共计 1329 个字符，预计需要花费 4 分钟才能阅读完成。
AI 开始研究 Physical AI:FSD 级团队亮出首版模型 Simate-beta, 空降 RoboDojo
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。
成立仅三个月的 Simate, 交出了自己的首份答卷: 通用物理快系统 Simate-beta。据公司披露, 该模型在 RoboDojo 榜单上以平均 Score 33.95、SR 27.96% 排名第一, 且基础模型并未针对榜单做专门优化。更值得关注的是, 这套成绩背后是一套让 AI 参与物理智能研究的 AI-native 研发体系。
📌 三个月从零到榜首, 团队背景不简单
Simate(Silicon Mate) 的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。创始人张颖为前一线智驾公司核心技术负责人, 参与过有图、无图、端到端三代智驾方案攻坚。团队中还有香港科技大学助理教授占方能, 以及横跨 3D 感知、灵巧操作与人形机器人全身控制的青年科学家季马泽宇。
资本市场同样给出了回应: 公司连续完成多轮每轮数亿元人民币融资, 押注方向直指 Physical RSI。
🔍 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与少样本的通用物理 AI 操作——在陌生环境中, 系统不应每增加一项新任务就重新采数据、训模型、调工程 。其现阶段解法是打造一个通用物理快系统, 类比人类的“系统一”, 负责实时感知与毫秒级动作输出, 而将高层规划交给“慢系统”。
为此,Simate 从两件事入手:
- 4D 物理感知 : 同时捕捉空间结构与时间维度的动态变化
- 分层时序记忆 : 兼顾长程任务记忆与即时反应速度
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。具体架构与模型规模将在后续技术报告中披露。
💡 让 AI 研究 AI: 三层架构驱动研发飞轮
- SiPAI: 原生面向自动化研究的可插拔模型框架, 已接入世界模型、VLA、VLM 等多种主流架构
- AutoResearch: 打通外部论文、内部代码、数据配比与实验日志, 形成实时刷新的动态研究 Context
- AI-native Infra: 训练、推理与评测全流程接入自研基础设施, 并行推进数十条独立研究路线
为防止算力浪费,Simate 采用高频筛选机制: 方案先经世界模型与仿真环境快速过滤 , 只有具备潜力的方向才进入真机实测, 暴露的新问题再回流至研究 Context, 形成闭环。
📊 RSI 三阶段与开源开放
Simate 定义了三种 RSI 类型: 弱 SI 边界明确、快速闭环; 中 SI 方向明确但答案未知 , 由 Agent 整理上下文、跑实验, 研究员做关键取舍; 强 SI 则连研究问题本身都需要被发现, 涉及“研究品味”。三者并无等级之分, 可同时存在于同一套研发系统中。
🚀 行业观察:Physical AI 的 GPT- 3 时刻还有多远
团队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 , 相关论文与技术报告将分阶段开源。在他们看来,GPT- 6 开始参与物理世界操作是预料之中的进展,Physical AI 的突破可能比外界想象更快。
