逆矩阵科技融资超亿美元：当AI开始”预测下一个物理状态”，谁在押注这场从数字世界到真实世界的范式跃迁？

当大语言模型的参数竞赛渐趋白热化，当视频生成模型的视觉幻觉仍无法跨越”看起来真实”与”物理上正确”的鸿沟，一个更根本的问题正在浮出水面：AI究竟何时才能真正理解引力、摩擦力、碰撞与因果？2026年6月，一家成立仅一年有余的公司给出了自己的回答——逆矩阵科技（Physis）宣布完成超亿美元种子++轮融资，同期发布了全球首个通用世界基座模型”悟界·Physis-v0.1″。在”物理AI元年”的市场叙事下，这笔融资不仅是一家初创公司的资本里程碑，更是整个行业对”AI能否理解物理世界”这一命题投下的信任票。

种子轮破亿美元：一个不寻常的估值信号

从融资节奏来看，逆矩阵科技的资本化路径堪称”加速度”典范。据36氪智能涌现独家报道，逆矩阵2025年成立，2026年3月刚刚完成超千万美元首轮融资，仅不到两个月便以”种子++轮”的名义锁定超亿美元的弹药——两轮融资间隔之短、金额跃升之大，在中国AI创投史上极为罕见。”种子++”这一略显罕见的轮次命名本身就值得玩味——它既暗示公司尚处于产品验证的早期阶段，又以超常规的融资金额宣告了投资人对其技术路线和团队实力的高度认可。

超亿美元的种子轮在全球AI创投史上都不算寻常，更何况发生在一家尚在发布v0.1版本产品的公司身上。这折射出一个关键信号：在2026年的中国AI投资市场，资本不再仅仅为”已跑通PMF（产品-市场匹配）”的公司买单，更愿意为”第一性原理的技术原创性”押注远期价值。陈博远在接受36氪采访时将这种融资速度归因于”投资人对AI发展第三次范式跃迁的押注”——继语言模型（预测下一个词）和视觉生成模型（预测下一帧）之后，物理世界的”预测下一个物理状态”正在成为第三次跃迁的核心范式，而通用世界基座模型的窗口期正从三年压缩到十八个月。

从投资方阵容来看，这笔融资的含金量不在于某一家领投方的一锤定音，而在于多家头部基金的集体行动。经纬创投、五源资本、BAI资本均是中国早期AI投资的核心玩家，它们同时出现在一张融资表上，本身就构成了一种市场信号的放大器。

蚂蚁集团战略入局：产业资本的物理AI棋局

在一众财务投资人中，蚂蚁集团以战略投资者身份入局尤其值得关注。战略投资与财务投资的本质区别在于：前者不仅追求资本回报，更寻求技术协同与业务整合的可能性。蚂蚁集团近年来在AI领域的布局日趋激进，从大模型到具身智能，其投资版图正在从”数字金融”向”物理世界”延伸。

对于逆矩阵而言，蚂蚁的入局意味着什么？最直接的是算力与数据的潜在加持。世界模型的预训练对计算资源的消耗极为惊人，而蚂蚁作为中国最大的金融科技平台之一，拥有的不仅是资金，更有云计算基础设施和海量的真实世界数据。从长远来看，蚂蚁在物流、供应链金融、风控仿真等场景中积累的物理世界交互数据，有可能成为喂养世界模型的高质量”燃料”。

值得注意的是，吉嘉铭此前即获得过蚂蚁Intech奖学金，这意味着蚂蚁对团队核心成员的学术能力有着长期的观察和认知，此番战略投资更像是一次”加码已验证的认知”而非盲目押注。老股东高瓴创投和燕缘创投的”持续超额加注”则进一步印证了内部人对项目进展的信心——在创投市场中，老股东的超额跟投往往比新投资人的进入更具说服力，因为它代表着”知情者”的判断。

北大青年学者的创业叙事：学术原创力如何兑现为商业势能

逆矩阵科技的创始人组合构成了一个颇具戏剧性的学术创业样本。CEO陈博远毕业于北京大学元培学院人工智能方向，本科期间即在NeurIPS、ACL等国际顶级会议发表多篇论文并获口头报告、亮点论文等荣誉，Google Scholar引用超2300次，还曾获得北大学生最高荣誉——五四奖章。联合创始人吉嘉铭是极少数同时获得苹果、腾讯、蚂蚁三家顶级科技企业认可的青年研究者，2025年Apple Scholar获得者，Google Scholar引用超过6000次。

更具标志性意义的是，两人作为当届唯一纯华人高校团队斩获了ACL 2025最佳论文奖。获奖论文《Language Models Resist Alignment: Evidence From Data Compression》从压缩理论视角揭示了大模型在对齐训练中存在的”抵抗对齐”与”回弹”机制，为理解大模型安全性的本质提供了独到的理论框架。这项工作由北京大学人工智能研究院杨耀东课题组完成，也体现了中国学术界在AI基础理论层面的原创突破力。

两位创始人均获评”2025年北京大学学生年度人物”，这在北大校史上极为罕见。从学术到创业，他们的转身并非偶然——其长期深耕的世界模型与强化学习研究方向，恰好处于物理AI浪潮的技术核心。某种程度上，逆矩阵科技是学术积累与产业时机精准共振的产物。

团队的整体学术底蕴同样不容小觑。核心成员来自国内外顶尖高校及头部科技企业，累计在NeurIPS、ICML、ICLR、ACL等国际顶级AI会议发表论文80余篇；核心成员主导的开源项目在GitHub获星超2万，模型下载量突破500万次。这些数据勾勒出一支兼具前沿研究能力与大规模工程落地经验的技术队伍。

悟界·Physis-v0.1：重新定义”世界模型”的技术野心

6月12日，在第八届北京智源大会上，逆矩阵正式发布了全球首个通用世界基座模型”悟界·Physis-v0.1″。这一发布时间点颇为讲究——紧贴融资消息，在中国AI研究界最高规格的学术会议上亮相，意在同时完成资本叙事与技术叙事的双重锚定。

理解悟界的核心创新，需要先理解当前世界模型领域的痛点。现有的所谓”世界模型”大多脱胎于两条路径：要么是大语言模型的延伸，试图用文本逻辑来推演物理规律；要么是视频生成模型的变体，擅长”看起来像”但无法保证”物理上对”。两条路径的共同问题在于——它们本质上都没有真正学习物理规律，而只是在统计分布上逼近表面现象。

逆矩阵选择了第三条路：预测下一个物理状态（Next Physical State Prediction）。这一范式的核心思想是，与其让模型预测”下一个像素”或”下一个token”，不如让它直接预测”下一个物理状态”——包括物体的位置、速度、受力关系以及它们在时间序列上的演化。围绕这一理念，悟界构建了”压缩—动作因果—强化学习验证—通用泛化”的技术闭环。

具体而言，”压缩”指的是将高维的物理世界信息编码为紧凑的隐空间表示，剥离纹理、光照等视觉冗余，只保留力、速度等抽象物理表征；”动作因果”意味着将动作原子原生嵌入隐空间，使模型能够理解”做了什么”与”发生了什么”之间的因果关系；”强化学习验证”则通过RLVR（可验证信号奖励）等机制在仿真环境中反复试错来检验模型预测的物理正确性，防止穿透、失重等”物理幻觉”；最后的”通用泛化”则追求一次预训练即可服务于多种物理AI场景。

一个关键的技术验证信号来自Scaling Law。陈博远在接受36氪采访时透露，逆矩阵的内部实验表明，随着数据和参数规模增加，状态预测误差持续下降，呈现出类似大语言模型的指数级Scaling潜力，而未出现垂类模型常见的饱和拐点。这一发现如果成立，将是”物理世界存在自己的Scaling Law”这一命题的首个工程级证据——尽管陈博远同时强调，物理的Scaling Law”绝不能沿用语言模型或视频生成的路径”，因为像素不等于物理、相关性不等于因果性。

为解决物理交互数据稀缺这一行业共性难题，逆矩阵构建了独特的“数据金字塔”三层架构：L1层为强物理交互的真实视频（学习世界状态）；L2层为第一人称（Ego-centric）视频与游戏引擎数据（学习动作导致的状态转移）；L3层则是最稀缺也最关键的极端物理突变数据（如玻璃破碎、流体断裂、处于倒塌边缘的物体），通过自建数据生产闭环在仿真环境中主动构建和筛选。陈博远指出，互联网每天产生的海量视频中，可能只有5%包含真实的物理交互，而L3层的稀疏突变数据”对于模型真正掌握真实物理规律具有极高的性价比，是迈向物理正确的最关键一环”。

创始人陈博远的表述精确地捕捉了这一技术路线的战略意图：”通用世界基座模型之于物理AI，正如大语言模型之于信息AI。当AI真正学会在物理世界中’交互’与’验证’，它才能从看见世界走向理解世界。”这句话揭示了逆矩阵最深层的雄心——它不只是要做一个好用的世界模型产品，而是要成为物理AI时代的”GPT-3时刻”，提供一个底层范式的迁移。

竞争格局：物理AI赛道的”战国时代”

逆矩阵所处的赛道远非蓝海。2026年上半年，中国AI创投市场的资金正以前所未有的速度涌入世界模型与具身智能领域。一季度AI初创企业融资额超1100亿元人民币，同比增长近三倍。极佳视界一个月内连续完成两轮合计25亿元融资，大晓机器人成立半年即完成多轮数亿美元融资，Manifold AI成立一年完成六轮融资——赛道的拥挤程度可见一斑。

但逆矩阵的差异化定位值得关注。多数竞争对手选择在具身智能的某一垂直场景（如机器人操控、自动驾驶仿真）中深耕，走的是”一个场景、一套模型”的路径。逆矩阵则从Day 1就选择了更底层的赛道——建设通用世界模型基座，追求”One For All”的通用性。这种选择的风险与回报成正比：如果成功，它将成为物理AI的”基础设施提供商”，享受平台级的网络效应；如果失败，高度通用的基座模型可能因为在每个垂直场景都不够专精而腹背受敌。

智源研究院的深度参与为逆矩阵提供了一层独特的护城河。作为智源的孵化团队，逆矩阵不仅获得了学术资源的加持，更重要的是，智源近期专门设立了”行为世界模型创新中心”，由陈博远担任负责人。这种建制化的研究支撑在中国AI生态中极为稀缺——它意味着逆矩阵在学术前沿的探索可以获得国家级研究机构的系统性支持，同时也在一定程度上将团队的学术影响力转化为行业标准的话语权。

从具身智能到可控核聚变：世界模型的场景想象力

逆矩阵对世界模型的应用想象力远超当前具身智能的单一场景。在他们的叙事中，世界模型的价值不止于让机器人更聪明地搬运物体，而在于沉淀物理世界中跨场景共享的底层规律——从工业仿真到自动驾驶，从航空航天到可控核聚变，所有面临”信息不完备”和”试错成本高昂”的物理世界场景，都是世界模型的潜在市场。

这一叙事背后有着清晰的产品架构支撑。据陈博远透露，逆矩阵采用“可插拔解码器”的模块化架构——底层共享同一个通用基座模型，上层通过拼接不同的解码器适配各类场景：视频解码器用于游戏渲染，运动解码器用于工业数字孪生，动作解码器用于具身智能控制。这一设计使得”一次预训练，多场景复用”从愿景变为具体的工程路径。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，届时”各个垂类场景将直接成为基座模型API的调用者，形成类似AWS与SaaS的关系”。

对于现实跑通一次经济成本巨大的场景，世界模型具有独特的价值优势。商业火箭每发射一次耗资数亿，可控核聚变的每一次实验都可能耗费天文数字的资源——如果一个足够精确的世界模型能够在虚拟环境中完成全模态预演，将极大降低真实验证的成本。陈博远还提出了一个颇具野心的判断：世界模型对传统物理引擎（如Unity、Unreal）”短期互补，长期颠覆”——传统引擎依赖手写规则，对刚体预测较准但在柔性物体、流体等复杂交互上是盲区；而世界模型具有极强泛化性（”一句话即可生成千万级真实物理场景”）和秒级状态预测效率。

更现实的落地路径可能是具身智能和工业仿真。机器人要在真实环境中行动，必须具备对物理状态的理解、预测和规划能力——这恰恰是世界模型最直接的用武之地。陈博远明确表示，世界基座模型的能力在18-24个月内将出现标志性阶跃，36个月内能在多个真实场景实现落地——”这与语言模型从GPT-3到ChatGPT的路径高度吻合”。值得注意的是，他同时表达了一种反直觉的战略克制：”我们现在不急于做商业化……过早把模型绑定到某个垂直场景去变现，看上去摘到了眼前的果实，实际上是给自己画了一道边界。”这种”能力先于商业动作”的姿态在烧钱速度惊人的AI行业中颇为少见，也为投资人设定了合理的预期管理节奏。

风险与挑战：通用之路上的暗礁

必须冷静地指出，逆矩阵面临的挑战同样巨大。首先是技术验证的不确定性。”预测下一物理状态”作为一种新范式，其有效性尚未经过大规模的工程验证和场景检验。从v0.1到一个真正可用的通用世界基座模型，中间可能需要数个量级的算力投入和数据积累，而这些资源的获取并非仅靠融资就能解决。

其次是商业化的时间窗口问题。通用基座模型的研发周期长、投入大、回报远期化，这与创投资本对退出时间的期待之间存在天然的张力。虽然超亿美元的融资提供了充足的”弹药”，但如果在18-24个月内无法展示出令人信服的技术跃升，后续融资的难度可能陡增。

此外，人才竞争的烈度不容低估。世界模型与强化学习领域的顶尖人才全球稀缺，而中国市场上数十家同赛道初创公司正在争夺同一批人。团队核心成员的稳定性和持续招募能力，将直接决定逆矩阵能否维持技术领先。

最后是”通用vs.垂直”的路线之争。历史上，平台型公司的成功概率远低于垂直应用型公司，因为前者需要在多个场景中同时证明价值，而后者只需在一个场景中做到极致。逆矩阵选择了难度更高的路径，这需要团队在技术执行、资源配置和市场节奏上展现出超越常规的掌控力。

结语：物理AI的”GPT-3时刻”还有多远？

如果将2023年视为大语言模型的”iPhone时刻”，那么2026年或许是物理AI的”Apple I时刻”——技术已经足够让人兴奋，但距离真正改变世界还有漫长的工程化道路要走。逆矩阵科技的这笔超亿美元融资，与其说是对一家公司的信心投票，不如说是对”AI理解物理世界”这一长期命题的战略下注。

陈博远说：”世界模型是一项面向长期的基础设施。”这句话既是愿景，也是清醒的自我定位。在一个资本追逐短期确定性的市场中，选择做”基础设施”需要非凡的耐心和信念。逆矩阵能否成为物理AI时代的基座级玩家，取决于它能否在接下来的18-36个月中，将”预测下一物理状态”从一个优雅的学术概念，打磨成一个经得起工业级压力测试的技术引擎。当AI真正学会从”看见世界”到”理解世界”的跨越，这场从数字到物理的范式迁移才算真正开始。

标签: 逆矩阵科技, Physis, 世界模型, Physical AI, 具身智能, 经纬创投, 蚂蚁集团, 高瓴创投, 智源研究院