成立三月即登顶RoboDojo，Simate亮出首版物理AI模型

成立仅三个月的Physical AI公司Simate（Silicon Mate）近日发布其首款通用物理快系统Simate-beta，并据公司披露，在RoboDojo机器人评测榜单上以平均Score 33.95（成功率SR为27.96%）排名第一，相关数据更新于2026年9月23日。这是该公司从创立到登顶榜单所花费的全部时间。

团队背景：智驾基因转向通用物理AI

Simate核心团队此前曾把一段式端到端智能驾驶模型能力推进至对标Tesla FSD的水平，并完成量产。据公司介绍，创始人张颖为前一线智驾公司核心技术负责人，参与过有图、无图、端到端三代智驾方案攻坚。核心成员还包括香港科技大学助理教授、World Mind Lab负责人占方能（研究方向为世界模型与物理AI），以及00后青年科学家季马泽宇（研究方向涵盖3D感知、灵巧操作与人形机器人全身控制，加入Simate前为硅谷Assured Robot Intelligence创始成员，ARI后被Meta收购）。

资本层面，Simate在三个月内连续完成多轮数亿元人民币级别融资。

Simate-beta：面向零样本泛化的「快系统」

Simate将自身路线定位为通用物理AI中的「快系统」（系统一），与负责高层规划与复杂推理的「慢系统」协同工作。公司表示，Simate-beta重点探索端侧可部署模型的规模与能力上限，主要技术方向包括：

4D物理感知：同时捕捉空间结构与时间维度的动态变化。
分层时序记忆：兼顾长程任务状态追踪与即时反应延迟。

团队称，该路线延续了其在视觉模型、时序建模、实时推理与量产部署上的积累，具体架构与模型规模将在后续技术报告中披露。Simate预告，已形成面向复杂任务零样本泛化的技术思路，计划于2026年年底推出阶段性成果。公司同时表示，三项相关研究工作将通过论文与技术报告陆续公布，成果计划分阶段开源。

AutoResearch：让AI参与AI研究本身

支撑Simate-beta快速迭代的关键，是一套名为AutoResearch的自动化研究系统。该系统采用三层架构：

SiPAI：可插拔模型框架，将模块边界、系统接口、配置项与验证流程定义清晰，使Agent能精确知道该改哪个模块、改动波及什么、如何验证。目前已接入世界模型、世界动作模型、VLA、VLM等多种主流架构。
AutoResearch引擎：将外部论文、代码、数据配比、历史实验日志与最新评测反馈汇入同一份动态研究Context，实时刷新，供人类研究员与Agent共同使用。
AI-native Infra：覆盖训练、推理与评测的自研基础设施，通过高频「世界模型+仿真环境」筛选淘汰无效方向，仅让具备潜力的方案进入真机实测，真机反馈再回流至研究Context。

据公司介绍，来自MIT、加州理工、清华、北大、港科大等高校的研究者已参与AutoResearch平台内测。配套Sinfra基础设施覆盖训练、仿真与推理，具体可用资源按申请确认。

RSI分级：从「弱」到「强」的研究自动化

Simate在文中提出了三类递归自我改进（RSI）的分级：

弱SI：人机共驾，研究员设定目标与约束，异常升级处理——本次登顶RoboDojo被定位为这一阶段的工程验证。
中SI：方向明确但答案未知，Agent负责整理上下文、实现方案、跑实验、比较结果，研究员负责筛假设、做关键取舍。
强SI：研究本身需要被发现，涉及对研究品味与方向感的把握，现阶段仍需资深研究者主导。

公司强调三者无等级之分，可同时存在于同一套研发系统。Simate认为，将实验设计、训练、评测、反馈等高成本环节逐步交给Agent，本身已能显著提升研究吞吐，并认为物理AI领域「GPT-3时刻」的到来可能比外界预期更快。

目前AutoResearch科研平台已启动内测申请，配套千卡算力资源同步开放。