AI開始研究Physical AI：FSD級團隊亮出首版模型Simate-beta，空降RoboDojo

Simate將訓練、推理與評測全流程接入自研Infra，通過極致的任務編排與資源調度，同時並行推進數十條相互獨立的研究路線。Jay 發自 凹非寺 | 公眾號 QbitAI AI研究AI，這次有了物理世界的答卷。一家成立僅三個月的公司，亮出了自己的首款通用物理快系統，Simate-beta：展示記憶、長程任務、精細操作與任務適應能力，並據公司披露，登頂RoboDojo。榜單當然不能代表模型的全部能力，但它提供了一個觀察研發速度與實力的切面。據團隊介紹，此次參評的基礎模型並未針對該榜單進行任何專門優化。成立三個月，首版模型就交出這樣的成績，值得關注。團隊叫Simate（Silicon Mate）。

來頭也不小。據公司介紹，核心團隊曾將一段式端到端智駕模型能力推進至對標Tesla FSD的水平，並完成量產落地。放眼全球，跨過這道門檻的團隊也屬極少數；帶著這套積累繼續推進通用物理AI，就更少見了。不過，這次最有意思的，是他們從創立第一天就定下的研發方式： AI for Physical AI，讓AI參與物理智能本身的研究與迭代。公司圍繞這條路線組織模型、數據、算力與實驗流程。Simate-beta，正是這套AI-native研發體系的第一個實踐產物。而且，研究工具已經開始被外部研究者用起來了。據公司介紹，來自MIT、加州理工、清華、北大等高校的研究者已參與AutoResearch平臺內測。

配套其Sinfra基礎設施覆蓋訓練、仿真與推理，具體可用資源按申請確認。同期，Simate已連續完成多輪數億元人民幣級別融資。三個月，模型、研究平臺、外部試用與融資同步推進。這個速度，確實讓人想看看下一步。團隊也給出了預告：已形成面向複雜任務零樣本泛化的技術思路，計劃於今年年底推出階段性成果。在他們看來，GPT-6開始參與物理世界的操作，是預料之中的進展，Physical AI的突破可能比外界想象來得更快。他們希望進一步突破逐任務適配與後訓練的依賴，推動物理AI迎來自己的 「GPT-3時刻」。模型與自動化研究等三項研究工作，也將通過論文和技術報告陸續公佈，相關成果計劃分階段開源。

這份研發速度，以及它能否持續，成為Simate接下來最值得關注的事。所以，首款模型究竟做到了什麼？AI又是怎麼參與研究的？Simate-beta：面向零樣本泛化的通用物理快系統 Simate最終想逼近的，是零樣本（Zero-Shot）與少樣本（Few-Shot）的通用物理AI操作。在一個全新的陌生環境中，系統不應該每增加一項新任務，就重新採集一批數據、訓練一次模型、重新調一遍工程。這正是當下物理AI最熱門、也最具挑戰的賽道——百家爭鳴，各顯神通。而Simate給出的現階段解法，叫做：通用物理快系統。也就是系統一。

先用咱人類舉個例子： 面對「幫我把桌子收拾一下」這類複雜指令，我們需要「系統二」去理解意圖、拆解步驟； 但當手已經伸向杯子，接下來究竟該往左微調幾毫米還是往右偏一點，這種毫秒級的動作反應，不可能每一步都依賴深度思考。物理AI亦然。一個通用的「慢系統」負責高層規劃與複雜推理，而一個足夠強悍的「快系統」，則負責實時感知眼前不斷變化的物理世界，並極速輸出動作。Simate選擇的正是後者—— 將快系統的參數量做大，探索零樣本泛化能力的湧現，挑戰端側可部署模型的規模與能力上限。一個通用物理快系統。不過，大，又要快，很難搞的一個Trade off。

Simate選擇從兩件事情入手： 1、4D物理感知 理解物理世界，必須同時捕捉空間結構與時間維度的動態變化，讓物理表徵真正服務於行動。2、分層時序記憶 長程任務需要記住此前發生的事，連續操作需要追蹤狀態，即時反應又不能被龐大的歷史信息拖慢。4D物理感知與分層時序記憶，共同指向與人類快系統處理連續世界方式的對齊。這條路線，也延續了團隊在大規模視覺模型、時序建模、實時推理與量產部署上的積累。具體架構和模型規模，將在後續技術報告中披露。最終希望達到的狀態是：模型既清楚眼前正在發生什麼，也記得剛才發生過什麼，並能及時決定下一步。

再與GPT-6等前沿模型所代表的通用推理能力協同，向複雜任務的零樣本執行推進。從公司目前給出的Simate-beta真機展示來看，測試主要圍繞演示驅動的任務適應、記憶、複雜長程執行與精細操作展開。根據公司提供、更新於2026年9月23日的RoboDojo榜單，simate-beta以平均Score 33.95排名第一，對應SR為27.96%。該成績屬於榜單評測，真機表現另行展示。這份模型答卷背後，是另一套同樣值得展開的系統。讓飛輪轉起來 這幾年，大家已經越來越習慣AI寫代碼。但其實在AI研究裡，寫代碼只是很小一部分。很多時候，迭代效率，才是決勝的關鍵。

誰能在單位時間內驗證完更多研究假設，誰就能先跑出來。舉個最簡單的例子。機器人長程任務總是卡在某個環節，原因無非幾種：數據分佈失真、模型結構瓶頸、軌跡比例失衡，或者訓練策略失效。每一個方向背後，都對應十幾組甚至幾十組實驗。如果全靠研究員手動改配置、開任務、盯訓練、跑評測，再把結果整理回來，那黃花菜都涼了啊。。。所以Simate做了AutoResearch，用來加速這一流程—— 人類研究員：提出假設、設定目標、劃定約束。AutoResearch引擎：自動接棒，把剩下的實驗拆解、跑通、反饋全流程自動化。最終結果也揭曉了，他們靠這套方法在RoboDojo拿下了第一。更關鍵的是速度。

Simate從成立到登頂RoboDojo，前後只用了三個月。就離譜。。。所以問題來了： AI到底該如何「研究AI」？顯然，只丟一個Agent進去是遠遠不夠的。真正的機器人研發，底層穿透了模型代碼、數據管線、訓練集群、評測環境、真機反饋，以及過去數月甚至數年的實驗記錄。歸根結底，這依然是「上下文」的問題。Agent需要一個能夠調度一切的超級接口。為此，Simate搭建了一套三層架構：SiPAI ＋ AutoResearch ＋ AI-native Infra。SiPAI：讓模型架構「AI可研究」 這是一套原生面向「自動化研究」的可插拔模型框架。

簡單來說，就是把機器人模型搭建成AI能輕鬆讀懂的結構——模塊邊界、系統接口、配置項與驗證流程都被定義得極其清晰。只有這樣，Agent拿到研究課題後，才能精確知曉：該改哪個模塊？改動會波及什麼？最後又該如何驗證？目前，Simate已經完成了這套基礎設施的搭建，成功接入了世界模型、世界動作模型、VLA、VLM等多種主流架構。無論是人類研究員還是Agent，都能自由組合組件、調整局部實現，並沿用統一的訓練與評測流水線。AutoResearch：提供實時刷新的「研究上下文」 如果說SiPAI提供了一份靜態說明書，那麼AutoResearch解決的就是動態信息差： 研究推進到哪了？以前踩過什麼坑？

最新的證據是什麼？它將外部前沿論文、團隊內部研討材料、模型代碼、數據配比、歷史實驗日誌與最新的評測反饋，全部打通並匯入同一份動態研究Context中。不管是發了新論文、內部代碼提交了新版本，還是最新的實驗數據推翻了舊假設，這份Context都會實時刷新。這樣，Agent提出的每一個研究建議，才能精確錨定到具體的代碼分支與實驗版本： 最有趣的地方，在於「人類經驗」與「Agent實驗」的深度耦合： 人類研究員可以隨時注入約束、調優方向；一旦某次實驗驗證了有效組件，它會立刻沉澱為後續實驗的新起點；某個分支總結出的方法論，也能被接下來的Agent無縫複用。研究成果，真正變成了下一輪研究的生產資料。

AI-native Infra：讓7×24小時的研發飛輪滾起來 當然，Agent只會寫代碼還不夠，實驗必須高效跑起來。Simate將訓練、推理與評測全流程接入自研Infra，通過極致的任務編排與資源調度，同時並行推進數十條相互獨立的研究路線。為了防止算力浪費，Simate採用了高頻篩選機制：所有路線先經由「世界模型 +仿真環境」進行第一輪快速過濾，淘汰掉絕大多數無效方向； 唯有真正具備潛力的方案，才會進入真機實測。真機上暴露出新問題，再重新流回研究Context，閉環由此形成： 最終呈現的效果是：人類只需拋出一個探索方向，底層系統就能自動併發驅動數十輪實驗狂飆突進。

這也是Simate能在三個月內登頂的關鍵法寶。不過最令人出乎意料的是，這樣一套極其核心的內部生產力工具，他們居然選擇直接開源開放！網頁長這樣，感興趣的朋友可以文末自取。目前，來自清華、MIT、港科大等頂級高校的研究者已率先進駐內測。弱RSI，只是起點 創始人張穎，前某一線智駕公司核心技術負責人。工程實戰經驗非常豐富，參與過有圖、無圖、端到端三代智駕方案攻堅，也做過很多年量產。據介紹，其推動打造的智駕系統是國內最接近Tesla FSD的智駕系統。此外，團隊裡還有兩位靈魂人物。1、佔方能。香港科技大學助理教授、World Mind Lab負責人，長期研究世界模型和物理AI。2、季馬澤宇。

00後青年科學家，研究方向橫跨3D感知、靈巧操作和人形機器人全身控制。加入Simate前，他還是硅谷Assured Robot Intelligence的創始成員。ARI後來被Meta收購。資本市場，也已經用真金白銀投票。成立僅三個月，Simate連續完成多輪每輪數億元人民幣融資。而這一切，都是在押注同一件事—— Physical RSI。Simate從創立第一天便瞄準了這個方向，並且定義了三種不同類型的RSI。1、弱SI：邊界明確，快速閉環 人機共駕模式，研究員設定目標與約束，正常執行過程中不再需要研究員逐步參與，異常可以升級處理。這次登頂RoboDojo，就是第一階段的工程驗證。

2、中SI：方向明確，但答案未知 怎麼改善模型記憶？某類任務的數據比例到底怎麼配？方向已經有了，但具體哪個方案有效，還得靠多輪實驗去找。這時候，Agent負責整理上下文、實現方案、跑實驗、比較結果；研究員則負責篩假設、解釋衝突證據，以及做關鍵取捨。這其實也是現階段最有現實價值的一類。3、強SI：研究本身都需要被發現 最難，也是最觸及智能本質的一類—— 怎麼提升模型在全新任務裡的泛化能力？這類問題已經沒有清晰的解題路徑了。系統得自己理解目標、發現真正值得研究的問題，還要在很長時間裡保持方向感、不斷修正路線。這就開始涉及所謂的「研究品味」。現階段，這類工作依然需要資深研究者主導。

Agent更多是在文獻、證據、實驗和路線探索上提供支持。值得注意的是，Simate所說的弱、中、強SI並無等級之分，三者可以同時存在於同一套研發系統中。更重要的還是「進化」這個第一性原理本身吧。One More Thing 系統的每一次自我改進，都在讓下一次改進更容易發生。當數據、模型與真實部署連成一個會自己轉起來的閉環，機器人的上限，才不再只取決於人的上限。這就是Physical RSI，目前衝線物理AGI最熱門的候選路線。當然，Simate現在展示的，還只是早期形態。Human-in-the-loop依然存在，而且研究員仍然掌握著整個循環裡最關鍵的方向判斷。

但這恰恰也說明，自動化研究未必要等到「完全無人類參與」那一天，才開始產生價值。在更強的自主研究能力真正出現之前，先把實驗設計、訓練、評測、反饋這些高成本、可流程化的環節逐步交給Agent，本身就已經能顯著提升研究吞吐。RoboDojo的成績單，也算是驗證了「人機共駕」這條路徑，在物理AI領域的可行性吧—— RSI，真的開始了。對了，還有件事。AutoResearch科研平臺已啟動內測，目前正火熱招募中！千卡算力，等你一起來玩兒~ 官網：https://mate-robot.cn/ AutoResearch科研平臺： https://mate-robot.

cn/research/sinfra/ 版權所有，未經授權不得以任何形式轉載及使用，違者必究。