Simate首款物理AI模型三个月登顶RoboDojo

成立仅三个月的Simate（Silicon Mate）推出首款通用物理快系统Simate-beta，展示了记忆、长程任务执行、精细操作和任务适应能力。根据2026年9月23日更新的RoboDojo榜单，该模型平均Score为33.95、SR为27.96%，排名第一，且参评基础模型未针对榜单做专项优化；榜单成绩不等同于全部真机能力。

Simate核心成员曾将端到端自动驾驶能力推进到接近Tesla FSD的水平并完成量产落地。公司从成立之初便采用“AI研究Physical AI”的路线，围绕模型、数据、算力和实验流程搭建AI-native体系。其AutoResearch平台已邀请清华、MIT、加州理工、北大、港科大等高校研究者内测，配套基础设施覆盖训练、仿真和推理。公司成立后连续完成多轮、每轮数亿元人民币级融资。

Simate-beta的目标是让机器人在陌生环境中实现零样本或少样本执行，减少逐任务采集数据、训练模型和反复调参的依赖。其“快系统”负责实时感知和动作输出，与承担高层规划的“慢系统”协同；当前重点包括4D物理感知和分层时序记忆，兼顾空间变化、时间状态、长程任务记忆与毫秒级反应，具体架构和规模将由后续技术报告披露。

AutoResearch将研究员提出的假设、目标和约束转化为自动化实验，完成方案拆解、训练、评测和结果反馈。Simate为此搭建SiPAI、AutoResearch和AI-native Infra三层架构：SiPAI支持世界模型、世界动作模型、VLA、VLM等组件的插拔组合；AutoResearch汇总论文、代码、数据配比、历史日志和评测结果，持续更新研究上下文。

Simate将训练、推理与评测接入自研基础设施，通过任务编排和资源调度并行推进数十条研究路线。候选方案先在世界模型和仿真环境中快速筛选，较有潜力的方向再进入真机测试，真实反馈随后回流研究上下文，形成持续迭代的闭环。公司称，这套方法帮助模型在三个月内登顶RoboDojo。

相关工具原本是内部研发系统，但Simate选择开放并提供使用入口，目前已有高校研究者参与内测。团队计划在今年年底公布面向复杂任务零样本泛化的阶段性成果，并通过论文和技术报告发布模型、自动化研究等工作，部分成果将分阶段开源。

创始人张颖曾任一线智驾企业核心技术负责人，参与有图、无图和端到端方案及量产工作；团队成员还包括研究世界模型与物理AI的香港科技大学助理教授占方能，以及研究3D感知、灵巧操作和人形机器人控制的季马泽宇，后者曾是Assured Robot Intelligence创始成员，该公司后来被Meta收购。

Simate将这套方向概括为Physical RSI，并分为三层：弱SI由研究员设定目标和约束、系统自动执行，RoboDojo登顶属于这一阶段；中SI中，Agent负责整理上下文、实现方案和跑实验，研究员筛选假设并做关键取舍；强SI则要求系统自行发现研究问题、规划长期路线，目前仍需资深研究者主导。团队预计GPT-6等前沿模型参与物理操作只是时间问题，希望推动Physical AI形成类似GPT-3阶段的突破。