核心内容总结
00后北大毕业生陈博远创立的AI公司逆矩阵，专注研发“通用世界基座模型”（Physis）——让AI真正理解物理规律（如重力、因果），能跨场景解决工业、具身智能等真实物理问题。团队成立不久就获高瓴等千万美元投资，当前估值超50亿元，即将完成过亿美元融资。陈博远同时担任智源研究院行为世界模型创新中心负责人，与智源联合推进技术落地。他们的模型区别于行业内“只做垂类场景”的世界模型，通过物理隐空间学习、交互验证等独特路径，试图打造AI进入真实物理世界的基础设施。
一、00后团队的“硬核”融资：估值50亿背后，是踏实做技术的底气
逆矩阵的创始人陈博远是刚毕业的北大元培学生，早在读书时就凭强化学习研究拿过国际顶会ACL最佳论文（和DeepSeek团队同期获奖）。2026年初（尚未毕业时）创立公司，首轮就拿到高瓴和北大系基金超千万美元投资，现在估值超50亿，是00后AI团队里估值最高的之一。
但他们并不急着融资：“我们希望踏实做技术第一性突破”。这也是他们和智源研究院合作的原因——智源更看重研究而非商业化，之前孵化过智谱AI（已上市）、月之暗面等百亿估值公司。陈博远以逆矩阵创始人身份兼任智源创新中心负责人，两边互相赋能：逆矩阵做前沿探索，智源把验证过的技术放大到通用场景。
二、通用世界基座模型：让AI从“看视频”到“懂物理”
现在行业里很多公司都在说“世界模型”，但大多停留在“表面功夫”：比如生成流畅视频（像OpenAI的Sora）、做游戏交互（谷歌Genie），这些本质上是“W0/W1级”——只能解决影视、游戏等内容问题。
逆矩阵要做的是“W2+级”通用世界基座模型：真正懂物理规律。比如工业产线里的机械臂操作、自动驾驶里的碰撞预测，这些场景需要AI理解“重力、接触、因果”等硬约束。他们的目标是：用一套模型解决所有物理场景问题，就像ChatGPT能同时处理金融、法律任务一样——不同场景背后的物理规律是通用的（比如重力不会因为场景变而变）。
三、技术卡脖子？他们走了一条和ChatGPT不一样的路
ChatGPT靠“堆数据、堆参数”成功，但世界模型不能直接抄这条路，因为有三个卡点：
1. 物理数据不够：互联网文本能无限爬，但真实物理数据（比如机械臂操作、玻璃破碎）很难大量采集；
2. 像素≠物理：视频里90%是纹理、光照，和物理规律无关，模型学这些会浪费参数；
3. 相关性≠因果：ChatGPT学的是“统计关联”（比如“下雨”和“打伞”一起出现），但物理需要“因果”（比如“推杯子”导致“杯子倒”）。
逆矩阵的解决方法：
- 物理隐空间学习：让模型跳过表面像素，直接学抽象的物理本质（比如看到杯子倒，就知道水会洒，不用看每个像素）；
- 引入Action交互：模型不能只“看世界”，还要“动手”——比如模拟“推杯子”的动作，预测结果；
- 强化学习验证：像数学题有标准答案一样，物理规律也可验证（比如物体不会凭空消失），用强化学习让模型不断修正错误。
他们内部已经看到：随着数据和交互增加，模型的物理预测误差持续下降，甚至出现“涌现”能力——就像ChatGPT的GPT-3时刻，未来世界模型也会有自己的爆发点。
四、数据不够？他们用“三层金字塔”和仿真造数据
物理数据少怎么办？逆矩阵搭了个“数据金字塔”：
1. 底层：学状态（比如水会流、玻璃会碎）：用大量真实视频和复杂交互数据；
2. 中层：学因果（动作→状态）：重点用第一人称数据（比如“我推杯子”的视角），因为它天然带“动作导致结果”的因果关系；
3. 顶层：学长尾规律（比如玻璃爆炸、物体遮挡）：用仿真引擎生成这些真实世界难采集的场景（比如在虚拟环境里反复模拟“杯子倒”）。
数据比例上，第一人称和多视角（外部观察）是9:1甚至100:1——因为第一人称数据更能帮模型学因果。他们还发现：跨场景数据能让垂类场景的数据需求减少20倍，效果反而更好（比如学了游戏里的物理，也能用到工业场景）。
五、不只是00后的时代，更是Physical AI的未来
逆矩阵团队平均年龄是00后，但陈博远说：“Physical AI属于所有相信这个方向、愿意长期投入的人”。
为什么Physical AI重要？因为AGI（通用人工智能）的下一步必须进入真实物理世界：过去的大模型只会处理文字、图像，未来的AI要能操作机器人、做工业仿真、预测科学实验（比如可控核聚变）。这些都和国家“新质生产力”相关——低空经济、商业航天、智能制造等，都需要AI懂物理规律。
逆矩阵的目标不是做一个服务某行业的垂类模型，而是打造面向整个物理世界的“基础设施”——就像 electricity（电力）一样，支撑所有实体产业的AI应用。
这篇新闻让我们看到：00后团队正在用底层创新，推动AI从“虚拟”走向“真实”，而Physical AI可能是下一个改变世界的技术浪潮。