逆矩阵 (Physis) 完成数千万元融资：当大模型世界都在卷统计关联，陈博远带队物理世界模型能否叩开具身智能的 W2+ 大门？

过去两年的生成式 AI 狂欢，在本质上是一场关于“统计相关性”的数据战争。无论是生成文本的 GPT 还是生成视频的 Sora，它们都是通过在虚拟的像素和字符空间中寻找概率关联来模拟世界。然而，当人工智能试图从虚拟的比特（Bits）跨越到现实的原子（Atoms）世界——例如让机器人去抓取不同材质的物体、让自动驾驶汽车在物理交规和多变气候下做出因果决策时，单纯的“像素关联模拟”便会因为缺乏真实的物理常识而频频穿帮。

近日，由中国 00 后计算机天才、北京智源人工智能研究院（BAAI）行为世界模型创新中心主任陈博远创立的世界模型（World Model）初创公司“逆矩阵”（Physis）宣布，已基本完成投前估值超过 1 亿美元（约合 5 亿元人民币）的新一轮战略融资。本轮融资获得了高瓴创投（Hillhouse）以及北大系相关产业基金的重金加持（此前天使轮由北大系基金等注入数千万人民币）。这笔资金将主要用于其“通用物理世界基座模型”的研发与具身智能行为控制器的早期商业化落地。

W2+ 物理潜空间：让 AI 第一次理解“牛顿力学”与“因果律”

在人工智能学术界，世界模型的发展被大致划分为三个阶段：W1 是对图像和视频的统计关联生成（类似于目前的 Sora 和 Pika）；W2 则要求模型能够理解真实物理世界的约束与因果关系（如重力、碰撞、摩擦力、液体流动）；W3 则是高度拟真的社会行为与博弈模拟。

陈博远率领的逆矩阵团队，技术核心直指 W2+ 阶段的通用物理世界模型。与目前大部分依靠海量视频数据训练、偶尔会生成“三条腿的人”的 Diffusion 视频大模型不同，逆矩阵自研的架构将物理规律（如动量守恒、材料刚度、温度传导）直接作为约束因子引入到模型的隐空间（Latent Space）训练中。

这意味着，逆矩阵的世界模型不仅能够生成高度符合物理事实的仿真场景，更能够让机器人或者自动驾驶系统在这个“物理真子集”中进行千亿次的自主强化学习。模型能够预测当机器人的灵巧手以特定角度捏取一块果冻时，果冻会发生怎样的形变和形变后的回弹规律。

00 后北大天才与智源研究院的学术红利

逆矩阵的极速崛起，与其创始人陈博远的学术光环和机构背书密不可分。作为北大元培学院的优秀毕业生，陈博远在本科期间便在世界模型与机器人强化学习领域发表了多篇顶会论文。进入 BAAI（北京智源人工智能研究院）后，他出任行为世界模型创新中心主任，直接汇报给智源研究院院长王仲远。

这种独特的“学研产”孵化结构，让逆矩阵能够在最早期便共享智源研究院极其庞大的 GPU 算力集群和高价值的机器人运动轨迹物理数据集。逆矩阵研发的行为世界模型，正成为国内诸多顶尖人形机器人创企灵巧手控制与步态规划的首选底层基础设施。

RecodeX 极客视点：具身智能（Embodied AI）是大模型落地物理世界的终极归宿，而行为世界模型（Behavior World Model）则是具身智能通往物理常识的必经之路。00 后的陈博远带着智源研究院的硬核技术溢价，在逆矩阵押注“W2+ 物理因果世界模型”，在技术品味上直接避开了与互联网大厂在“文生视频”娱乐赛道的无谓内卷，直切工业机器人和自动驾驶的刚需核心。然而，将牛顿力学和偏微分方程物理约束深度硬编码进大模型隐空间，在数学理论和算法工程上是一条鲜有人走通的险路。逆矩阵能否在计算效率上跑赢纯统计的大模型，并向高瓴等顶级投资人证明其物理世界模型具有工业级的鲁棒性，将是这支年轻的“北大天才队”需要交出的第一份考卷。

分类: 机器人 标签: 逆矩阵, Physis, 陈博远, 物理世界模型, 具身智能, 高瓴资本, 智源研究院, 行为模型, 战略融资, 00后创业