力压GPT-6，中国物理AI黑马登顶第一

就在刚刚AI圈迎来全新黑马。就在刚刚AI圈迎来全新黑马。在权威公开评测榜单RoboDojo中一家成立仅仅几个月的神秘初创突然杀出重围一举拿下全球第一。就是这家名为Simate的公司刚刚完成了数亿元人民币的连续多轮融资VC、互联网大厂、产业资本踏破了门槛。作为前某头部自动驾驶公司核心技术负责人之一、最年轻的对标阿里P10技术大牛Simate创始人张颖参与打造了国内最近Tesla FSD的智驾系统。如今他带着一支「产业×学术」的双料团队转身杀入Physical AI。仅仅3个月他们交出的答卷震撼业内不仅登顶榜单更跑通了Physical RSI的工程闭环。这直接触及了那个让所有人兴奋的终极命题「如果研究物理AI这件事本身可以被AI自动化呢」智驾「扫地僧」转身当产业老兵遇见学术天才为什么Simate能在短短两三个月内拿下数亿融资并交出让行业震惊的答卷答案隐藏在它的基因里。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厮杀从有图到无图再到纯视觉的一段式端到端。每一次转换都伴随着无数公司的掉队。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」中杀出张颖太清楚物理世界的不确定性有多可怕也太懂得如何将前沿AI算法与极致的工程化能力结合。这一次他将目光锁定了更广阔的通用物理智能。当一个把自动驾驶「一段式端到端」做到顶尖的人决定去做物理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Simate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更是在真实机器人的长程任务执行、记忆、高精度操作上展现出了惊人的泛化能力。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。Physical RSI不造「神」造「造神」的机器当前物理AI的研究面临着一个巨大的痛点物理实验太慢、太贵、太容易失败了。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全球榜单揭秘AutoResearchAI如何自己搞科研Simate之所以能在RoboDojo公开评测中取得第一名支撑它的而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。地表最强通用物理快系统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。千卡算力邀你来回顾过去几个月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。」原文链接力压GPT-6中国物理AI黑马登顶第一-36氪我的专辑《人工智能生命体 新启点》CSDN平台https://blog.csdn.net/2501_91883294/article/details/147616608?sharetypeblogdetailshareId147616608sharereferAPPsharesource2501_91883294sharefromlink