据Simate披露其利用AI自动研究系统AutoResearch参与研发的通用物理快系统模型已登顶物理AI智能评测榜单RoboDojo并通过真机展示了复杂长程任务执行、记忆、高精度操作等能力。这家公司已完成累计数亿元融资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技术人才。在技术路线选择上Simate将目光投向了一个近期备受关注的研究方向让AI参与下一代AI的研发。就在前几天Anthropic披露截至2026年8月Claude已经能够在人类监督下“主导”约26%的AI研发工作。Simate正在做的就是将类似的研发范式引入物理世界让AI参与研发下一代机器人智能。最近该公司官网也已正式上线。该公司提出了Physical RSI物理智能的递归自我改进路线尝试将模型研发、数据处理、实验评测及真实机器人部署连接起来让AI Agent承担更多科研工作并利用每一轮研究积累的经验持续改进模型与研究方法。01.一线自动驾驶公司技术负责人创业集结世界模型、真机控制领域核心人才Simate创始人张颖此前在行业某一线自动驾驶公司如今他将这些技术与工程经验带入物理智能领域探索以Physical RSI推动机器人智能的持续迭代。自动驾驶与物理智能有着相似的技术需求智能系统都需要感知真实环境、作出决策并根据外界变化持续调整行动。但机器人面对的任务更加多样。以抓取为例物体的形状、材质、摆放位置发生变化都可能影响机器人的执行效果对物理世界理解、精细运动控制等能力提出了新的要求。要将Physical RSI进一步推进至真实机器人能力的持续迭代Simate还需要补充世界模型、机器人控制等领域的技术能力。为此Simate集结了来自学术界和产业界的研究人员。其中占方能是香港科技大学助理教授、World Mind Lab负责人研究涉及世界模型、三维感知及物理AI曾在SIGGRAPH、CVPR、ICCV、TPAMI等学术会议和期刊发表超过50篇论文。团队另一位核心成员是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方向覆盖三维感知、灵巧操作及人形机器人全身控制曾参与通用人形控制器的真机验证工作。季马泽宇还曾任硅谷物理AI公司Assured Robot IntelligenceARI创始成员该公司后被Meta收购。总的来看这个团队就形成从基础模型认知、工程化到物理真机落地的完整闭环支撑Simate的Physical RSI技术路线。02.让AI研究机器人成立数月拿下RoboDojo评测榜一最近Simate披露其通过AutoResearch自动研究系统以人机共驾的弱RSI范式开展物理智能模型研发旗下通用物理快系统模型在RoboDojo评测榜单取得第一名。RoboDojo是一个面向通用机器人操作能力的评测基准涵盖泛化、记忆、精细操作、长程任务执行及开放任务等不同维度能够从多个角度观察模型的综合操作能力。Simate通过真机演示展示了模型利用历史信息连续执行、保留历史观测执行“泡茶”这一连续多步骤任务的能力。在长程任务中机器人需要记住已经完成的步骤、当前任务进展并根据环境变化决定下一步动作。如果只依靠当前画面模型可能无法获得完成后续操作所需的全部信息如果持续累积历史观测又会增加实时计算负担。为此Simate在通用物理快系统中引入了4D物理感知与记忆机制。模型通过处理深度、几何、运动及接触关系等信息理解物理环境同时围绕任务进展、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。为了让更大规模的模型服务于端侧实时操作该公司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还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。具体模型规模及架构仍有待后续技术报告公布。这些模型成果背后还有一个值得关注的变化Simate尝试让AI Agent承担更多机器人模型研发工作。过去研究人员需要反复修改模型、调整数据、训练评测再根据结果寻找新的优化方向。Simate开发的AutoResearch尝试将这些环节连接起来让Agent承担更多科研执行工作。从AutoResearch的界面来看这套系统已经不只是简单的实验脚本集合。画面中既出现了“From Experiments to One Policy”的流程看板也展示了跨场景评测结果页面用来管理不同实验分支、追踪评测表现并将多轮实验逐步汇聚成更稳定的策略。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和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。通过这种方式Simate尝试提高科研执行的自动化程度让研究人员将更多精力投入假设判断和关键技术决策。其阶段性成果也为AI Agent在人类指导下参与物理智能研究提供了初步的工程验证。据该公司介绍AutoResearch目前已对外开放试用并已有清华、MIT、香港科技大学等高校研究人员使用。03.押注Physical RSI让机器人智能持续自我进化如果AI能够修改模型、执行实验并根据结果调整下一轮研究那么再往前走一步它能否自主发现问题甚至改进自己的研究方法这正是Simate探索Physical RSI的核心思路。RSI全称Recursive Self-Improvement即递归自我改进关注智能系统如何利用已有能力改进自身并让这些改进进一步提升下一轮的研究与学习能力。围绕不同研究问题Simate将RSI研究任务划分为弱、中、强三类。弱RSI主要面向边界明确、反馈周期较短的问题比如实现一个函数、修改数据处理逻辑或在固定约束下优化一段计算自主完成修改、测试与反馈。中RSI面向需要多阶段规划的人机协同研究类似改善模型记忆、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、矛盾结果解释与关键取舍。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、修正路径这目前仍需要资深研究人员主导。Simate强调这三类划分主要用于区分研究问题的类型可以同时存在于一项研发工作中。其长期目标是逐步减少人类参与让模型、工具与研究方法的改进持续增强下一轮研究能力。从弱RSI走向强RSI关键挑战在于Agent能否从执行既定实验进一步发展出自主发现问题、提出有效假设和判断研究方向的能力这也构成了自动化科研与更高自主程度科研之间的重要区别。对此Simate搭建了一套覆盖模型框架、数据处理、自动化研究与真实部署的技术体系为Physical RSI的持续迭代提供支撑。首先是SiPAI可插拔模型框架通过清晰的模块边界、接口及验证流程让Agent能够理解模型结构、定位需要修改的组件并在完成改动后执行统一的训练与评测。SiPAI采用可插拔设计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。例如当研究目标是改善模型记忆机制时Agent可以围绕相关组件开展修改当问题涉及数据配比时则可以调整训练配置。在此基础上团队探索可迁移的感知与动作表征推动模型形成新任务适应、技能组合及意外恢复等能力。但机器人模型的能力提升最终仍需要经过实际操作验证。真实物理交互往往需要更复杂的实验条件也对科研反馈的速度和可靠性提出了新的要求。为此Simate利用世界模型与仿真环境提供较快的实验反馈再通过真实机器人执行检验模型表现将实际操作中的失败案例重新纳入研究过程。同时AutoResearch通过模型与数据实验验证假设利用评测结果识别能力瓶颈推动下一轮数据采集与模型训练形成持续迭代的研究闭环。04.结语AI驱动机器人进化物理智能规模化落地加速当数据、模型和算力持续Scaling研究过程本身能否也实现ScalingSimate正在通过Physical RSI探索这一新的可能。以AutoResearch为切入点Simate尝试让AI Agent参与模型研发、实验与评测并将真实机器人运行中的反馈转化为下一轮研究的依据。据了解AutoResearch 科研平台已经开启内测招募。随着Physical RSI技术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一条新的路径。原文链接让AI研发下一代机器人成立三个月登顶物理AI评测榜单押注Physical RSI-36氪我的专辑《人工智能生命体 新启点》CSDN平台https://blog.csdn.net/2501_91883294/article/details/147616608?sharetypeblogdetailshareId147616608sharereferAPPsharesource2501_91883294sharefromlink