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
作者 许丽思
编辑 漠影

智东西9月24日报道，物理智能公司Simate硅基伙伴，刚刚交出了一份成立三个月以来的亮眼技术答卷。

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。

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。

一、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，创立SiMate，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智能，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智能公司Assured Robot Intelligence（ARI）创始成员，该公司后被Meta收购。

总的来说，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。

二、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。

三、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。

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Scaling？Simate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。