AI开始研究Physical AI：FSD级团队亮出首版模型Simate-beta，空降RoboDojo

Jay 发自 凹非寺
量子位 | 公众号 QbitAI

AI研究AI，这次有了物理世界的答卷。

一家成立仅三个月的公司，亮出了自己的首款通用物理快系统，Simate-beta：展示记忆、长程任务、精细操作与任务适应能力，并据公司披露，登顶RoboDojo。

榜单当然不能代表模型的全部能力，但它提供了一个观察研发速度与实力的切面。

据团队介绍，此次参评的基础模型并未针对该榜单进行任何专门优化。

成立三个月，首版模型就交出这样的成绩，值得关注。

团队叫Simate（Silicon Mate）。

来头也不小。据公司介绍，核心团队曾将一段式端到端智驾模型能力推进至对标Tesla FSD的水平，并完成量产落地。

放眼全球，跨过这道门槛的团队也属极少数；带着这套积累继续推进通用物理AI，就更少见了。

不过，这次最有意思的，是他们从创立第一天就定下的研发方式：

AI for Physical AI，让AI参与物理智能本身的研究与迭代。

公司围绕这条路线组织模型、数据、算力与实验流程。Simate-beta，正是这套AI-native研发体系的第一个实践产物。

而且，研究工具已经开始被外部研究者用起来了。

据公司介绍，来自MIT、加州理工、清华、北大等高校的研究者已参与AutoResearch平台内测。配套其Sinfra基础设施覆盖训练、仿真与推理，具体可用资源按申请确认。

同期，Simate已连续完成多轮数亿元人民币级别融资。

三个月，模型、研究平台、外部试用与融资同步推进。这个速度，确实让人想看看下一步。

团队也给出了预告：已形成面向复杂任务零样本泛化的技术思路，计划于今年年底推出阶段性成果。

在他们看来，GPT-6开始参与物理世界的操作，是预料之中的进展，Physical AI的突破可能比外界想象来得更快。他们希望进一步突破逐任务适配与后训练的依赖，推动物理AI迎来自己的 「GPT-3时刻」。

模型与自动化研究等三项研究工作，也将通过论文和技术报告陆续公布，相关成果计划分阶段开源。

这份研发速度，以及它能否持续，成为Simate接下来最值得关注的事。

所以，首款模型究竟做到了什么？AI又是怎么参与研究的？

Simate-beta：面向零样本泛化的通用物理快系统

Simate最终想逼近的，是零样本（Zero-Shot）与少样本（Few-Shot）的通用物理AI操作。

在一个全新的陌生环境中，系统不应该每增加一项新任务，就重新采集一批数据、训练一次模型、重新调一遍工程。

这正是当下物理AI最热门、也最具挑战的赛道——百家争鸣，各显神通。

而Simate给出的现阶段解法，叫做：通用物理快系统。

也就是系统一。

先用咱人类举个例子：

面对「帮我把桌子收拾一下」这类复杂指令，我们需要「系统二」去理解意图、拆解步骤；

但当手已经伸向杯子，接下来究竟该往左微调几毫米还是往右偏一点，这种毫秒级的动作反应，不可能每一步都依赖深度思考。

物理AI亦然。

一个通用的「慢系统」负责高层规划与复杂推理，而一个足够强悍的「快系统」，则负责实时感知眼前不断变化的物理世界，并极速输出动作。

Simate选择的正是后者——

将快系统的参数量做大，探索零样本泛化能力的涌现，挑战端侧可部署模型的规模与能力上限。

一个通用物理快系统。

不过，大，又要快，很难搞的一个Trade off。

Simate选择从两件事情入手：

1、4D物理感知

理解物理世界，必须同时捕捉空间结构与时间维度的动态变化，让物理表征真正服务于行动。

2、分层时序记忆

长程任务需要记住此前发生的事，连续操作需要追踪状态，即时反应又不能被庞大的历史信息拖慢。

4D物理感知与分层时序记忆，共同指向与人类快系统处理连续世界方式的对齐。

这条路线，也延续了团队在大规模视觉模型、时序建模、实时推理与量产部署上的积累。具体架构和模型规模，将在后续技术报告中披露。

最终希望达到的状态是：模型既清楚眼前正在发生什么，也记得刚才发生过什么，并能及时决定下一步。

再与GPT-6等前沿模型所代表的通用推理能力协同，向复杂任务的零样本执行推进。

从公司目前给出的Simate-beta真机展示来看，测试主要围绕演示驱动的任务适应、记忆、复杂长程执行与精细操作展开。

根据公司提供、更新于2026年9月23日的RoboDojo榜单，simate-beta以平均Score 33.95排名第一，对应SR为27.96%。该成绩属于榜单评测，真机表现另行展示。

这份模型答卷背后，是另一套同样值得展开的系统。

让飞轮转起来

这几年，大家已经越来越习惯AI写代码。

但其实在AI研究里，写代码只是很小一部分。

很多时候，迭代效率，才是决胜的关键。谁能在单位时间内验证完更多研究假设，谁就能先跑出来。

举个最简单的例子。

机器人长程任务总是卡在某个环节，原因无非几种：数据分布失真、模型结构瓶颈、轨迹比例失衡，或者训练策略失效。

每一个方向背后，都对应十几组甚至几十组实验。

如果全靠研究员手动改配置、开任务、盯训练、跑评测，再把结果整理回来，那黄花菜都凉了啊。。。

所以Simate做了AutoResearch，用来加速这一流程——

人类研究员：提出假设、设定目标、划定约束。

AutoResearch引擎：自动接棒，把剩下的实验拆解、跑通、反馈全流程自动化。

最终结果也揭晓了，他们靠这套方法在RoboDojo拿下了第一。

更关键的是速度。

Simate从成立到登顶RoboDojo，前后只用了三个月。

就离谱。。。

所以问题来了：

AI到底该如何「研究AI」？

显然，只丢一个Agent进去是远远不够的。

真正的机器人研发，底层穿透了模型代码、数据管线、训练集群、评测环境、真机反馈，以及过去数月甚至数年的实验记录。

归根结底，这依然是「上下文」的问题。Agent需要一个能够调度一切的超级接口。

为此，Simate搭建了一套三层架构：SiPAI ＋ AutoResearch ＋ AI-native Infra。

SiPAI：让模型架构「AI可研究」

这是一套原生面向「自动化研究」的可插拔模型框架。

简单来说，就是把机器人模型搭建成AI能轻松读懂的结构——模块边界、系统接口、配置项与验证流程都被定义得极其清晰。

只有这样，Agent拿到研究课题后，才能精确知晓：该改哪个模块？改动会波及什么？最后又该如何验证？

目前，Simate已经完成了这套基础设施的搭建，成功接入了世界模型、世界动作模型、VLA、VLM等多种主流架构。

无论是人类研究员还是Agent，都能自由组合组件、调整局部实现，并沿用统一的训练与评测流水线。

AutoResearch：提供实时刷新的「研究上下文」

如果说SiPAI提供了一份静态说明书，那么AutoResearch解决的就是动态信息差：

研究推进到哪了？以前踩过什么坑？最新的证据是什么？

它将外部前沿论文、团队内部研讨材料、模型代码、数据配比、历史实验日志与最新的评测反馈，全部打通并汇入同一份动态研究Context中。

不管是发了新论文、内部代码提交了新版本，还是最新的实验数据推翻了旧假设，这份Context都会实时刷新。

这样，Agent提出的每一个研究建议，才能精确锚定到具体的代码分支与实验版本：

最有趣的地方，在于「人类经验」与「Agent实验」的深度耦合：

人类研究员可以随时注入约束、调优方向；一旦某次实验验证了有效组件，它会立刻沉淀为后续实验的新起点；某个分支总结出的方法论，也能被接下来的Agent无缝复用。

研究成果，真正变成了下一轮研究的生产资料。

AI-native Infra：让7×24小时的研发飞轮滚起来

当然，Agent只会写代码还不够，实验必须高效跑起来。

Simate将训练、推理与评测全流程接入自研Infra，通过极致的任务编排与资源调度，同时并行推进数十条相互独立的研究路线。

为了防止算力浪费，Simate采用了高频筛选机制：所有路线先经由「世界模型 +仿真环境」进行第一轮快速过滤，淘汰掉绝大多数无效方向；

唯有真正具备潜力的方案，才会进入真机实测。

真机上暴露出新问题，再重新流回研究Context，闭环由此形成：

最终呈现的效果是：人类只需抛出一个探索方向，底层系统就能自动并发驱动数十轮实验狂飙突进。

这也是Simate能在三个月内登顶的关键法宝。

不过最令人出乎意料的是，这样一套极其核心的内部生产力工具，他们居然选择直接开源开放！

网页长这样，感兴趣的朋友可以文末自取。

目前，来自清华、MIT、港科大等顶级高校的研究者已率先进驻内测。

弱RSI，只是起点

创始人张颖，前某一线智驾公司核心技术负责人。

工程实战经验非常丰富，参与过有图、无图、端到端三代智驾方案攻坚，也做过很多年量产。

据介绍，其推动打造的智驾系统是国内最接近Tesla FSD的智驾系统。

此外，团队里还有两位灵魂人物。

1、占方能。

香港科技大学助理教授、World Mind Lab负责人，长期研究世界模型和物理AI。

2、季马泽宇。

00后青年科学家，研究方向横跨3D感知、灵巧操作和人形机器人全身控制。

加入Simate前，他还是硅谷Assured Robot Intelligence的创始成员。

ARI后来被Meta收购。

资本市场，也已经用真金白银投票。

成立仅三个月，Simate连续完成多轮每轮数亿元人民币融资。

而这一切，都是在押注同一件事——

Physical RSI。

Simate从创立第一天便瞄准了这个方向，并且定义了三种不同类型的RSI。

1、弱SI：边界明确，快速闭环

人机共驾模式，研究员设定目标与约束，正常执行过程中不再需要研究员逐步参与，异常可以升级处理。

这次登顶RoboDojo，就是第一阶段的工程验证。

2、中SI：方向明确，但答案未知

怎么改善模型记忆？某类任务的数据比例到底怎么配？

方向已经有了，但具体哪个方案有效，还得靠多轮实验去找。

这时候，Agent负责整理上下文、实现方案、跑实验、比较结果；研究员则负责筛假设、解释冲突证据，以及做关键取舍。

这其实也是现阶段最有现实价值的一类。

3、强SI：研究本身都需要被发现

最难，也是最触及智能本质的一类——

怎么提升模型在全新任务里的泛化能力？

这类问题已经没有清晰的解题路径了。系统得自己理解目标、发现真正值得研究的问题，还要在很长时间里保持方向感、不断修正路线。

这就开始涉及所谓的「研究品味」。

现阶段，这类工作依然需要资深研究者主导。Agent更多是在文献、证据、实验和路线探索上提供支持。

值得注意的是，Simate所说的弱、中、强SI并无等级之分，三者可以同时存在于同一套研发系统中。

更重要的还是「进化」这个第一性原理本身吧。

One More Thing

系统的每一次自我改进，都在让下一次改进更容易发生。

当数据、模型与真实部署连成一个会自己转起来的闭环，机器人的上限，才不再只取决于人的上限。

这就是Physical RSI，目前冲线物理AGI最热门的候选路线。

当然，Simate现在展示的，还只是早期形态。

Human-in-the-loop依然存在，而且研究员仍然掌握着整个循环里最关键的方向判断。

但这恰恰也说明，自动化研究未必要等到「完全无人类参与」那一天，才开始产生价值。

在更强的自主研究能力真正出现之前，先把实验设计、训练、评测、反馈这些高成本、可流程化的环节逐步交给Agent，本身就已经能显著提升研究吞吐。

RoboDojo的成绩单，也算是验证了「人机共驾」这条路径，在物理AI领域的可行性吧——

RSI，真的开始了。

对了，还有件事。

AutoResearch科研平台已启动内测，目前正火热招募中！

千卡算力，等你一起来玩儿~

官网：https://mate-robot.cn/

AutoResearch科研平台：
https://mate-robot.cn/research/sinfra/