.png?table=collection&id=cbe6506e-1263-8358-a4d7-07ce62fcbb3f&t=cbe6506e-1263-8358-a4d7-07ce62fcbb3f)
逆矩阵完成超亿美元融资：通用世界模型窗口期缩至18个月
type
status
date
slug
summary
tags
category
icon
password
网址
在人工智能快速迭代的今天，大语言模型（LLM）的红海竞争尚未平息，关于物理世界模拟的全新战役已经打响。近日，备受瞩目的世界模型初创公司「逆矩阵科技」（Physis）宣布完成超亿美元的种子++轮融资。本轮融资由经纬创投、五源资本、光合创投等知名机构领投，蚂蚁集团进行战略投资，老股东高瓴创投、燕缘创投持续加注。
这一笔巨额资金的注入，不仅彰显了资本市场对物理世界模型赛道的狂热，也揭示了一个残酷的行业现实：通用世界基座模型的研发窗口期，已经从最初预估的三年被硬生生压缩到了18个月。想要获取更多前沿AI资讯与AI新闻，深入了解大模型行业的最新动态，欢迎访问AI门户 AIGC.bar。
AI的第三次范式跃迁：从预测文本到预测物理状态
回顾过去十年，人工智能经历了两次标志性的范式跃迁。第一次是以openai的chatGPT和claude为代表的大语言模型，其核心逻辑是“预测下一个词（Next Token）”；第二次是以Sora为代表的视觉生成模型，核心在于“预测下一帧像素”。
而现在，我们正在见证第三次范式跃迁——AI正从虚拟的数字世界走向真实的物理世界，其核心任务变成了“给定当前状态与动作，预测下一个物理状态”。
逆矩阵科技在此节点发布的通用物理世界基座模型 Physis-v0.1（代号 “One For All”），正是为了解决这一命题。该模型主打物理正确、长程一致、动作因果和通用泛化四项核心能力。与传统的垂类模型不同，Physis-v0.1通过一次预训练，即可同时服务于具身智能、工业仿真、游戏物理以及科学预测等多类场景。这标志着AI正在从单纯的“观察者”转变为能够理解物理规律的“参与者”，是迈向AGI的重要一步。
18个月的窗口期：为何世界模型的竞争如此紧迫？
逆矩阵创始人陈博远指出，通用世界基座模型的窗口期正在急剧收缩。行业共识是：在未来的18至24个月内，世界基座模型的能力将出现标志性的阶跃；在36个月内，技术将在多个真实场景中完成实际应用落地。这一发展轨迹与大语言模型从GPT-3演进到ChatGPT的路径高度吻合。
为什么时间窗口如此紧迫？原因在于通用基座模型具备极强的壁垒属性：
1. 数据 Scaling 的先发优势：率先跑通物理规律预训练的团队，能够通过数据积累和算法迭代构建起难以被超越的“数据飞轮”。
2. 场景降维打击：一旦通用的物理世界基座模型成熟，现有的垂类应用（如机器人控制、特定场景仿真）将直接退化为基座模型 API 的调用者，类似于 AWS 与 SaaS 的关系。因此，过早将模型绑定在单一垂直场景进行商业化变现，反而会限制模型的泛化上限。
破解物理幻觉：物理隐空间与强化学习的结合
在世界模型的训练中，直接套用语言模型或视频生成模型的 Scaling Law 是行不通的。这主要是因为视频像素并不等于物理规律，纯视觉的观察只能学到统计学上的“相关性”，而无法理解物理世界的核心——“因果性”。
为了解决这一痛点，逆矩阵提出了在“物理隐空间”进行 Scale up 的技术路径，主要包含以下四个维度：
- 物理隐空间压缩：将复杂的视觉信息编码为包含力、速度、加速度等抽象表征的高效隐空间，剥离不必要的视觉冗余。
- 因果性引入：在隐空间中原生引入“动作（Action）”干预，让模型理解动作是如何导致物理状态发生转移的。
- 闭环对齐与验证：为了防止模型在推演未见环境时发生穿模、失重等“物理幻觉”，逆矩阵引入了强化学习（如 RLVR 可验证信号奖励），通过明确的物理约束构建闭环对齐信号。
- 多场景通用：确保底层的物理规律在不同场景中保持一致，实现真正的跨场景复用。
此外，针对真实物理交互数据稀缺的问题，逆矩阵构建了“数据金字塔”：从真实的物理交互视频（L1），到第一人称视角与仿真数据（L2），再到主动制造的极端边缘突变数据（L3，如玻璃破碎、流体断裂）。这种多层次的数据重构范式，极大地提升了算力效率，让模型在更低的成本下学习到有效的物理规律。
颠覆传统物理引擎：从手写代码到机器自主推演
在传统游戏和工业仿真领域，Unity 和 Unreal 等物理引擎依赖于程序员手写的大量物理规则和材质响应代码。这不仅开发成本极高，而且在面对流体碰撞、柔性物体形变等复杂交互时，往往无能为力。
随着世界模型向 W2（具备物理真实性和因果理解能力）和 W3（机器自主推演）阶段迈进，它将对传统物理引擎带来颠覆性的改变。
以开放世界游戏为例，未来像《塞尔达传说》中风、火、水、草等元素的复杂叠加与物理涌现效果，将不再需要程序员逐行编写规则，而是由理解物理规律的通用基座模型自主推演生成。这不仅能实现更逼真的交互体验，还能以秒级的速度生成千万级具有真实物理属性的场景，极大地解放了内容创作者的生产力。
结语：AI-Native 团队与未来展望
面对前沿探索的未知性，逆矩阵采用了极具前瞻性的“精英小团队”组织架构。团队内部没有冗余的层级汇报与季度 KPI，而是依靠 AI-Native 的工作流——为每位员工配备代码智能体（Agent）来消除信息摩擦。这种高度扁平化、信奉第一性原理的探索模式，或许正是初创公司在算力与资金巨头夹击下，实现从0到1原始创新的最佳路径。
通用物理世界基座模型的崛起，预示着人工智能即将全面接管并重塑物理世界的运行规则。无论是具身智能的爆发，还是元宇宙物理体系的构建，都将在这场18个月的窗口期竞速中奠定格局。
获取最新前沿AI日报、Prompt大模型提示词技巧，以及探索如何通过AI技术实现AI变现，请持续关注AI门户 AIGC.bar，共同见证智能涌现的下一个时代。
Loading...