độ sâu của dữ liệu thế giới thực.

Dữ liệu báo cáo của IDC cho thấy vào năm 2025, chi tiêu của người dùng cho robot trí tuệ hiện thân tại Trung Quốc dự kiến sẽ vượt 1,4 tỷ USD và tăng vọt lên 77 tỷ USD vào năm 2030 — với tốc độ tăng trưởng kép hàng năm là 94%. Dòng tiền đổ vào càng nhanh, một vấn đề cấu trúc càng trở nên nổi cộm: dữ liệu thế giới vật lý không thể thu thập hàng loạt thông qua quét web (web crawling) như văn bản và hình ảnh.

Điều này có nghĩa là ai đạt được việc triển khai máy móc thực tế trên quy mô lớn trước sẽ giành được ưu thế trong việc thu thập dữ liệu. Đây là logic nền tảng của Quantum Dynamics khi gia nhập ngành: trước tiên thâm nhập vào các kho logistics, tích lũy dữ liệu thế giới thực độc quyền thông qua việc triển khai máy móc thực tế, sau đó sử dụng dữ liệu đó để tinh chỉnh mô hình hành động thế giới (world action model) nền tảng.

Trong một nhà kho quy mô trung bình, một robot nhặt hàng hoàn thành hàng chục ngàn thao tác gắp, đặt, quét và dán nhãn mỗi ngày — bao phủ gần như tất cả các loại hình vận hành vật lý từ hộp cứng đến gói hàng mềm, từ kích thước tiêu chuẩn đến các SKU không đồng nhất. Mỗi thành công hay thất bại đều là một tín hiệu rõ ràng không cần con người chú thích. Đây là những khâu có khoảng trống lao động lớn nhất và tỷ lệ chi phí nhân lực cao nhất trong mạng lưới logistics, đồng thời là những bài toán khó mà tự động hóa truyền thống từ lâu đã không thể giải quyết — chính là nơi các giải pháp dựa trên mô hình có thể đạt được quy mô đột phá.

Về hiệu quả thu thập và sử dụng dữ liệu, Quantum Dynamics đã xây dựng một hệ thống dữ liệu khép kín. Các thuật toán nhẹ chạy trên thân robot có thể xác định các phân đoạn dữ liệu giá trị cao trong thời gian thực — bao gồm các kịch bản đòi hỏi sự can thiệp của con người, các trạng thái "gần thất bại" với độ tin cậy dự đoán của mô hình thấp và các trường hợp khó mà những lần thử lại vẫn không thành công. Dữ liệu này được tự động gắn nhãn, truyền về và đưa vào các quy trình huấn luyện.

Trong khi đó, đối với các phần đòi hỏi sự can thiệp của con người, nền tảng thuật toán chỉ trích xuất các phân đoạn có giá trị học tập cao nhất từ các thao tác can thiệp, lọc bỏ các phần dư thừa để đảm bảo mỗi khung hình đưa vào tập huấn luyện đều đóng góp thông tin hiệu quả.

Cơ chế này mang lại cho quy trình dữ liệu của Quantum Dynamics hai đặc điểm nổi bật. Thứ nhất, hiệu ứng quy mô: mỗi nhà kho được triển khai thêm sẽ bổ sung một nguồn dữ liệu mới. Thứ hai, sản xuất dữ liệu độc quyền — khi độ sâu dữ liệu tăng lên, khả năng tổng quát hóa và tỷ lệ thành công của mô hình được cải thiện, giúp giảm chi phí và chu kỳ để tiếp nhận khách hàng và kịch bản mới.

Khi dữ liệu kịch bản thực tế đạt đến mật độ đủ lớn, nó cung cấp các điều kiện thực tế cho mô hình nền tảng do Quantum Dynamics tự phát triển. Mục tiêu không phải là một mô hình đơn năng, mà là một hệ thống trí tuệ hiện thân hoàn chỉnh liên tục tiến hóa từ việc triển khai thực tế. Nền tảng hệ thống này bao gồm sáu mô-đun kỹ thuật phối hợp với nhau, bao phủ toàn bộ hệ thống Physical AI từ thu thập dữ liệu, cập nhật mô hình đến sự tiến hóa cộng tác theo bầy đàn — để được kiểm chứng và tinh chỉnh thông qua các kịch bản công nghiệp thực tế ngoại tuyến.

Đầu tiên là Mô hình Hành động Thế giới (World-Action Model) mang tính bản địa của trí tuệ hiện thân. Khác với các mô hình dự đoán video thông thường, nó mô hình hóa đồng thời thị giác, hành động, trạng thái cơ thể và tín hiệu xúc giác — cho phép mô hình học được "một thao tác thay đổi thế giới vật lý như thế nào" trong khi vẫn đáp ứng các yêu cầu kỹ thuật về điều khiển robot thời gian thực.

Đồng thời, dựa trên hệ thống vòng lặp dữ liệu khép kín đã thiết lập của Quantum Dynamics, sử dụng dữ liệu thao tác máy thực tế và dữ liệu thao tác của con người làm đầu vào chính, các nhật ký kịch bản logistics thô có thể được tự động xử lý thành các mẫu huấn luyện giá trị cao mang theo các giai đoạn tác vụ, nguyên nhân thất bại, hành động phục hồi và kết quả kinh doanh — hỗ trợ truy xuất theo giây, làm sạch và gắn nhãn tự động, và lặp lại mô hình hàng ngày. Kết hợp với các cơ chế Human-in-the-Loop (HITL), hệ thống có thể xác định thời điểm can thiệp tối ưu của con người cho robot và chuyển đổi mỗi lần can thiệp thành dữ liệu huấn luyện, liên tục tăng số lượng robot mà một người có thể quản lý.

Ở cấp độ thực thi, hệ thống triển khai một bộ hiệu chỉnh mô hình thế giới (World Model Corrector) nhẹ để giám sát thời gian thực độ lệch thực thi hành động, kích hoạt hiệu chỉnh, lập kế hoạch lại và thử lại trước khi vận hành thất bại — cải thiện tỷ lệ thành công của tác vụ trong các kịch bản thực tế. Đối mặt với khách hàng và nhà kho mới, hệ thống không cần huấn luyện lại toàn bộ trọng số mô hình; thông qua Test-Time Training, few-shot demonstration và tái sử dụng kinh nghiệm lịch sử, robot nhanh chóng thích nghi với các thay đổi về hàng hóa, kệ hàng, ánh sáng và quy trình làm việc.

Cuối cùng, tất cả các robot hiện thân tạo thành một bầy đàn liên tục học hỏi và tự tiến hóa. Kinh nghiệm về thành công, thất bại, can thiệp và phục hồi của mỗi thiết bị trải qua nhiều quy trình học tăng cường ngoại tuyến (offline reinforcement learning), tối ưu hóa ưu tiên, huấn luyện mô phỏng và kiểm chứng trên máy thực tế — liên tục cập nhật trên toàn bộ đội xe.

Quantum Dynamics chia lộ trình triển khai thành hai giai đoạn. Năm 2026, công ty sẽ tập trung vào các kho hàng B2C và thương mại điện tử vừa và nhỏ, nhắm vào ba quy trình thâm dụng lao động: bổ sung và xếp hàng lên kệ, nhặt hàng và đóng gói bưu kiện. Công ty sẽ ưu tiên triển khai trong các môi trường kho bãi với các SKU thường xuyên như mỹ phẩm và dược phẩm, sử dụng các mô hình sản xuất hỗn hợp cộng tác người-máy để thí điểm quy mô. Đến năm 2027, ranh giới kinh doanh sẽ mở rộng sang các điểm chuyển phát nhanh phức tạp, theo lộ trình mở rộng từ "kho vận logistics sang dây chuyền sản xuất công nghiệp, kệ bán lẻ, phân loại dược phẩm, đến dịch vụ thương mại và cuối cùng là vào các dịch vụ gia đình và đời sống" — mở rộng ranh giới kịch bản của Physical AI.

Cuộc cạnh tranh Physical AI chưa bao giờ chỉ là về sự ấn tượng của các bản demo kỹ thuật, mà là liệu robot có thể hoàn thành các tác vụ một cách ổn định trong thế giới thực hay không. Quantum Dynamics đã chọn một con đường không hào nhoáng: trước tiên đưa hàng ngàn robot vận hành trong các nhà kho. Điều công ty muốn chứng minh không chỉ là khả năng tồn tại thương mại của một doanh nghiệp, mà là tính khả thi về lộ trình của Physical AI theo hướng "thâm nhập kịch bản dọc, dần dần tiến tới tính tổng quát".

Nội dung sau đây là trích đoạn đã biên tập từ cuộc phỏng vấn của 36Kr Hard Tech với Sam Li, người sáng lập kiêm CEO của Quantum Dynamics:

36Kr Hard Tech: Quantum Dynamics đã chọn các kho logistics làm sân chơi huấn luyện tự nhiên, xây dựng vòng lặp dữ liệu thông qua triển khai máy thực tế — thâm nhập kịch bản trước, sau đó mới tinh chỉnh các mô hình nền tảng. Ông có thể phân tích dòng thời gian và logic đánh đổi của chiến lược từng bước "ưu tiên kịch bản, sau đó mới đến nền tảng" này không? Con đường này có thể tạo ra những lợi thế cạnh tranh (moats) khác biệt nào trong dài hạn?

Sam Li: Đội ngũ của chúng tôi đã làm việc trong ngành logistics nhiều năm. Chúng tôi hiểu cả ranh giới kỹ thuật hiện tại của trí tuệ hiện thân và môi trường vận hành thực tế rộng lớn, phức tạp của logistics. Dựa trên năng lực kỹ thuật hiện tại, chúng tôi đã tìm ra một lộ trình triển khai thực dụng hơn: dựa vào các giải pháp hậu huấn luyện (post-training), chúng tôi có thể đạt được việc triển khai thương mại quy mô lớn trong một số kịch bản kho bãi trước.

Lợi ích trực tiếp nhất là tạo ra doanh thu trong khi liên tục tích lũy dữ liệu máy thực tế độc quyền. Dữ liệu này hoàn toàn phù hợp với phân phối của thế giới vật lý thực — không chỉ là các quỹ đạo gắp thành công tiêu chuẩn, mà còn là các mẫu âm tính (negative samples) phong phú về độ lệch khi gắp và thất bại khi vận hành. Sự phong phú và tính xác thực của nó vượt xa các tập dữ liệu mô phỏng và bắt chuyển động (motion capture). Với cùng một kiến trúc mô hình, dữ liệu vận hành thực tế chất lượng cao hơn đương nhiên tạo ra khoảng cách về khả năng tổng quát hóa.

Về lâu dài, cạnh tranh trong lĩnh vực này cuối cùng sẽ tập trung vào hiệu quả thu thập dữ liệu và chi phí dữ liệu trên mỗi đơn vị. Ai có thể liên tục sản xuất dữ liệu máy thực tế khổng lồ với chi phí thấp hơn sẽ thiết lập lợi thế vững chắc. Logic này tương tự như Claude và Tesla FSD: quy mô điểm cuối (endpoint) được triển khai càng lớn thì càng tích lũy được nhiều dữ liệu tương tác và lái xe, đồng thời hiệu suất tổng thể càng mạnh mẽ sau khi toàn bộ đội xe lặp lại và tối ưu hóa thông qua học tăng cường. Việc triển khai robot kho bãi quy mô lớn của chúng tôi chính là nhằm mở ra vòng lặp khép kín hoàn chỉnh của việc hậu huấn luyện RL trên máy thực tế và sự tiến hóa liên tục của toàn bộ đội xe.

36Kr Hard Tech: Quantum Dynamics có kế hoạch dần dần mở rộng từ kho thương mại điện tử sang các kịch bản đa dạng, nhưng các môi trường khác nhau có logic tương tác vật lý và các ràng buộc vận hành rất khác nhau. Đội ngũ sẽ chắt lọc những năng lực nguyên tử (atomic capabilities) chung nào từ dữ liệu logistics để hỗ trợ chuyển đổi xuyên kịch bản? Đối với các kịch bản phi tiêu chuẩn, có tính thương mại yếu hơn như gia đình và chăm sóc người cao tuổi, những khó khăn cốt lõi nào vẫn còn đối với các mô hình hiện tại và các khung thích nghi few-shot?

Sam Li: Chúng tôi đã xây dựng ba lộ trình tiến hóa theo lớp, tất cả đều dựa vào các kịch bản kho bãi để tích lũy năng lực, sau đó tái sử dụng và mở rộng trực tiếp sang các kịch bản mới khác nhau.

Ở cấp độ thao tác di động, chúng tôi tuân theo nhịp độ tinh chỉnh dần dần: trước tiên triển khai các giải pháp cánh tay robot cố định để bàn, sau đó đạt được các thao tác tĩnh của robot hình người, tiếp theo chinh phục thao tác di động phối hợp toàn thân, và cuối cùng đạt được các thao tác động ổn định trong môi trường có dòng người qua lại.

Đối với độ chính xác của thao tác, chúng tôi liên tục lặp lại các tiêu chuẩn điều khiển theo từng lớp, bắt đầu từ độ chính xác gắp cơ bản và dần dần tinh chỉnh đến mức milimet, cuối cùng tiến tới thao tác tinh vi dưới milimet.