成立三月登顶RoboDojo，Simate以AI自动化研发推进物理AI

AI研究AI的浪潮，正快速蔓延至物理世界。

成立仅三个月的具身智能公司 Simate（Silicon Mate）近日亮出其首款通用物理快系统——Simate-beta。该模型展示了出色的记忆、长程任务规划、精细操作与任务适应能力，并在未做特定榜单优化的前提下，登顶机器人评测基准 RoboDojo。

根据公开数据，Simate-beta 在 RoboDojo 榜单中以平均 33.95 的得分拿下第一，成功率（SR）达到 27.96%。虽然单一榜单无法涵盖物理智能的全部维度，但这无疑是观察其研发推进速度的一个切面。

据悉，Simate 核心团队此前曾主导将一段式端到端智驾模型推进至对标 Tesla FSD 的水平，并实现了大规模量产落地。成立三个月内，公司已连续完成数亿元人民币融资。

聚焦「通用物理快系统」：零样本泛化的新解法

面对物理世界中全新、复杂的环境，机器人不应每遇到一个新任务，就重新经历数据采集、模型微调与工程联调的繁重流程。Simate 的目标正是追求零样本（Zero-Shot）与少样本（Few-Shot）的通用操作能力。

在系统设计上，团队将人类认知机制映射至物理智能架构：高层规划与慢推理交给系统二（如通用大语言模型），而负责即时感知与毫秒级动作响应的「快系统」，则由 Simate 重点攻克。

Simate 选择将快系统的参数量做大，通过扩大规模探索零样本泛化的涌现，并着重突破两个技术点：

1. 4D 物理感知：同时捕捉三维空间结构与时间维度的动态变化，使感知表征直接服务于连续物理动作。
2. 分层时序记忆：兼顾长程任务的历史状态追踪与高频动作的低延迟响应，避免因历史上下文膨胀而拖慢即时推理。

这套设计延续了团队在大规模视觉表征、时序建模与实时边缘推理部署上的工程经验，旨在让快系统与前沿通用推理大模型协同推进复杂物理任务。

AI for Physical AI：搭建自动化科研闭环

机器人长程任务的研发痛点在于极高的试错成本——数据分布、模型架构、轨迹比例以及训练策略的细微变动，都对应着数十组对照实验。如果依赖人工调参和盯盘，研发迭代周期将极其漫长。

为此，Simate 从创立首日就确立了 AI for Physical AI 路线，搭建了包含三层架构的研发体系：

• SiPAI（可插拔模型框架）：原生面向自动化研究设计，将世界模型、动作模型、VLA、VLM 等模块清晰解耦。AI 智能体（Agent）可直接读懂模块边界与接口，按需替换组件并沿用标准验证流水线。
• AutoResearch（研究上下文引擎）：打通外部最新论文、内部讨论记录、代码版本、历史实验日志与评测反馈，汇聚成实时更新的 Context。Agent 提出的改动方案可精确对齐到具体代码分支，并与人类专家的探索思路形成协作闭环。
• AI-native Infra（弹性调度与筛选机制）：底层算力全面接入自研调度系统，支持数十条研究路线并发推进。为节约计算资源，方案先经由「世界模型 + 仿真环境」进行高通量初步筛选，仅有高潜力方案进入真机验证，真机测试数据再实时反哺回研究 Context。

目前，该自动化科研平台 AutoResearch 已开放内测，来自清华大学、北京大学、MIT、加州理工学院等高校的研究者已接入使用。

探索递归式自我改进（RSI）

Simate 核心团队阵容兼具工业界与学术界背景：创始人张颖曾负责一线智驾方案量产；香港科技大学助理教授占方能长期深耕世界模型；联合创始人季马泽宇曾横跨 3D 感知与人形机器人全身控制，此前为硅谷具身智能团队 ARI（后被 Meta 收购）核心成员。

团队将物理世界的自我改进（Physical RSI）划分为三个阶段：

1. 弱 SI（边界明确）：人机共驾模式，人类设定目标约束，Agent 自动完成闭环实验与工程验证。登顶 RoboDojo 便是该阶段的产物。
2. 中 SI（探索未知解）：面对记忆优化、数据配比等具体挑战，Agent 负责梳理上下文、实现方案并对比验证，人类负责筛选核心假设与裁决冲突证据。