多终端无缝登录，稳定流畅
- 周一至周二：6:00 - 22:00
- 北京市朝阳区体育
就在最近，人工智能领域迎来了一匹新的黑马。
在权威的公开评测榜单RoboDojo上，一家仅成立数月的神秘初创企业异军突起，一举夺得全球第一的宝座。
这家名为Simate的公司，刚刚完成了价值数亿元人民币的多轮连续融资，吸引了VC、互联网巨头和产业资本纷纷涌入。
作为前某头部自动驾驶公司的核心技术负责人之一，也是最年轻的对标阿里P10级别的技术专家，Simate创始人张颖曾参与打造国内最接近特斯拉FSD的智驾系统。
如今，他率领一支融合“产业与学术”背景的团队，转战Physical AI领域。
短短三个月内，他们交出的成果震惊了整个行业：不仅登顶榜单，还成功实现了Physical RSI的工程闭环。
这直接触及了一个令人兴奋的终极问题：“如果研究物理AI这件事本身，能够被AI自动化呢？”
为什么Simate能在短短两三个月内，获得数亿融资，并交出令行业震惊的答卷？
答案隐藏在其基因之中。
熟悉自动驾驶的人都知道，过去几年，国内智驾路线经历了一场惨烈的竞争：从有图到无图，再到纯视觉的一段式端到端。每一次转型，都伴随着无数公司的淘汰。
张颖，正是这场战役中最核心的“攻坚者”之一。
从自动驾驶的“尸山血海”中脱颖而出，张颖深知物理世界的不确定性有多可怕，也深谙如何将前沿AI算法与极致的工程化能力相结合。这一次，他将目光投向了更广阔的通用物理智能。
当一个将自动驾驶“一段式端到端”做到极致的人，决定去攻克物理AI，这是一种怎样的体验？
答案是：把汽车的“大脑”，装进机器人的“躯体”。
为此，张颖创立了Simate，并担任创始人兼CEO。
与他并肩作战的，是一支兼具产业与学术双重背景的“梦之队”。
占方能，香港科技大学助理教授、World Mind Lab负责人。这位曾在哈佛、MIT留下足迹的顶尖学者，是世界模型与物理AI领域的权威，在各大顶会发表了超过50篇高引论文。
季马泽宇：00后青年科学家，毕业于UCSD。他是业内最早实现通用人形控制器真机落地验证的代表人物之一，曾是硅谷物理AI明星初创公司ARI（后被Meta收购）的创始成员。
顶级量产工程能力 × 国际前沿研究视野 × 天才少年——这样的组合，让他们不仅在RoboDojo上拿到第一，超越了GPT-6-Astra、DeepMind，还在真实机器人的长程任务执行、记忆和高精度操作上展现了惊人的泛化能力。
然而，对于张颖和Simate来说，登顶RoboDojo根本不是终点，它只是一个“副产品”。
他们在下的，是一盘大棋。
当前，物理AI的研究面临着一个巨大的痛点：物理实验太慢、太贵、太容易失败。
Physical AI的研究，往往不是缺少一个绝妙的idea，而是死在了半路上。改模型、洗数据、配环境、跑评测……人类的精力被海量工程消耗殆尽。
Simate给出的解法就是——RSI。
长期以来，RSI一直停留在LLM的讨论中。而Simate首次将RSI进行了系统化落地，提出了Physical RSI的长期路线。
什么是Physical RSI？简单来说，就是让整个系统在稳定运行中，不断积累经验、自己提出假设、自己做实验、自己改进方法，从而提升机器人的智能。
Simate是全球首次将RSI系统化落地到Physical AI的公司。
他们构建的，是一套面向Physical AI的持续进化系统。在这个系统里，研究不是一串预先写好的死任务，而是一个根据实验反馈不断调整的生命体。
目前，Simate务实地选择了“人机共驾的弱RSI”作为阶段性起点。
由人类研究员负责提出方向、设定目标与约束条件，把控宏观决策。
AI Agent结合已有知识库，自主提出假设、规划实验路径、修改代码配置、执行验证并分析结果。
正是在这套“弱RSI”范式下，Simate推出了其杀手锏——AutoResearch自动研究系统。
它成功打破了人类体力的瓶颈，让研究的规模与速度呈现指数级爆发，一举登顶RoboDojo全球榜单！
Simate之所以能在RoboDojo公开评测中取得第一名，支撑它的是一套让想法能持续落地、验证、迭代的自主研究基础设施。
让我们深入看看，AutoResearch究竟是怎么工作的。
在这套系统图中，我们可以清晰地看到一个循环：“提出假设 — 规划实验 — 执行验证 — 分析迭代”。
1. 用SiPAI把研究想法落实为模型变化
要让Agent真正参与研究，模型必须像“乐高积木”一样，能够被理解、拆解和组装。
Simate打造了可插拔的模型框架SiPAI。它支持世界模型（WM）、动作模型（WAM）、VLA（视觉语言动作模型）等不同架构。
当面临一个具体问题时，Agent可以直接替换组件、调整配置来进行实验，而不用每次都重建一整套工程。这让研究想法有了明确的“落点”。
2. 坚如磐石的AI-native Infra底座
支撑大量自动实验同时进行的，是极度强大的基础设施。
它支持多Agent编排与多卡调度，训练与推理算力被统一调度，支撑数十个研究方向高并发进行。
哪怕某个Agent写了一个有Bug的代码导致崩溃，环境隔离也能确保它不影响全局，且中断的工作能够瞬间恢复。
另外，世界模型和仿真环境为Agent提供了秒级的快速反馈，帮助系统迅速判断哪些改动值得保留。
3. 研究过程全景可视：让进化可追溯
当几百个实验同时在云端运转时，人类如何把控全局？AutoResearch提供了一套令人惊叹的可视化界面。
通过“研究谱系图”，研究员可以看到每一个尝试的来龙去脉：方案是如何被延续、调整或叫停的。通过“运行时间线”，可以精准追踪训练、评测的状态，这就成为一张动态扩张的“科技树”图谱。
更可怕的是，AutoResearch研究的对象，不仅是模型本身，还包括研究流程本身。
在数据层面：它会自己做数据配比实验，比较哪些动作数据组合能改善模型的薄弱环节，从而回答“接下来该用什么数据训练”。
在模型层面：面对长任务，它会自主实验寻找“记忆容量”和“运行开销”的完美平衡点。
在部署层面：它甚至会研究预测动作的执行长度，探索模型预测与真实部署间的最佳策略。
每一轮实验都在改进模型，同时也为下一轮研究铺平了道路。
在这套强大的自动化研究系统的加持下，Simate正在孕育一个“怪物级”的模型：面向零样本泛化的通用物理快系统。
如果你看过他们最新的真机演示，一定会感到震撼。
在复杂的长程任务中，机械臂展现出了不可思议的记忆力、高精度操作能力和泛化能力。可以说，它是在“理解”物理世界。
这背后，是Simate模型设计的两大核心灵魂。
第一，4D物理感知。
机器人要干活，必须懂物理。
Simate将深度、几何、运动、遮挡与接触关系这些空间（3D）与时间（1D）的变量，深深烙印在模型之中。通过高效的视觉编码和时空建模，他们大幅降低了运行开销。
这意味着，他们要把端侧可部署模型的规模上限推到极致。模型不仅要“大”，还要“快”。
第二，分层时序记忆机制。
很多机器人干活，干着干着就忘了前面做了啥，或者因为处理太多历史信息导致系统卡顿。Simate围绕“任务进展记忆”、“连续状态追踪”和“即时变化反馈”，做出了精妙的筛选机制。
模型既能记住刚才发生的事，又能对当下的突发状况快速反应。
根据一次仅有的上下文提示，模型就能在新任务、新物体中复用能力；失败了，利用历史信息自我调整；长达数十个步骤的精细操作，一气呵成。
这就是从“演示学习”到“长程执行”的跨越。在未来的规划中，这个地表最强的“物理快系统”，还将与主导推理的“慢系统”打通配合，彻底向零样本、少样本通用操作发起总攻。
这个模型具体有多大？参数多少？Simate透露，即将在近期的深度报告中揭晓。
回顾过去几个月，Simate的崛起速度令人目眩。
一群大牛凑在一起，拿出了上亿的真金白银，没有去卷机械臂倒水视频，而是直指行业最深处的痛点，搞出了一套RSI系统。
这不禁让人想起了Simate这个名字的中文含义——硅基伙伴。
他们的愿景里写着：Silicon evolving with humanity.（硅基智能，与人类共生演进）。
在Simate的路线图中，有着清晰的三步走战略。
阶段一：弱RSI（已验证）。人类设定目标，Agent自动执行。RoboDojo第一名就是最好的工程证据。
阶段二：强RSI（探索中）。进一步减少人工干预。Agent将自主提出研究假设、规划实验路径，人类只需负责目标治理和关键决策监督。
阶段三：Fully Autonomous RSI（长期目标）。无人类参与的递归自我改进，研究、数据、模型与真实部署的完整闭环由系统完全自主运转，物理智能实现真正的自我进化。
对他们来说，弱RSI的验证只是开始。
“每一次数据采集、每一轮自动实验、每一次真实机器人部署，都在为这条路线积累可复用的经验。我们将持续探索，直到实现没有人类参与的RSI。”
好消息，那个拿下榜首的AutoResearch科研平台，已经正式开启内测招募！
目前，清华、北大、MIT、加州理工、哈佛、哥大等海内外十多所顶尖院校的师生，已经率先用上了。
如果你也受够了无止境调参、如果你也想体验“让AI帮你做研究”的爽感……
Simate AutoResearch科研平台内测，现已火热招募中。
内测网址：https://mate-robot.cn/research/sinfra/
本文来自微信公众号“新智元”，作者：ASI启示录，编辑：Aeneas 大卫，36氪经授权发布。
