这个00后凭什么拿到高瓴们的1亿美元

发布时间：2026-07-18 07:22:50 来源：安智兰德资讯网 作者：探索

2026年初，个后高瓴尚未从北大元培学院毕业的亿美元00后陈博远创立了逆矩阵（Physis）。公司首轮即获高瓴创投及北大系基金超千万美元投资。个后高瓴截至目前，亿美元逆矩阵即将完成新一轮过亿美元融资，个后高瓴估值突破50亿元人民币，亿美元成为“00后创立的个后高瓴AI公司”中估值最高的梯队之一。

“大家都希望看到年轻人在AI时代下做出一些不一样的亿美元创新突破。”陈博远对虎嗅表示。个后高瓴

逆矩阵的亿美元核心技术方向是“通用世界基座模型”。其英文名 Physis（φύσις）源自 physics（物理）的个后高瓴希腊词根，本义为“自然”，亿美元更深层指向“生长、个后高瓴生成”，亿美元寓意回归自然与物理本源，个后高瓴以理解世界运转规律。

学术背景与行业对标

在逆矩阵成立前，陈博远在北大元培就读期间已崭露头角，凭借强化学习与大模型研究获得 ACL（计算语言学协会）最佳论文。值得注意的是，同年ACL另一篇最佳论文来自 DeepSeek团队，这意味着逆矩阵团队曾在学术巅峰期与DeepSeek“并肩”。

澄清“基模”误解：从微调到底层重构

针对投资人对“基模”概念的质疑，陈博远指出行业存在普遍误解：

• 行业现状：许多团队仅拿开源模型，用部分数据微调，便包装成“预训练”故事。
• 逆矩阵做法：从头搭建整个预训练架构，而非简单的微调。

逆矩阵在融资节奏上保持稳健，“不急着融资，希望踏实做技术第一性的突破”。

深度绑定智源研究院：迈向DeepMind式角色

2026年4月16日，陈博远正式以逆矩阵创始人身份，担任智源研究院行为世界模型创新中心负责人，直接向智源研究院院长王仲远汇报。

• 智源定位：王仲远曾透露，智源无强层级，研究为核心，但在具身智能时代，旨在成为类似 DeepMind的角色。
• 关联明星公司：银河通用、智谱AI、月之暗面、面壁智能等头部AI公司均与智源有关联，其中智谱AI已上市，前三家估值超百亿。
• 中心职能：该中心聚焦下一代通用世界基座模型研发，承担大规模前沿攻坚。陈博远将逆矩阵已验证的世界模型能力，放大至更通用、更大规模场景落地，实现“技术愿景统一，力量凝聚”。

深度对话：逆矩阵创始人陈博远

01 “世界模型一定会迎来自己的GPT-3时刻”

虎嗅：逆矩阵做的“通用世界基座模型”核心是什么？行业洞察为何？

陈博远：
当前行业处于“百家争鸣”阶段，甚至“Anything is a world model”。我们回归第一性原理：
1. 从虚拟走向物理：大语言模型处理文本知识，而AI未来需进入真实物理世界（游戏、工业等）。这些环境具有连续性、不确定性、复杂物理约束。
2. 硬约束：AI必须理解重力、接触、因果等物理规律，物理一致性和正确性是硬约束。
3. 规律通用性：物理定律不随场景改变，具备跨场景迁移能力。

核心判断：未来将出现一个跨场景迁移的通用物理世界模型，作为AI走向物理世界的基础设施。不同于当前聚焦特定场景（如3D、游戏、具身）的模型，我们强调底层物理规律的通用性，类似大语言模型统一处理金融、法律、代码，未来一个通用基座模型可适配不同下游场景。

虎嗅：通用世界基座模型与“世界模型”的区别？为何强调“基座”？

陈博远：
类比自动驾驶L0-L5分级，世界模型也存在 W0-W5体系：
* W0/W1：当前多数模型（如Sora的视频生成、Genie 3的游戏交互），侧重连贯表征或内容生成，仍偏“游戏世界”。
* W2+：严肃工业、具身智能、科学预测等场景需要真正懂物理的模型。

“基座”的含义：
1. 必须是W2+模型：真正理解物理规律。
2. One for All, All for One：用同一套物理规律解决不同场景，而非单一垂类专用模型。不同场景数据可互相增强，最终在垂类效果优于专用模型。

分级定义：
* W2：解决“物理专业性”。
* W3：解决“跨领域能力”。
* W4：真正意义上的通用泛化。
趋势如同大语言模型从垂类走向通用，物理世界也将走向统一，通过Zero-shot/Few-shot泛化解决多任务。

虎嗅：世界模型最大的卡点是什么？你们的解决方案？

陈博远：
大语言模型成功源于符合第一性原理（Next Token Prediction）及Scaling Law，但世界模型无法简单复用，原因有三：
1. 数据瓶颈：物理数据（真实采集或仿真构建）无法像互联网文本那样无限堆积。
2. 像素≠物理：视频/图像中90%信息为纹理、光照、模糊，与物理规律无关，反而成为学习负担。
3. 相关性≠因果性：LLM是“观察式学习”，依赖统计相关性；物理世界核心是因果。仅靠观察无法习得真正物理因果。

新Scaling路径：
真正的Scaling不应发生在Token或像素空间，而应发生在“物理隐空间”。
* 抽象表征：学习高维物理隐空间推演（如预测杯子倾倒后水的洒落）。
* 原生引入Action：物理理解来自交互而非仅观察。从“Next Token Prediction”转向“Next Physical State Prediction”（当前状态+动作A→结果状态）。
* 强化学习验证：物理世界可验证（如物体不凭空消失）。强化学习通过明确奖励信号，是学习物理规律最高效方法。

内部观察：随着数据、参数增加，引入Action和强化学习后，模型在预测“下一个物理状态”时泛化误差持续下降，出现“涌现”能力。世界模型将迎来自己的“GPT-3时刻”，标志是模型在真实物理世界中随算力/数据/交互规模提升而持续进化，而非单纯刷榜。

02 “世界基座模型不需要太多的真机数据”

虎嗅：通用世界基座模型对数据的要求？与VLA、传统世界模型有何区别？

陈博远：
真机数据重要但非唯一。人类学习数学从1+1开始，物理学习也需“从易到难”：
1. 仿真到真实的跃迁：游戏引擎（如虚幻引擎、荒野大镖客、塞尔达）包含简化但共通的物理规则，可作为学习真实物理的铺垫。
2. 跨领域数据：通用模型是“All for One”。引入跨场景数据可使单一垂类数据需求降低20倍，避免过拟合特定硬件或场景的“伪规律”。
3. 长尾物理数据：关键物理规律常发生在稀疏突变场景（如玻璃破碎、爆炸，占比仅0.5%）。预训练需筛选具动态交互属性的视频，而非堆量。
4. 数据飞轮：通过仿真/数字孪生主动生成难采集的强物理数据（如杯子被撞倒），补充稀疏边缘数据。

虎嗅：数据比例大概是多少？

陈博远：
* 视角配比：第一人称（Egocentric）: 多视角（Multi-view）约为 9:1甚至 10:1，未来可能达 100:1。
* 第一人称优势：天然携带 Action→State因果结构（我做什么动作，世界如何变化），是世界模型核心信号。多视角侧重补全空间结构。

虎嗅：对那“1”的质量要求极高？是否来自工业场景而非实验室？

陈博远：
是的，质量要求极高。当前行业数据尚未区分“实验室”与“工业场景”，且真实采集数据存在噪音、硬件误差及与真实物理的Gap（如动捕设备仅为“近似真实”）。
第一人称数据直接来自交互主体，更真实反映“动作导致状态变化”。

数据金字塔体系：
1. 第一层（状态认知）：学习“有哪些状态”（水流动、物体抓取、玻璃破碎）。依赖大量真实视频及复杂交互数据。
2. 第二层（因果构造）：学习“什么动作导致什么状态变化”（Action→State）。核心依赖第一人称数据，辅以仿真/真机数据，构造因果。
3. 第三层（长尾规律）：学习稀疏突变物理规律（爆炸、遮挡、复杂空间关系）。依赖第三人称视频及数据飞轮生成数据。
* 注：此层数据量仅需前两层的 1%-0.5%，即可显著提升空间理解与泛化能力。

模型训练非“被动观察”，始终在学习“Action→Next State”。基于数据金字塔、交互与强化学习，形成区别于LLM的全新Scaling曲线。

03 属于00后的“Aha Moment”

虎嗅：逆矩阵成立时间及阶段？

陈博远：
逆矩阵今年年初成立，但自2025年初已启动面向真实物理世界的世界基座模型研究。团队约30人，平均年龄00后，成员包括北大/清华奥赛背景者及大厂核心工程师。目前已观察到Scaling潜力及真正的“Aha Moment”。

虎嗅：融资情况及投资人反馈？

陈博远：
投资人主要关注两点：
1. 是否在做真正的“基模”？
2. 决策依据是什么？

答案来自内部实验：随着数据、参数、主动交互及状态预测引入，模型误差持续下降。一旦Scaling Law形成共识，技术路线将迅速收敛。我们欣赏DeepSeek和DeepMind的研究型组织模式，相信扁平化组织能“涌现”创新。

虎嗅：关于“基模”被误解的看法？

陈博远：
更多是概念被滥用。许多团队基于开源模型微调真机数据，包装成预训练故事。逆矩阵是从头搭建预训练架构，做真正的通用世界基座模型，而非微调垂类模型。

虎嗅：兼任智源中心负责人，投资人怎么看？

陈博远：
* 逆矩阵：偏前沿探索，扩展新技术方向。
* 智源中心：将已验证能力放入更大规模、更通用场景实验落地。
* 本质：共同构建面向物理世界的通用基座模型。智源重视人才与前沿研究，具备全球视野。

虎嗅：团队年龄及Physical AI的时代意义？

陈博远：
* 团队心态：虽平均年龄00后，但更愿称为“心态年轻化”团队，敢于打破路径依赖，融合多背景做底层突破。
* 时代定义：不愿简单定义为“00后时代”。Physical AI属于所有相信该方向、愿长期投入、敢于底层探索的人。
* 战略价值：
* AGI下一步：从理解语言/图像走向理解真实物理世界（运动、碰撞、能量转化、行动对环境改变）。
* 应用场景：具身智能、工业仿真、游戏引擎、AI for Science。
* 新质生产力：关联低空经济、商业航天、智能制造、能源系统、可控核聚变等国家未来产业。
* 愿景：不做单一垂直场景模型，而是面向整个物理世界的通用世界模型，为实体产业提供底层能力。

这是一个属于所有相信Physical AI、敢于做底层探索、愿为国家未来产业基础能力负责的人的时代。

相关文章