讓AI研發下一代機器人！成立三個月登頂物理AI評測榜單，押注Physical RSI

作者 | 許麗思 編輯 | 漠影 9月24日報道，物理智能公司Simate硅基夥伴，剛剛交出了一份成立三個月以來的亮眼技術答卷。據Simate披露，其利用AI自動研究系統AutoResearch參與研發的通用物理快系統模型，已登頂物理AI智能評測榜單RoboDojo，並通過真機展示了複雜長程任務執行、記憶、高精度操作等能力。這家公司已完成累計數億元融資，核心團隊彙集了自動駕駛端到端量產、世界模型及人形機器人控制等領域的技術人才。在技術路線選擇上，Simate將目光投向了一個近期備受關注的研究方向：讓AI參與下一代AI的研發。

就在前幾天，Anthropic披露，截至2026年8月，Claude已經能夠在人類監督下“主導”約26%的AI研發工作。Simate正在做的，就是將類似的研發範式引入物理世界，讓AI參與研發下一代機器人智能。該公司提出了Physical RSI（物理智能的遞歸自我改進）路線，嘗試將模型研發、數據處理、實驗評測及真實機器人部署連接起來，讓AI Agent承擔更多科研工作，並利用每一輪研究積累的經驗，持續改進模型與研究方法。

一、一線自動駕駛公司技術負責人創業，集結世界模型、真機控制領域核心人才 Simate創始人張穎，此前在行業某一線自動駕駛公司，如今，他將這些技術與工程經驗帶入物理智能領域，創立SiMate，探索以Physical RSI推動機器人智能的持續迭代。自動駕駛與物理智能有著相似的技術需求：智能系統都需要感知真實環境、作出決策，並根據外界變化持續調整行動。但機器人面對的任務更加多樣。以抓取為例，物體的形狀、材質、擺放位置發生變化，都可能影響機器人的執行效果，對物理世界理解、精細運動控制等能力提出了新的要求。

要將Physical RSI進一步推進至真實機器人能力的持續迭代，Simate還需要補充世界模型、機器人控制等領域的技術能力。為此，Simate集結了來自學術界和產業界的研究人員。其中，佔方能是香港科技大學助理教授、World Mind Lab負責人，研究涉及世界模型、三維感知及物理AI智能，曾在SIGGRAPH、CVPR、ICCV、TPAMI等學術會議和期刊發表超過50篇論文。團隊另一位核心成員是00後青年科學家季馬澤宇，畢業於加州大學聖地亞哥分校，研究方向覆蓋三維感知、靈巧操作及人形機器人全身控制，曾參與通用人形控制器的真機驗證工作。

季馬澤宇還曾任硅谷物理智能公司Assured Robot Intelligence（ARI）創始成員，該公司後被Meta收購。總的來說，這個團隊就形成從基礎模型認知、工程化到物理真機落地的完整閉環，支撐Simate的Physical RSI技術路線。二、讓AI研究機器人，成立數月拿下RoboDojo評測榜一 最近，Simate披露，其通過AutoResearch自動研究系統，以人機共駕的弱RSI範式開展物理智能模型研發，旗下通用物理快系統模型在RoboDojo評測榜單取得第一名。

RoboDojo是一個面向通用機器人操作能力的評測基準，涵蓋泛化、記憶、精細操作、長程任務執行及開放任務等不同維度，能夠從多個角度觀察模型的綜合操作能力。Simate通過真機演示，展示了模型利用歷史信息連續執行、保留歷史觀測，執行“泡茶”這一連續多步驟任務的能力。在長程任務中，機器人需要記住已經完成的步驟、當前任務進展，並根據環境變化決定下一步動作。如果只依靠當前畫面，模型可能無法獲得完成後續操作所需的全部信息；如果持續累積歷史觀測，又會增加實時計算負擔。為此，Simate在通用物理快系統中引入了4D物理感知與記憶機制。

模型通過處理深度、幾何、運動及接觸關係等信息理解物理環境，同時圍繞任務進展、連續狀態追蹤和即時變化反饋組織歷史信息，探索長程任務一致性與實時反應之間的平衡。為了讓更大規模的模型服務於端側實時操作，該公司還探索了高效視覺編碼、時空建模和特徵壓縮等技術。按照規劃，這套物理快系統未來還將與通用推理慢系統協同，向零樣本、少樣本的通用操作推進。具體模型規模及架構仍有待後續技術報告公佈。這些模型成果背後，還有一個值得關注的變化：Simate嘗試讓AI Agent承擔更多機器人模型研發工作。過去，研究人員需要反覆修改模型、調整數據、訓練評測，再根據結果尋找新的優化方向。

Simate開發的AutoResearch，嘗試將這些環節連接起來，讓Agent承擔更多科研執行工作。從AutoResearch的界面來看，這套系統已經不只是簡單的實驗腳本集合。畫面中既出現了“From Experiments to One Policy”的流程看板，也展示了跨場景評測結果頁面，用來管理不同實驗分支、追蹤評測表現，並將多輪實驗逐步匯聚成更穩定的策略。根據研究目標與約束，Agent可以讀取模型代碼、訓練配置及歷史實驗記錄，通過SiPAI修改組件與配置，調用基礎設施完成訓練和評測，再根據結果決定繼續、調整或停止實驗，並將新發現納入下一輪研究。

通過這種方式，Simate嘗試提高科研執行的自動化程度，讓研究人員將更多精力投入假設判斷和關鍵技術決策。其階段性成果也為AI Agent在人類指導下參與物理智能研究，提供了初步的工程驗證。據該公司介紹，AutoResearch目前已對外開放試用，並已有清華、MIT、香港科技大學等高校研究人員使用。三、押注Physical RSI，讓機器人智能持續自我進化 如果AI能夠修改模型、執行實驗，並根據結果調整下一輪研究，那麼再往前走一步，它能否自主發現問題，甚至改進自己的研究方法？這正是Simate探索Physical RSI的核心思路。

RSI全稱Recursive Self-Improvement，即遞歸自我改進，關注智能系統如何利用已有能力改進自身，並讓這些改進進一步提升下一輪的研究與學習能力。圍繞不同研究問題，Simate將RSI研究任務劃分為弱、中、強三類。弱RSI：主要面向邊界明確、反饋週期較短的問題，比如實現一個函數、修改數據處理邏輯，或在固定約束下優化一段計算，自主完成修改、測試與反饋。中RSI：面向需要多階段規劃的人機協同研究，類似改善模型記憶、尋找數據配比，Agent 承擔上下文整理、實現與實驗推進，研究員參與假設篩選、矛盾結果解釋與關鍵取捨。

強RSI：系統面對寬泛目標，例如提升新任務泛化，需要持續理解目標本質、發現值得研究的問題，並在較長時間內保持方向、修正路徑；這目前仍需要資深研究人員主導。Simate強調，這三類劃分主要用於區分研究問題的類型，可以同時存在於一項研發工作中。其長期目標，是逐步減少人類參與，讓模型、工具與研究方法的改進持續增強下一輪研究能力。從弱RSI走向強RSI，關鍵挑戰在於Agent能否從執行既定實驗，進一步發展出自主發現問題、提出有效假設和判斷研究方向的能力，這也構成了自動化科研與更高自主程度科研之間的重要區別。

對此，Simate搭建了一套覆蓋模型框架、數據處理、自動化研究與真實部署的技術體系，為Physical RSI的持續迭代提供支撐。首先是SiPAI可插拔模型框架，通過清晰的模塊邊界、接口及驗證流程，讓Agent能夠理解模型結構、定位需要修改的組件，並在完成改動後執行統一的訓練與評測。SiPAI採用可插拔設計，支持已接入的世界模型、世界動作模型、視覺語言動作模型（VLA）及視覺語言模型（VLM）等架構。例如，當研究目標是改善模型記憶機制時，Agent可以圍繞相關組件開展修改；當問題涉及數據配比時，則可以調整訓練配置。

在此基礎上，團隊探索可遷移的感知與動作表徵，推動模型形成新任務適應、技能組合及意外恢復等能力。但機器人模型的能力提升，最終仍需要經過實際操作驗證。真實物理交互往往需要更復雜的實驗條件，也對科研反饋的速度和可靠性提出了新的要求。為此，Simate利用世界模型與仿真環境提供較快的實驗反饋，再通過真實機器人執行檢驗模型表現，將實際操作中的失敗案例重新納入研究過程。同時，AutoResearch通過模型與數據實驗驗證假設，利用評測結果識別能力瓶頸，推動下一輪數據採集與模型訓練，形成持續迭代的研究閉環。

結語：AI驅動機器人進化，物理智能規模化落地加速 當數據、模型和算力持續Scaling，研究過程本身能否也實現Scaling？Simate正在通過Physical RSI探索這一新的可能。以AutoResearch為切入點，Simate嘗試讓AI Agent參與模型研發、實驗與評測，並將真實機器人運行中的反饋轉化為下一輪研究的依據。據瞭解， AutoResearch 科研平臺已經開啟內測招募。隨著Physical RSI技術路線逐步成熟，機器人有望以更低的研發和部署成本適應更多任務與場景，為物理智能規模化落地探索一條新的路徑。