一级市场对世界模型的投入热情持续高涨，资本正加速向头部企业聚集。逆矩阵科技（Physis）作为该领域的代表性企业，近期宣布完成超亿美元种子++轮融资，距离其3月完成的超千万美元首轮融资仅隔两个月。本轮融资由经纬创投、五源资本、光合创投等机构共同参与，蚂蚁集团战略入股，老股东高瓴创投、燕缘创投持续加注。资金将主要用于通用世界基座模型的预训练研发及规模化训练体系建设。
公司同步发布通用世界基座模型Physis-v0.1，定位为"One For All"的物理世界应用框架。该模型具备物理正确性、长程一致性、动作因果关联及通用泛化能力四大核心特性，通过单次预训练即可支持具身智能、工业仿真、游戏物理、科学预测等多场景需求。团队计划于2026年底推出旗舰模型，期间将逐步开源技术模块并发布技术报告。
创始人陈博远与吉嘉铭均来自北京大学，团队构成呈现"学术+工程"双轨特征：一半成员为青年学者，包括奥赛金牌得主、省市状元及顶会论文作者；另一半为具有一线科技企业经验的资深工程师。这种AI-native的扁平化架构摒弃传统层级汇报体系，通过技术共识而非行政指令驱动发展，强调自由探索与长期价值导向。
针对融资节奏问题，陈博远表示资本加速布局源于对AI第三次范式跃迁的判断。前两次跃迁分别催生了语言模型与视觉生成模型两大平台级应用，当前正处于从虚拟世界向物理世界拓展的关键阶段。物理世界建模的核心挑战在于其部分可观测性，模型需理解底层物理约束而非简单映射视觉特征。投资人看重的不仅是技术路径共识，更是通用基座模型在数据与算法层面形成的竞争壁垒。
在技术落地周期方面，行业普遍预期18-24个月内基座模型将实现能力跃迁，36个月内完成多场景商业化验证。这与语言模型从GPT-3到ChatGPT的发展轨迹高度相似，未来垂类场景将作为API调用方与基座模型形成类似AWS与SaaS的生态关系。陈博远强调，过早绑定特定场景会导致模型退化为"一个场景、一套方案"的垂直模式，丧失跨场景复用价值。
关于世界模型的Scaling Law，团队提出必须构建物理隐空间进行规模扩展。传统语言模型的扩展路径在物理世界存在三大局限：数据获取成本高昂、视觉冗余信息干扰、统计相关性替代物理因果性。为此，逆矩阵开发了包含压缩编码、因果干预、强化验证、通用表征四大模块的技术体系，通过剥离视觉噪声、引入动作条件信号、构建物理验证沙盒等手段，实现从相关性到因果性的范式转变。
在模型能力分级方面，陈博远将当前主流方案定位为W0-W1阶段，主要实现动作响应与视频生成。逆矩阵正攻关W2级能力，这是基座模型的关键分水岭，要求模型具备物理真实性理解与跨场景泛化能力。以机器人打鸡蛋为例，垂直训练可实现精准控制，但基座模型需同时掌握柔性材料交互等通用物理规律。衡量标准包括动作跟随精度与零样本迁移能力。
面对GPU资源紧张与物理数据稀缺的双重挑战，团队构建了三层数据金字塔：L1层筛选高质量真实视频学习物理状态；L2层整合第一人称视角数据与仿真引擎数据捕捉状态转移；L3层通过自建闭环生产极端边缘数据，如玻璃破碎、流体断裂等高价值场景。这种数据获取范式使模型在相同算力投入下，学习效率提升数个量级。
对于组织架构创新，陈博远指出前沿领域需要突破传统管理范式。团队通过三大机制保持创新效率：全员配备AI代码智能体提升基础效率，消除跨部门沟通摩擦；以技术共识替代KPI考核，保留意外突破的可能性；建立透明贡献评估体系，确保成果归属清晰。这种精英小团队模式在融资后仍将延续，通过自由探索氛围、共同理想追求及完整技术转化链路吸引顶尖人才。
在场景落地策略上，逆矩阵采取"先通用后适配"路径。年底发布的旗舰模型将通过可插拔解码器架构，同时支持具身智能控制、工业孪生仿真、游戏物理渲染等场景。与传统物理引擎相比，世界模型在复杂交互支持、跨场景泛化及实时预测效率方面具有显著优势，长期可能颠覆现有技术体系。以开放世界游戏为例，基座模型可自主推演风扇与瀑布交互产生的水雾效果，无需程序员预先编写规则。