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 智东西
智东西9月24日报道，物理智能公司Simate（硅基伙伴）成立仅三个月，便凭借AI自动研究系统AutoResearch研发的通用物理快系统模型，成功登顶物理AI智能评测榜单RoboDojo
公司已完成数亿元融资，核心团队汇聚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顶尖人才。在技术路线上，Simate提出让AI参与研发下一代机器人智能
公司提出Physical RSI（物理智能递归自我改进）路线，将模型研发、数据处理、实验评测及真实机器人部署连接，让AI Agent承担更多科研工作，并持续改进模型与研究方法。
01. 核心团队集结：融合自动驾驶与物理智能顶尖人才
Simate创始人张颖
其中，占方能
团队另一位核心成员是00后青年科学家季马泽宇
该团队形成了从基础模型认知、工程化到物理真机落地的完整闭环
02. 技术突破：AutoResearch助力模型登顶RoboDojo
Simate利用AutoResearch系统，以人机共驾的弱RSI范式研发物理智能模型，其通用物理快系统在涵盖泛化、记忆、精细操作等维度的RoboDojo评测中夺冠
真机演示中，模型展现了执行“泡茶”等多步骤连续任务的能力。
在长程任务中，机器人需记录进度并预判动作。单一画面无法提供完整信息，而累积历史观测会增加计算负担。为此，Simate引入4D物理感知与记忆机制
同时，公司探索高效视觉编码、时空建模和特征压缩，使大模型适配端侧实时操作。未来该快系统将与通用推理慢系统协同，向零样本与少样本操作推进。
背后的核心驱动力是Simate开发的AutoResearch系统，它让AI Agent承担了大量科研执行工作。
Agent可读取模型代码与历史记录，通过SiPAI修改配置并调用基础设施完成训练评测，根据结果自动优化实验策略，将新发现纳入下一轮研究。
这种方式大幅提高了科研执行的自动化程度。目前AutoResearch已开放试用，并被清华、MIT、港科大等高校使用。
03. 研发范式：押注Physical RSI实现智能自我进化
RSI（递归自我改进）旨在让智能系统利用已有能力改进自身。围绕不同研究问题，Simate将RSI分为三类：
弱RSI：
中RSI：
强RSI：
其长期目标是逐步减少人类参与，让模型与工具的改进持续增强下一轮研究能力。
为支撑该路线，Simate搭建了覆盖模型框架、数据处理、自动化研究与真实部署的技术体系。
首先是SiPAI可插拔模型框架
其次，Simate利用世界模型与仿真环境提供快速实验反馈，再通过真实机器人执行检验模型表现，将失败案例反哺研究过程。
结合AutoResearch通过评测识别瓶颈，最终形成持续迭代的研发闭环。
04. 结语：AI驱动机器人进化，加速物理智能规模化落地
随着数据、模型和算力持续Scaling，Simate正通过Physical RSI探索研究过程本身的Scaling。以AutoResearch为切入点，让AI Agent深度参与物理智能研发。目前，AutoResearch科研平台已开启内测。
随着Physical RSI路线成熟，机器人有望以更低的研发和部署成本适应更多场景，为物理智能规模化落地开辟新路径。
关注
在线咨询
智东西