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

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> AI开始研究Physical AI：FSD级团队亮出首版模型Simate-beta，空降RoboDojo 田, 晏林 2026-09-26 17:07:41 来源： 量子位 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。 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