逆矩阵科技获超亿美元融资，通用世界基座模型发展潜力几何？

1. 逆矩阵科技融资情况

2026年以来，一级市场对世界模型的抢筹进入白热化，资金高度向头部玩家集中，逆矩阵科技（Physis）接连完成多轮融资。36氪智能涌现独家获悉，逆矩阵科技已完成超亿美元种子++轮融资；此前3月，刚完成超千万美元首轮融资。本轮由经纬创投、五源资本、光合创投等机构共同参与，并获蚂蚁集团战略投资，老股东高瓴创投、燕缘创投持续加注。

2. 通用世界基座模型发布与计划

在本轮融资落定前后，逆矩阵发布了通用世界基座模型Physis - v0.1，概括为“One For All”的通用物理世界应用。该模型主打物理正确、长程一致、动作因果、通用泛化四项能力，一次预训练可服务具身智能、工业仿真、游戏物理、科学预测等多类场景。逆矩阵计划于2026年底发布旗舰模型，过程中将放出开源切片和技术报告，本轮资金主要用于通用世界基座模型的预训练研发、规模化训练体系建设。

3. 团队情况

团队由北大青年学者陈博远、吉嘉铭联合创立，一半是青年学者（含奥赛金牌、省市状元与多位顶会论文作者），一半是来自一线科技企业的资深工程人才。他们组成AI - native的扁平化团队，没有层级汇报与季度指标，靠技术判断而非行政命令对齐方向，信奉自由探索、第一性原理与长期主义。

4. 智能涌现与陈博远对话实录

Q1：融资节奏为何这么快？

陈博远表示，这反映了投资人对AI发展第三次范式跃迁的押注。过去十年，AI经历语言模型和视觉生成模型两次跃迁，催生平台级公司，现在第三次跃迁由AI从虚拟世界走向物理世界带来，核心是面向物理空间“预测下一个物理状态”。投资人快速跟进并追加投资基于两点判断：一是“底层统一建模物理规律，上层按需适配不同场景”的基座模型路径成行业共识；二是通用世界基座模型窗口期从三年压缩到十八个月，做通用预训练的团队空间更大，领先的通用基座有数据scaling和算法有效性，构成难以追赶的壁垒。

Q2：融资中投资人问得最多的问题及落地周期共识？

问得最多的是“凭什么相信通用世界基座模型能做成？”以及“团队是否在坚定地做基座模型？”逆矩阵从零开始解决物理预测目标，自研底层架构，内部实验表明，随数据和参数规模增加，状态预测误差持续下降，有类似大语言模型的指数级Scaling潜力。关于落地周期，共识是18 - 24个月内基座模型能力出现标志性阶跃，36个月内在多个真实场景完成实际应用落地，与语言模型从GPT - 3到ChatGPT路径高度吻合，届时垂类场景将成基座模型API调用者，形成类似AWS与SaaS的关系。

Q3：为何当下不引入产业基金投资？

现阶段最需要把“弹药”集中攻克通用世界基座模型的研发与算力门槛，这需长期、专注投入。不急于做商业化，过早把模型绑定垂直场景变现会给自己画边界，退化成“一个场景、一套模型”。相信物理规律通用解存在，基座价值在于跨场景复用，不急于变现不意味着不重视商业化，现阶段更愿扎实基座物理理解能力，商业化节奏随技术成熟和产业需求自然展开，能力先于商业动作，组织风格保持克制，投资人会为可重复、可扩张的能力买单。

Q4：逆矩阵和智源研究院有关联吗？

智源研究院定位AI领域从0到1的原始创新，逆矩阵聚焦通用世界基座模型的底层探索和商业技术开发，两者都在逼近让人工智能真正理解物理规律的目标。

5. 世界模型相关问题探讨

Q5：世界模型会有自己的Scaling Law吗？

陈博远认为物理世界有自己的Scaling Law，但不能沿用语言模型或视频生成的Scaling Law，直接复制有三个失效原因：数据受限，物理交互数据采集与筛选成本高；像素不等于物理，视频中90%信息是视觉冗余；相关性不等于因果性，纯观察学不到物理因果性，需“动作”介入。因此要在“物理隐空间”进行Scale up，包含压缩、因果性、验证、通用四个关键技术判断。

Q6：模型训练中如何设计机制让模型从“主动干预”中学习及引入的奖惩机制？

物理世界规律产生于交互，从零设计模型架构，在底层物理隐空间原生引入动作，将动作作为条件信号注入调制下一个物理状态预测过程，实现从相关性到因果性的跃迁。在强化学习中构建自动化物理验证沙盒，因为物理天然可验证。

Q7：逆矩阵“W0 - W5世界模型能力分级”情况及“机器人打鸡蛋”时模型层级？

这分类对标自动驾驶的L0 - L5，当前大部分模型处于W0 - W1，逆矩阵正在攻克W1到W2的跃迁，W2代表模型真正具备基座模型潜力，解决“物理真实性”问题，理解因果关系。仅让机器人“打鸡蛋”，垂类训练能做到，但可能不懂通用物理，衡量基座模型好坏核心在于“动作跟随性”和泛化能力。

Q8：模型攀登中最核心的瓶颈是算力、数据还是算法？

陈博远认为三者都重要，若只能选一个，是数据和算法背后反映的“范式”，三者统一于底层范式变革。数据层面构建数据金字塔；算力层面关键是算力效率；算法层面强化学习提供物理教师，引入自动化验证。

Q9：如何解决GPU昂贵、资源紧缺和真实物理交互数据稀缺昂贵的困境？

主要通过数据合作与重构数据获取范式解决。数据合作方面，与公司建立上下游合作关系获真机数据支持。更关键是明确学习的数据，构建数据金字塔，L1层筛选高质量真实世界视频学习物理状态；L2层通过第一人称视角视频与仿真引擎数据学习动作导致的状态转移；L3层通过自建数据生产闭环构建极端边缘状态，筛选强物理突变数据。

6. 场景落地问题

Q10：年底旗舰模型先切入哪些垂直场景？

定位“先通用再适配”，底层基座通过拼接不同可插拔解码器服务各场景。一年内不着急做垂类模型，旗舰模型成熟后优先在具身智能、工业仿真等场景验证与落地，年底发布的模型重点展示在未见过物理场景中的预测能力，成为物理世界基础设施提供者。

Q11：W2和W3阶段，世界模型相比传统引擎的提升及关系？

短期是互补，长期是颠覆。传统引擎依赖手写规则，对刚体预测准，但在柔性物体复杂交互上是盲区。世界模型通过交互学习物理因果性，有天然支持复杂物理交互、极强泛化性、极高效率三大优势，当模型迈向W3，机器将从“执行规则”变为“理解规律、自主推演”。

Q12：平时玩游戏情况及游戏物理交互印象和大模型自主推演问题？

陈博远认为《荒野大镖客》《黑神话：悟空》等开放世界与动作游戏视觉渲染与底层物理交互逼真，但依赖大量手写物理规则和响应代码，反映世界模型颠覆性价值。引入真正理解物理规律的通用基座模型，像《塞尔达》里复杂元素叠加交互效果可自然涌现，基座模型代替手写代码实现机器自主推演，结合三维渲染可实现对现有物理引擎的巨大互补甚至颠覆。

7. 公司组织架构与团队问题

Q13：为何搭建扁平化团队及如何确保执行力和交付效率？

可从AI - Native、扁平化与高效机制三个层面回答。AI - Native意味着用AI重塑工作流，员工配备代码智能体，新员工入职学用AI提效工具，同事间可互相访问Agent了解工作进展，降低沟通摩擦。无KPI与高度扁平化是因为通用世界基座模型是前沿探索领域，强加KPI和部门墙会成创新负担。依靠方向高度对齐、信息衰减少、认结果三点保持高效。

Q14：团队工作氛围及直觉和经验不同时如何平衡？

团队像探索无人区的“快艇”，人才密度高、跨界背景是核心特征。团队成员背景多样，过往经验是垫脚石，但要防止成技术突破绊脚石。

Q15：融资后团队组织形态会改变吗及如何留住顶尖人才？

面对大厂竞争，定位与大厂不同，大厂在应用层针对特定本体优化，逆矩阵做底层通用基础设施。大厂像远洋货轮，难转向，逆矩阵像快艇，能快速原始探索，需要精英团队形态和高人才密度。留住顶尖人才靠自由的环境、共同的理想以及前沿研究到产业落地链路完整，研究能推动产业变化。

Q16：过去一年个人最深刻的认知重塑是什么？

最大的认知重塑有两点：一是“物理的通用性”从抽象命题在工程实验中变成可验证事实，看到模型泛化能力确信路径走通；二是真正的底层创新靠一群有技术品味的人相互碰撞、修偏纠错，不能被短期商业焦虑驱动，把底层技术做透，生态和成果自然水到渠成。