硅基伙伴押注Physical RSI：让AI研发下一代机器人

物理智能公司硅基伙伴（Simate）成立仅三个月，便凭借通用物理快系统模型在RoboDojo评测榜单登顶。该公司提出Physical RSI技术路径，尝试让AI Agent参与机器人模型的研发与迭代，并已开放AutoResearch自动科研平台供高校试用。

团队背景：自动驾驶到物理智能

硅基伙伴核心团队汇集了自动驾驶端到端量产、世界模型及人形机器人控制等领域的研发力量。创始人张颖此前在某一线自动驾驶公司担任技术负责人，将端到端工程经验带入物理智能领域。

学术界方面，香港科技大学助理教授、World Mind Lab负责人占方能加入团队，研究方向涵盖世界模型、三维感知及物理AI，曾在SIGGRAPH、CVPR、ICCV、TPAMI等发表50余篇论文。00后青年科学家季马泽宇毕业于加州大学圣地亚哥分校，研究覆盖三维感知、灵巧操作及人形机器人全身控制，曾任硅谷物理AI公司Assured Robot Intelligence（ARI）创始成员，该公司后被Meta收购。

该公司已完成累计数亿元融资，团队形成从基础模型研究、工程化到物理真机落地的完整闭环。

RoboDojo登顶与通用物理快系统

硅基伙伴通过AutoResearch自动研究系统，以人机共驾的弱RSI范式开展模型研发，旗下通用物理快系统模型在RoboDojo榜单取得第一名。RoboDojo是面向通用机器人操作能力的评测基准，覆盖泛化、记忆、精细操作、长程任务执行及开放任务等维度。

该公司通过真机演示展示了模型执行连续多步骤任务（如泡茶）的能力。在长程任务中，机器人需要记忆已完成步骤和当前任务进展，并根据环境变化决定下一步动作。模型引入了4D物理感知与记忆机制，处理深度、几何、运动及接触关系等信息，同时围绕任务进展、连续状态追踪和即时变化反馈组织历史信息，探索长程任务一致性与实时反应之间的平衡。

为支撑更大规模模型在端侧实时运行，团队还探索了高效视觉编码、时空建模和特征压缩等技术。按照规划，这套物理快系统未来将与通用推理慢系统协同，向零样本、少样本的通用操作推进；具体模型规模与架构有待后续技术报告披露。

AutoResearch：让AI Agent参与模型研发

AutoResearch自动研究系统尝试将模型研发、数据处理、实验评测与真实部署连接起来，让AI Agent承担更多科研执行工作。系统界面包含「From Experiments to One Policy」的流程看板与跨场景评测结果页面，用于管理不同实验分支、追踪评测表现。

根据研究目标与约束，Agent可以读取模型代码、训练配置及历史实验记录，通过SiPAI修改组件与配置，调用基础设施完成训练与评测，再根据结果决定继续、调整或停止实验，并将新发现纳入下一轮研究。该公司表示，AutoResearch目前已对外开放试用，清华、MIT、香港科技大学等高校研究人员已有使用。

Physical RSI：弱、中、强三级递归自我改进

硅基伙伴将递归自我改进（Recursive Self-Improvement，RSI）研究任务划分为三类：

• 弱RSI：面向边界明确、反馈周期较短的问题，如实现函数、修改数据处理逻辑或在固定约束下优化计算，自主完成修改、测试与反馈。
• 中RSI：面向需要多阶段规划的人机协同研究，例如改善模型记忆、寻找数据配比，Agent承担上下文整理、实现与实验推进，研究员参与假设筛选与关键取舍。
• 强RSI：系统面对宽泛目标，例如提升新任务泛化，需要持续理解目标本质、发现值得研究的问题并在较长时间内保持方向，目前仍需资深研究人员主导。

该公司搭建了覆盖SiPAI可插拔模型框架、数据处理、自动化研究与真实部署的技术体系。SiPAI支持已接入的世界模型、世界动作模型、视觉语言动作模型（VLA）及视觉语言模型（VLM）等架构，使Agent能针对不同研究目标修改相应组件。在真实部署层面，团队利用世界模型与仿真环境提供快速反馈，再通过真实机器人执行检验，并将失败案例重新纳入研究过程。

据了解，AutoResearch科研平台已开启内测招募。随着Physical RSI路线逐步成熟，机器人有望以更低的研发和部署成本适应更多任务与场景，为物理智能规模化落地探索新的路径。