让AI研发下一代机器人：Simate成立三个月登顶RoboDojo，押注Physical RSI
物理智能公司Simate（硅基伙伴）成立仅三个月，其利用AI自动研究系统AutoResearch研发的通用物理快系统模型，已登顶RoboDojo物理AI评测榜单。
核心硬信息
- 发布时间：2024年9月24日披露进展
- 新版本/系统：AutoResearch自动研究系统 + 通用物理快系统模型
- 评测结果：RoboDojo榜单第一名
- 可用状态：AutoResearch已对外开放试用，部分高校已接入使用
- 技术路线：Physical RSI（物理智能的递归自我改进），采用人机共驾的弱RSI范式
一线团队：自动驾驶与世界模型专家联合创业
Simate由前一线自动驾驶公司技术负责人张颖创立，核心团队融合自动驾驶端到端量产、世界模型及人形机器人控制三大领域经验。
- 张颖：创始人，一线自动驾驶公司技术负责人背景
- 占方能：香港科技大学助理教授、World Mind Lab负责人，SIGGRAPH/CVPR/ICCV/TPAMI等顶会期刊论文超50篇
- 季马泽宇：00后青年科学家，加州大学圣地亚哥分校毕业，曾任Meta收购的Assured Robot Intelligence（ARI）创始成员
RoboDojo登顶：真机演示泡茶长程任务
RoboDojo是面向通用机器人操作能力的评测基准，涵盖泛化性、记忆、精细操作、长程任务执行及开放任务五大维度。
Simate通过真机演示展示了模型的关键能力：
- 复杂长程任务执行：连续多步骤完成"泡茶"流程
- 历史记忆能力：记住已完成步骤与当前任务进展
- 环境适应：根据实时变化调整后续动作
- 高精度操作：处理不同形状、材质物体的抓取
技术突破：4D感知、记忆机制与高效编码
为解决长程任务中的计算负担与信息完整性矛盾，Simate提出三项关键技术：
- 4D物理感知与记忆机制：处理深度、几何、运动及接触关系，组织历史信息以平衡一致性与实时性
- 高效视觉编码技术：支持更大规模模型服务于端侧实时操作
- SiPAI可插拔框架：模块化设计支持世界模型、VLA/VLM等多种架构接入
反差数据：团队未公布具体参数（如模型规模、训练数据量、计算成本），但声称实现了工程化落地速度——这与学术界动辄强调"百倍参数增长"的惯性思路形成明显反差，突出其"工程优先"的务实路径。
AutoResearch：AI Agent参与科研全流程
AutoResearch不是简单实验脚本集合，而是一套覆盖模型研发全链路的自动化系统：
- 功能：读取代码与配置、修改组件、调用训练评测、决策是否继续
- 界面：包含"From Experiments to One Policy"流程看板、跨场景评测结果管理
- 到货状态：已开放试用，清华、MIT、港科大等高校研究人员已接入使用
Physical RSI三 tiers：弱、中、强递进路线
Simate将递归自我改进细分为三个层级：
| RSI层级 | 特点 | 人类参与度 | 例子 |
|---|---|---|---|
| 弱RSI | 边界明确、反馈快 | 人类设目标 | 修改函数、优化数据处理逻辑 |
| 中RSI | 多阶段规划、人机协同 | 人类筛选假设 | 改善记忆机制、寻找数据配比 |
| 强RSI | 宽泛目标、持续理解 | 人类主导方向 | 提升新任务泛化、发现研究问题 |
目前Simate主要处于弱RSI向中RSI过渡阶段，强RSI仍需资深研究员主导。
落地建议
- 适合谁用：需要快速迭代机器人控制能力的研发团队，尤其具备一定工程化基础、希望探索AI辅助研发范式的实验室或企业
- 谁该再等等：无机器人真机部署条件、缺乏数据闭环能力的团队——Physical RSI高度依赖真实物理交互反馈，仿真环境无法完全替代
写在最后
Physical RSI并非简单自动化科研，而是重构AI研发的范式边界。当模型不仅能解决任务，还能"思考"如何更好解决任务本身时，物理智能的迭代周期或将从月/年缩短至周/天。但技术成熟度仍处于早期内测，规模化落地还需跨过真机稳定性与成本两道关卡。