为所有机器人修一条路：一家物理AI公司的“基础设施”野心
1948年，心理学家Edward Tolman在一篇论文《老鼠和人的认知地图》中提出：实验鼠走迷宫靠的不是重复试错，而是在脑中构建了一张空间地图。
2014年，发现“大脑的GPS”的科学家获得诺贝尔奖。横跨数十年的探索，证明了一件事：大脑本身就是地图，大脑的导航不依赖车道线、路标或预设地图，而是靠对空间的理解定位自身、预测变化。
七十多年后，一家中国公司正在尝试让机器也拥有这种能力。
正奇未来做的事，本质上是在造“大脑”。其自研的QUORRA DoorMind世界基座模型，让机器在非结构化的真实生活空间里理解环境、做出决策。终端产品QUORRA X5，是这套模型能力落地的第一个载体。2026年，X5已启动全球量产，拿到全球十多个国家和地区的商业订单。
这家公司此前鲜有人知，但8个月内完成三轮数亿元融资后，低调的节奏被打破——一同浮出水面的，还有一个更大的野心：为所有想在生活空间自由穿行的机器人，修出一条数据之路。
一、一次违反市场直觉的选择
创业第一天，摆在正奇未来创始人吴书林和团队面前的问题很直接：做什么产品？
2024年具身智能赛道正处于狂热期，人形、本体、通用大脑是最重大的叙事。但正奇未来做了一个“另类”的选择，聚焦Door-to-Door（D2D）移动任务，做满足用户刚需的产品。刚接触投资人时，最常被问到的问题是：你们这样的团队，为什么不做人形？刚需产品更像消费电子？你们是不是需要懂关节的人？
答案藏在团队的核心判断中——驱动模型迭代、抵达Physical AI终局的，不是算法架构或者硬件本体，而是真实世界的数据。用户使用产品解决问题的同时，真实数据产生并迭代模型，模型能力不断泛化，让用户的问题被更好地解决。
这来自团队在自动驾驶行业十年的体感。吴书林在华为工作15年，在百度智驾工作了4年，曾经操盘过从0到百亿规模的商业化项目，他们亲眼看到，无论模型架构如何演进，最终决定胜负的永远是真实场景数据的质量和规模。仿真数据和合成数据可以补充边界case，但无法让模型真正逼近通用智能。复杂多样的数据才能让模型泛化真正发生。
一个巨大的数据空白地带出现了。
结构化道路——有车道线、红绿灯、交通标识的公开道路，数据已经被车企和自动驾驶公司覆盖了十年，早已沉淀了数百亿公里的行驶数据。
但另一类空间几乎是空白：非结构化道路，更简单地说，是家附近的生活区。从家出门穿过楼道、电梯、社区、人行道，最终抵达目的地的那段路，没有车道线，没有统一规则，充满人、宠物、外卖车和各种临时障碍物。
更关键的是，这类数据很难模拟或者遥操采集——这样拿到的只是环境信息，不是人类在这些空间中真实的决策和交互行为。
在定义第一代产品早期，正奇未来团队累计做了几千个核心用户调研，去到了许多人的家庭环境中，实地感受用户需求后，定下原则：产品必须做到，从起点到终点全程贯通，围绕D2D做核心研发，还要能够载人——因为载人意味着能直接获取人类的真实操控数据，用户每一次手动操控，都是在教机器如何在这些空间中做决策。
正奇未来团队测试过一个典型场景：一位年迈的老人从家出发去楼下便利店买东西——对人而言，这只是一段简单路程，但对机器人而言，就是一段横跨室内外、充满挑战的路线：
先穿过1.2米宽的楼道，拐角处随时可能有邻居出现；
进入电梯后，金属镜面让AI的视觉定位容易失效；出电梯后进入小区，没有车道线，路上可能有遛狗的人、外卖员、临时停放的快递车；
出了小区大门，进入人行道或非机动车道，行人随时变向，电动车逆行穿插，才能继续寻找便利店。
对机器人来说，这是一次连续穿越全封闭空间（楼道、电梯）、半开放空间（社区、园区）和全开放空间（人行道、非机动车道）的任务。每个单点问题可能都有人做过，真正困难的是让系统把这些场景连续跑通，并处理每一个过渡接缝里corner case中藏着的最具挑战性的技术问题。
在当时，人形机器人绝大多数都进不了电梯，无人配送车还没进入楼道，覆盖不了如此完整的空间链路。而短途出行，是少数用户愿意高频使用、且能自然产生真实操控数据的场景，真正有价值的数据，必须来自真实用户在真实生活中的每一次操控——他们如何避让行人，如何通过窄道，如何在没有规则的路口做出判断、如何凭借过往记忆和场景的判断找到目的地。
这段路产生的数据，完全区别于既往自动驾驶或人形机器人行业多年展业中的历史积累。只有能载人、能进电梯、能上人行道的终端，才能成为这个数据入口。
二、家门口的生活圈，藏着物理AI的终极难题
在传统自动驾驶领域，模型可以站在前人肩膀上迭代。但D2D是一片无人区——没有现成的模型框架开箱即用，也没有公开数据集完美适配。正奇未来从零开始，自研了QUORRA DoorMind世界基座模型。
QUORRA DoorMind能够让机器人在没有锚点的空间里，逐步理解环境、预测变化、做出决策，最终到达目的地。
在下楼去便利店的场景中，QUORRA DoorMind会将问题拆成四个维度来进行解决。
第一是场景建模。QUORRA DoorMind相当于给AI加上“眼睛”和“大脑”——简单说，就是让QUORRA DoorMind能“看懂”环境：哪里有坡、哪里是窄路、哪里能走、哪里不能走。更进一步，它还要能预判变化——比如旁边的人会不会突然冲出来、路口的电动车打算往哪拐。
第二是场景预测和生成。和机动车道相比，生活空间没有通行规则——行人、宠物、儿童、快递车和施工围挡，模型不仅要看见对象，还要预测不同对象的行为，并在舒适性与安全边界内完成让行、绕行、停靠或通过，博弈频度比机动车道高出数个数量级。QUORRA DoorMind能够生成符合物理规律和场景约束的未来变化场景，包括不同导航下的视角视频切换、长时序场景视频生成，覆盖各类高动态、高难度的场景，包括有碰撞风险的场景、极端天气、复杂场景切换和异常行为等。
第三是跨域运行。模型需要支持载人终端在楼道、电梯、社区和开放街道之间连续切换。从开放道路进入园区，需要从有图切换到无图，从规则约束强的场景切换到规则约束弱的场景，在大量真实数据积累的基础上，QUORRA DoorMind通过强大的世界模型仿真和生成能力，进行海量切换时刻的仿真和生成，进而优化模型使其具备跨域的泛化能力。
第四，则是语义理解与规划导航。用户说“去楼下药房”时，系统要理解语义目的地和通行约束，完成柔性避障、礼让和停靠。视觉语言提供了强大的场景理解和世界知识建模能力，在无图和导航信息缺乏的场景，通过视觉语言模块提供了自主导航、寻路、极端场景识别等能力，引导世界模型生成安全、舒适且合规的动作序列，进而到达目标地点。
吴书林对此有一个关键判断：“在结构化道路上，靠规则就能解决大部分问题。但一旦进入人的生活空间——那些非结构化的道路，移动任务必须靠模型来解决。数据越复杂，模型泛化越快。”
这是D2D移动任务与传统智驾在技术路径上的根本分野。
因此，正奇未来并没有用自动驾驶L1-L5来描述QUORRA的自主程度，而是在此基础上增加了另一个维度——场景复杂度：从D1结构化室内、D2多楼层楼宇、D3小区复合域、D4公开道路连接，延伸到D5开放城市D2D移动任务。
Door-to-Door自主移动“双域”技术体系（图片为正奇未来企业供图）
D2D不是沿着传统自动驾驶等级继续往上走，而是同时提高自治能力和场景复杂度。D2D要覆盖的是从楼宇、社区到公开道路乃至开放城市的连续移动，关键能力从单域导航转向跨域空间自治。
产品形态、运动方式、使用场景，甚至面对的博弈对象和博弈频度也完全不同，因此，这不是把L4缩小，而是从问题的根本定义上，就已经分化成一个新问题。
QUORRA DoorMind是正奇未来长期的核心资产。硬件可以代工，但一个在百万公里真实D2D移动任务数据中训练出来的世界基座模型，后来者很难用融一笔钱的方式跨越。
三、“把大象装进冰箱里”
有了模型架构，下一个问题是：谁来解这道题？用什么来训练新一代的基础模型？
正奇未来选择的路线是：模型与产品并行，用产品转动数据飞轮。模型需要数据，数据需要载体。但让这套系统真正运转的前提，是产品能进入千家万户，并要切入用户高频刚需的场景。
做一个跨域运行的载人终端并不容易。“就像把大象装进冰箱。”这是正奇未来团队这两年常用的形容。
传统智驾解决的是3.5米宽车道，2米宽车身的车问题；正奇未来面临的是不足700mm的车身穿过1米宽的门。它选择用短途出行去打市场，恰恰是因为它足够刚需——只有产品卖得多，用户每天都用，数据才能持续回传，飞轮才有可能转起来。
这是正奇未来所有产品决策的底层逻辑：不是技术团队想做什么就做什么，而是用户需求决定数据能不能scale up。
为了达到这个目标，正奇未来在产品上选择了最难的路。
产品要进入家用场景，首先必须足够小。门宽1米，车宽不到700mm，左右各只有10cm间隙。所有传感器、域控、AI算法硬件都要挤进这个极小的“身体”里，同时满足高低温、散热、运行可靠性等量产要求。
“小”只是第一道门槛。真正的难题是：这台不到700mm宽的载具，要在没有铺装的野路上跑得稳，在坑洼和减速带上不让用户觉得颠簸，在打滑时不失控。传统汽车底盘的逻辑是出厂标定一组固定参数，适配几种典型路况。
但D2D场景没有“典型路况”——上一秒是平整的小区路面，下一秒就是路沿、坡道或低附着的雨后地砖，路况切换的频率远高于公开道路。
为此，正奇未来自研了QUORRA FLAT运动执行平台，四个轮子互相独立驱动和转向，支持横向移动和原地360度调头。QUORRA DoorMind世界基座模型将对路面环境的理解传递给底盘——激光雷达与视觉预瞄提前识别坑洼、减速带和低附着路面，在车辆到达之前，底盘已调整好悬架和扭矩分配。QUORRA FLAT不靠固定参数标定，而是结合强化学习技术，让底盘控制策略持续自主进化。
对用户而言，坐上QUORRA FLAT最终的产品体验是：复杂路况下更稳更舒适，窄空间中，也可以横移和原地调头。而哪怕打滑急刹或跨越障碍时，底盘仍然安全可控。
但自研底盘不是为了秀肌肉，而是因为市面上没有能跨域运行的现成方案——如果底盘买得到，飞轮就不用等。正奇未来的原则是：凡是跟用户体验相关的硬件，全部自研。
不过，更多的产品壁垒来自真实场景的积累。
QUORRA X5最初的构想是用户录入地址，机器自动从A点送到B点。但走访了全球近300位目标用户后，团队发现愿意把控制权完全交给机器的用户，只占4%。
“绝大多数人要的不是效率，是安全感。”吴书林回忆，机器在离墙1米的地方才停没有任何问题，0.5米都行；但站在人的角度，离墙1.5米如果机器还没停就已经开始害怕，所以还是希望手里握着控制权。
类似的“想当然”在过去两年里不断出现。只有产品真正进入用户生活场景之后，才会暴露出来。但反过来看，这些场景本身就是壁垒。每一个被发现和解决的问题，都会变成QUORRA DoorMind的经验，成为模型需要学习的“人类解法”。
用户手动操控产品时，系统在影子模式下同步运行，自动比较人类操作和模型输出的差异，把人类通过corner case的路径沉淀为训练样本，产品规模越大，真实博弈样本越丰富。
两年下来，这些真实世界的经验不断进入QUORRA DoorMind，世界模型才越有机会从具体案例中提炼可迁移的物理规律和行为常识。这些靠时间和真实场景的积累而成的壁垒，后来者很难用堆叠算力等方式快速追平。这也正是QUORRA DoorMind从一款产品的配套模型，走向跨品类空间智能底座的起点。
四、在结构化道路之外
总体来说，正奇未来想建立的不是一个单纯的数据闭环，而是一个认知闭环——不是穷举场景，而是从真实数据中提炼物理规律，让模型获得跨场景的推理能力。
这个目标听起来宏大，但正奇未来已经迈出了第一步。从商业化节奏来看，模型、数据再到推动产品增长的“飞轮”，这条路已被初步验证。
从成立开始，公司的原则是“发货即量产”。2024年中下旬，正奇未来正式启动QUORRA X5的研发，8个月后正奇首次参展。目前已拿到来自全球十多个国家和地区的订单。而在即将到来的9月，正奇未来计划全球量产发货。
为了加速这条“数据之路”的构建，正奇未来组建了一个产品和模型并重的团队。80%是研发，模型团队中，80%都是95后——一群来自清华、上交、剑桥、香港理工、华科的年轻博士生，正在挑大梁。
对于一个初创公司而言，当下颇为亮眼的商业化速度，也和市场的共识转向有关。
正奇未来成立时，只有少数人认为数据是具身智能的核心变量。几乎所有人都在问本体、关节、灵巧手——市场的注意力都在以人形为基础的终端上。
但从具身智能分化出本体派、大脑派，再到如今纷繁复杂的世界模型流派，这背后反映的是：行业对“核心壁垒到底是什么”这个问题，已经完成了初步的反复试错。
先有人相信硬件本体是门槛，砸钱做关节、做灵巧手；后来发现本体很快被追平，转向相信“大脑”才是护城河，一批公司开始堆参数、做通用模型；再往后，行业又意识到，脱离真实物理反馈训出来的“大脑”，在真实场景里经常判断失误，于是又转向世界模型，试图让模型先具备对物理规律的预测能力。
从2025至2026年，行业共识发生了180度的转向：所有具身智能公司都开始讲数据。
可以说，过去两年，具身智能行业完成了一轮完整的认知迭代。本体会被追平，算法会被开源，模型架构每隔半年就会被刷新一次——但真实世界的数据不会。它沉淀在每一次用户操控，以及具体场景的博弈里，无法被替代和合成。
正奇未来将数据飞轮分为两个阶段。第一阶段，达到量产，让用户愿意每天用，产生高频率反馈和真实数据积累；第二阶段，让真实数据反哺模型训练——空间理解、交互博弈、语义导航、跨域规划，每一项能力都需要海量真实场景数据喂养。同时模型具备真实世界的仿真生成能力，最终在世界模型的仿真空间进行极端长尾、安全关键、跨域切换等场景的仿真和训练。
这家公司的三年目标是：20万台产品落地，累积百亿公里的真实数据。随着机器人持续部署，QUORRA DoorMind将从真实世界中不断汲取数据、自我进化。它的终局不是一款产品的配套模型，而是下一代物理AI的底层基础设施——一个所有生活空间移动机器人都绕不开的空间智能底座。
“我们的技术路线从第一天起，就没有变过。”吴书林说，“QUORRA X5只是Physical AI进入真实生活空间的首个数据入口。”
一个入口接通一条路，一条路通向一个底座。模型可以迭代，硬件可以追赶，但一条由真实物理世界数据铺就的道路，一旦建成，后来者很难绕过。正奇未来赌的，正是这件事。
图片来源｜企业供图
本文来自微信公众号“智能涌现”，36氪经授权发布。
