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。

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AutoResearch

AI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。」

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/

文章来自于"新智元"，作者 "Aeneas 大卫"。