新智元报道
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 TeslaFSD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/
编辑：Aeneas 大卫
