الذكاء الاصطناعي يدرس الذكاء الاصطناعي، وهذه المرة لديه إجابة من العالم المادي.
شركة تأسست منذ ثلاثة أشهر فقط، عرضت أول نظام فيزيائي عام لها، Simate-beta: تُظهر الذاكرة، المهام طويلة المدى، التشغيل الدقيق وقدرة التكيف مع المهام، وفقًا لما أعلنته الشركة، وتتصدر RoboDojo.
القائمة لا يمكنها بالطبع تمثيل جميع قدرات النموذج، لكنها توفر زاوية لمراقبة سرعة وقوة التطوير.
وفقًا للفريق، لم يتم تحسين النموذج الأساسي المُقدَّم لهذا التصنيف بأي شكل خاص.
بعد ثلاثة أشهر من التأسيس، أظهر النموذج الأولي هذه النتائج، وهي تستحق الاهتمام.
الفريق يسمى Simate (Silicon Mate).
ليس صغيرًا أيضًا. وفقًا لشركة الشركة، قام الفريق الأساسي بدفع قدرات نموذج القيادة الذكية المتكامل من طراز واحد إلى مستوى مماثل لـ Tesla FSD، وأكملوا الإنتاج الضخم.
على مستوى عالمي، فإن الفرق التي عبرت هذا العتبة نادرة جدًا؛ ومن النادر أكثر أن تستمر هذه الفرق في تطوير الذكاء الاصطناعي الفيزيائي العام باستخدام هذه المعرفة المكتسبة.
لكن الأشياء الأكثر إثارة في هذه المرة هي طريقة البحث والتطوير التي حددوها منذ اليوم الأول للإنشاء:
الذكاء الاصطناعي للذكاء الاصطناعي المادي، اجعل الذكاء الاصطناعي يشارك في بحث وتطوير الذكاء المادي نفسه.
تُنظّم الشركة النموذج والبيانات والقدرة الحسابية وعمليات التجربة حول هذا المسار. Simate-beta هو المنتج الأولي العملي لهذا النظام البحثي المبني على الذكاء الاصطناعي.
بالإضافة إلى ذلك، بدأت أدوات البحث في الاستخدام من قبل باحثين خارجيين.
وفقًا للشركة، شارك باحثون من جامعات مثل MIT وCalifornia Institute of Technology وTsinghua وPeking University في الاختبار الداخلي لمنصة AutoResearch. وتغطي بنية Sinfra المرافقة التدريب والمحاكاة والاستنتاج، مع تحديد الموارد المتاحة حسب الطلب.
في نفس الوقت، أكملت Simate سلسلة من جولات التمويل بقيمة مئات الملايين من اليوان الصيني.
على مدار ثلاثة أشهر، يتم دفع النموذج ومنصة البحث والتجارب الخارجية والتمويل قدماً بالتوازي. هذا السرعة تدفعك فعلاً لرؤية الخطوة التالية.
كما قدم الفريق تلميحًا: تم تطوير فكرة تقنية تهدف إلى التعميم الصفري المهام المعقدة، ومن المخطط إطلاق نتائج مرحلية بحلول نهاية هذا العام.
في رأيهم، فإن مشاركة GPT-6 في عمليات العالم المادي هي تطور متوقع، وقد يحدث اختراق في الذكاء الاصطناعي الفيزيائي أسرع مما يتخيله الخارجيون. إنهم يرغبون في تجاوز الاعتماد على التخصيص حسب المهمة والتدريب اللاحق، لدفع الذكاء الاصطناعي الفيزيائي نحو لحظته الخاصة "GPT-3".
ستُنشر ثلاث مهام بحثية، بما في ذلك نماذج وأبحاث الأتمتة، تدريجيًا من خلال أوراق علمية وتقارير تقنية، ومن المخطط إطلاق النتائج ذات الصلة مفتوحة المصدر على مراحل.
هذا السرعة في التطوير، وما إذا كانت يمكن أن تستمر، يصبحان أهم شيء يجب مراقبته من قبل Simate في المستقبل.
إذًا، ما الذي حققته النموذج الأول؟ وكيف شارك الذكاء الاصطناعي في البحث؟
Simate-beta: نظام سريع عام للفيزياء مع التعميم الصفري
ما يسعى سيمات إلى تحقيقه في النهاية هو عملية ذكاء اصطناعي عامة في الفيزياء بأسلوب الصفر عينة (Zero-Shot) وعدد قليل من العينات (Few-Shot).
في بيئة جديدة وغير مألوفة، لا ينبغي للنظام أن يجمع مجموعة بيانات جديدة، ويتدرّب على نموذج جديد، ويعيد ضبط الهندسة كلما أُضيفت مهمة جديدة.
هذا هو بالضبط المجال الأكثر رواجًا وتحديًا حاليًا للذكاء الاصطناعي الفيزيائي — منافسة شرسة، وكل طرف يُظهر مهاراته.
أما الحل الحالي الذي قدمه Simate، فيُسمى: النظام الفيزيائي السريع العام.
أي النظام الأول.
دعونا نستخدم مثالًا من البشر أولاً:
لمواجهة تعليمات معقدة مثل "ساعدني في تنظيم المكتب"، نحتاج إلى "النظام الثاني" لفهم النية وتفكيك الخطوات؛
لكن عندما تكون اليد قد امتدت بالفعل نحو الكوب، فإن ردود الأفعال الدقيقة على مستوى الملي ثانية — مثل التصحيح بمقدار بضعة مليمترات إلى اليسار أو اليمين — لا يمكن أن تعتمد على التفكير العميق في كل خطوة.
The same applies to physical AI.
يُشرف نظام عام "بطيء" على التخطيط العالي المستوى والتفكير المعقد، بينما يُشرف نظام "سريع" كافٍ في القوة على الإدراك الفوري للعالم المادي المتغير باستمرار، ويعمل على إصدار الحركات بسرعة فائقة.
اختار سيمات الأخير—
قم بزيادة عدد معلمات نظام التسريع لاستكشاف ظهور القدرة على التعميم بدون عينات، وتحدي حدود الحجم والقدرة للنماذج القابلة للنشر على الحافة.
نظام فيزيائي عام.
لكن، أن يكون كبيرًا وسريعًا في آنٍ واحد، هو توازن صعب جدًا.
اختار سيمات البدء من أمرين:
1. الإدراك الفيزيائي 4D
لفهم العالم المادي، يجب التقاط الديناميكيات في البنية المكانية وبعد الزمن في آنٍ واحد، لجعل التمثيل الفيزيائي يخدم الفعل فعليًا.
2. الذاكرة التسلسلية الطبقية
المهام الطويلة الأمد تتطلب تذكر الأحداث السابقة، والعمليات المتسلسلة تحتاج إلى تتبع الحالة، بينما لا يمكن أن تُبطئ الاستجابة الفورية بمعلومات تاريخية ضخمة.
الإدراك الفيزيائي 4D والذاكرة الزمنية الطبقية، معًا، تشير إلى التوافق مع طريقة معالجة الإنسان للعالم المستمر عبر نظامه السريع.
هذا المسار يُكمل أيضًا التراكم الذي حققه الفريق في نماذج الرؤية الكبيرة، ونمذجة التسلسل الزمني، والاستدلال في الوقت الحقيقي، والنشر على نطاق إنتاجي. سيتم الكشف عن التصميم المعماري والحجم النموذجي في تقرير تقني لاحق.
الحالة النهائية المرغوب فيها هي: أن يكون النموذج واضحًا بشأن ما يحدث حاليًا، ويتذكر ما حدث للتو، ويمكنه اتخاذ قرار فوري بالخطوة التالية.
التعاون مع قدرات الاستدلال العام التي تمثلها نماذج متقدمة مثل GPT-6 للتقدم نحو تنفيذ عينات صفرية للمهام المعقدة.
من العرض التجريبي الفعلي لـ Simate-beta الذي قدمته الشركة حاليًا، تركز الاختبارات على مهام التكيف الموجهة بالعرض، والذاكرة، والتنفيذ الطويل المدى المعقد، والعمليات الدقيقة.
وفقًا لقائمة RoboDojo المقدمة من الشركة وتحديثها في 23 سبتمبر 2026، يحتل simate-beta المرتبة الأولى بمتوسط درجة 33.95، ويعادل ذلك SR بنسبة 27.96%. هذه النتيجة جزء من تقييم القائمة، وأداء الجهاز الحقيقي سيتم عرضه بشكل منفصل.
خلف هذا النموذج الإجابة، يوجد نظام آخر يستحق التفصيل أيضًا.
اجعل العجلة الدوارة تدور
على مدار السنوات القليلة الماضية، اعتاد الناس أكثر فأكثر على استخدام الذكاء الاصطناعي لكتابة الكود.
لكن في الواقع، كتابة الكود تمثل جزءًا صغيرًا فقط في أبحاث الذكاء الاصطناعي.
في كثير من الأحيان، تكون كفاءة التكرار هي المفتاح الحاسم. من يستطيع التحقق من المزيد من الفرضيات البحثية في وحدة زمنية معينة، سيتمكن من التقدم أولاً.
أبسط مثال ممكن.
غالبًا ما تتعطل مهام الروبوتات طويلة المدى في مرحلة معينة، والأسباب لا تتجاوز عدة أمور: تشوه توزيع البيانات، أو حدود هيكل النموذج، أو عدم توازن نسب المسارات، أو فشل استراتيجية التدريب.
خلف كل اتجاه، هناك عشرات أو حتى مئات التجارب.
إذا اعتمدنا بالكامل على الباحثين لتعديل الإعدادات يدويًا، وفتح المهام، ومراقبة التدريب، وتنفيذ التقييمات، ثم جمع النتائج مرة أخرى، فستبرد حساء الكوسا قبل أن ننتهي...
لذلك قام Simate بإنشاء AutoResearch لتسريع هذه العملية—
الباحث البشري: طرح الفرضيات، وتحديد الأهداف، ووضع القيود.
محرك AutoResearch: يأخذ المهمة تلقائيًا، ويفكك التجارب المتبقية، وينفذها، ويعيد التغذية الراجعة عبر العملية بالكامل تلقائيًا.
كما تم الكشف عن النتيجة النهائية، حيث حصلوا على المركز الأول في RoboDojo باستخدام هذه الطريقة.
الأهمية الأكبر هي السرعة.
استغرق Simate من التأسيس حتى صعوده إلى قمة RoboDojo ثلاثة أشهر فقط.
هذا سخيف جداً...
إذًا السؤال هو:
كيف يجب على الذكاء الاصطناعي أن "يبحث في الذكاء الاصطناعي"؟
من الواضح أن إدخال عامل واحد فقط ليس كافيًا على الإطلاق.
تطوير الروبوتات الحقيقي يخترق الطبقة الأساسية من كود النموذج، وخطوط أنابيب البيانات، ومجموعات التدريب، وبيئات التقييم، وردود الفعل من الأجهزة الحقيقية، بالإضافة إلى سجلات التجارب من الأشهر أو حتى السنوات الماضية.
في النهاية، ما زال هذا مسألة "سياق". يحتاج العامل إلى واجهة فائقة قادرة على جدولة كل شيء.
لهذا الغرض، بنى Simate بنية طبقات ثلاثية: SiPAI + AutoResearch + AI-native Infra.
SiPAI: جعل بنية النموذج "قابلة للبحث من قبل الذكاء الاصطناعي"
إنه إطار عمل قابل للإضافة مصمم أصليًا لـ "البحث الآلي".
ببساطة، يتم بناء نموذج الروبوت على هيكل يمكن للذكاء الاصطناعي قراءته بسهولة — حيث يتم تعريف حدود الوحدات، وواجهات النظام، وعناصر التكوين، وعمليات التحقق بشكل واضح جدًا.
فقط بهذه الطريقة، يمكن للوكيل أن يفهم بدقة بعد تلقي موضوع البحث: أي وحدة يجب تعديلها؟ وما هي التأثيرات المحتملة للتعديل؟ وكيف يجب التحقق من النتائج في النهاية؟
حاليًا، أكمل Simate بناء هذه البنية التحتية، ونجح في الاتصال ببنية عالمية، ونموذج إجراءات العالم، وVLA، وVLM، وغيرها من الهياكل الرئيسية.
يمكن لكل من الباحثين البشريين والوكلاء تجميع المكونات بحرية، وتعديل التحقيقات المحلية، والحفاظ على سير العمل الموحّد للتدريب والتقييم.
AutoResearch: يقدم "سياق البحث" المُحدَّث تلقائيًا في الوقت الحقيقي
إذا كانت SiPAI تقدم دليلاً ثابتًا، فإن AutoResearch تحل فجوة المعلومات الديناميكية:
أين وصلت الدراسة؟ ما هي الأخطاء التي وُقعت فيها سابقًا؟ ما هي الأدلة الأحدث؟
يقوم بربط ودمج جميع مصادر البحث في سياق بحثي ديناميكي واحد، بما في ذلك الأوراق البحثية الخارجية الرائدة، ومواد المناقشات الداخلية للفريق، وشفرة النموذج، ونسب البيانات، وسجلات التجارب التاريخية، مع ملاحظات التقييم الأحدث.
سيتم تحديث هذا السياق في الوقت الفعلي، سواء تم نشر ورقة بحثية جديدة، أو تقديم إصدار جديد من الكود الداخلي، أو دحض بيانات التجربة الأخيرة للفرضيات القديمة.
بهذه الطريقة، يمكن ربط كل اقتراح بحثي يقدمه الوكيل بدقة إلى فرع الكود والإصدار التجريبي المحدد:
الأمر الأكثر إثارة هو التكامل العميق بين "التجربة البشرية" و"تجارب الوكيل":
يمكن للباحثين البشريين إدخال قيود واتجاهات ضبط في أي وقت؛ بمجرد التحقق من فعالية مكون معين في تجربة، فإنه يُخزن فورًا كنقطة انطلاق جديدة للتجارب اللاحقة؛ كما يمكن لأي منهجية يتم تطويرها في فرع معين أن تُستخدم دون انقطاع من قبل الوكلاء التاليين.
أصبحت النتائج البحثية حقًا وسيلة إنتاج للبحث التالي.
البنية التحتية الأصلية للذكاء الاصطناعي: جعل عجلة التطوير على مدار 24 ساعة طوال الأسبوع تدور
Of course, an agent writing code alone is not enough; experiments must run efficiently.
يقوم Simate بدمج عمليات التدريب والاستدلال والتقييم بالكامل في البنية التحتية الخاصة به، من خلال ترتيب المهام وجدولة الموارد بشكل مثالي، مما يسمح بدفع عشرات مسارات البحث المستقلة بشكل متوازٍ.
لمنع هدر القوة الحسابية، يستخدم Simate آلية فلترة عالية التردد: تمر جميع المسارات أولاً بتصفية سريعة عبر "النموذج العالمي + بيئة المحاكاة"، وتُستبعد معظم الاتجاهات غير الفعالة؛
فقط المشاريع التي تمتلك إمكانات حقيقية ستنتقل إلى الاختبار الفعلي.
تم اكتشاف مشكلات جديدة على الجهاز الفعلي، وتم إعادة تدفقها إلى سياق البحث، مما يشكل حلقة مغلقة:
النتيجة النهائية هي أن الإنسان يحتاج فقط إلى طرح اتجاه استكشافي، ويمكن للنظام الأساسي تشغيل عشرات التجارب بالتوازي تلقائيًا للتقدم بسرعة.
هذا أيضًا السر الرئيسي الذي مكن Simate من الصعود إلى القمة خلال ثلاثة أشهر.
لكن الأكثر إثارة للدهشة أنهم اختاروا فتح مصادر هذه الأداة الداخلية الأساسية للغاية للجميع!
يبدو الموقع هكذا، يمكن للأصدقاء المهتمين أخذه من نهاية المقال.
حاليًا، تم تعيين باحثين من جامعات رائدة مثل تسينغهوا وMIT وHKUST في الاختبار الداخلي.
RSI ضعيف، لكنه مجرد نقطة بداية
المؤسس زانغ يينغ، المسؤول السابق عن التكنولوجيا الأساسية في شركة رائدة في مجال القيادة الذكية.
يتمتع بخبرة عملية غنية في الهندسة، وشارك في تطوير الأجيال الثلاثة من حلول القيادة الذكية: مع الصور، بدون صور، ونظام كامل من البداية إلى النهاية، كما عمل لسنوات عديدة على الإنتاج الضخم.
وفقًا للتقرير، فإن النظام الذكي للقيادة الذي طورته هو أقرب نظام ذكي للقيادة إلى Tesla FSD في الصين.
إضافةً إلى ذلك، هناك شخصيتان أساسيتان في الفريق.
1. Only the party placing the bet can.
أستاذ مساعد في جامعة العلوم والتكنولوجيا في هونغ كونغ، ومدير مختبر وورلد مايند لاب، يبحث منذ فترة طويلة في النماذج العالمية والذكاء الاصطناعي الفيزيائي.
2. جيما زيهو.
عالم شاب من جيل الألفية، تشمل مجالات بحثه الإدراك ثلاثي الأبعاد، والتحكم الدقيق، والتحكم الكامل في الروبوتات البشرية الشكل.
قبل انضمامه إلى Simate، كان عضوًا مؤسسًا في Assured Robot Intelligence في سيليكون فالي.
تم استحواذ ARI لاحقًا من قبل Meta.
الأسواق الرأسمالية، وقد أدلت بصوتها بالفعل بالمال الحقيقي.
بعد تأسيسها منذ ثلاثة أشهر فقط، أكملت Simate عدة جولات تمويل، كل منها بقيمة مئات الملايين من اليوان الصيني.
وكل هذا، هو رهان على نفس الشيء—
RSI المادي.
منذ اليوم الأول لتأسيسه، ركزت Simate على هذا الاتجاه وحددت ثلاثة أنواع مختلفة من RSI.
1. SI ضعيف: حدود محددة، إغلاق سريع
نموذج القيادة المشتركة بين الإنسان والآلة، حيث يحدد الباحثون الأهداف والقيود، ولا يتطلب التنفيذ العادي مشاركة تدريجية من الباحثين، ويمكن رفع الحالات الاستثنائية للتعامل معها.
هذا الصعود إلى RoboDojo هو اختبار الهندسة للمرحلة الأولى.
2. SI الأوسط: الاتجاه واضح، لكن الإجابة غير معروفة
كيف يمكن تحسين ذاكرة النموذج؟ ما هي النسبة المثلى لبيانات نوع معين من المهام؟
الاتجاه موجود بالفعل، لكن أي خيار فعّال يتطلب تجارب متعددة لتحديد ذلك.
في هذه المرحلة، يُشرف العامل على تنظيم السياق، وتنفيذ الحلول، وتشغيل التجارب، ومقارنة النتائج؛ بينما يُركز الباحث على تصفية الفرضيات، وشرح الأدلة المتناقضة، واتخاذ القرارات الحاسمة.
هذا أيضًا أحد أكثر الفئات قيمة واقعيًا في هذه المرحلة.
3. قوة SI: تتطلب الدراسة نفسها أن تُكتشف
الأصعب، والأكثر تأثيرًا على جوهر الذكاء—
How to improve the model's generalization ability on completely new tasks?
لم تعد هناك مسارات واضحة لحل هذه المشكلات. يجب على النظام أن يفهم الهدف بنفسه، ويكتشف المشكلات التي تستحق البحث الحقيقي، ويحافظ على التوجيه على مدى فترة طويلة، مع تصحيح المسار باستمرار.
هذا يبدأ في تضمين ما يُعرف بـ "ذوق البحث".
في هذه المرحلة، لا تزال هذه المهام تتطلب قيادة باحثين ذوي خبرة. ويعمل العامل_agent بشكل أساسي على دعم استكشاف الأدبيات والأدلة والتجارب والمسارات.
جدير بالذكر أن السيمات التي ذكرها سيمات من ضعيف ومتوسط وقوي لا توجد بينها أي درجات، ويمكن أن توجد جميعها في نفس نظام التطوير في وقت واحد.
الأهم هو مبدأ "التطور" الأساسي نفسه.
شيء واحد إضافي
كل تحسين ذاتي للنظام يجعل التحسين التالي أسهل في الحدوث.
عندما تُربط البيانات والنماذج مع النشر الفعلي في حلقة مغلقة تدور ذاتيًا، لا يُحدَّد حدود الروبوتات فقط بحدود الإنسان.
هذا هو Physical RSI، وهو حاليًا أكثر المسارات شعبية كمرشح لـ Physical AGI.
Of course, what Simate is showing now is still in its early form.
لا يزال الإنسان في الحلقة موجودًا، ولا يزال الباحثون يسيطرون على أدق تقييمات الاتجاه في الدورة بأكملها.
لكن هذا بالضبط يوضح أن البحث الآلي لا يحتاج إلى الانتظار حتى يوم "عدم مشاركة بشرية كاملة" ليبدأ في إنتاج قيمة.
قبل ظهور قدرات بحث ذاتية أقوى بشكل حقيقي، فإن تفويض المراحل عالية التكلفة والقابلة للتوحيد مثل تصميم التجارب، والتدريب، والتقييم، والتغذية الراجعة تدريجيًا إلى الوكلاء، يمكنه بالفعل تعزيز إنتاجية البحث بشكل ملحوظ.
سجل روبودوجو يُعد أيضًا تأكيدًا على جدوى مسار "القيادة المشتركة بين الإنسان والآلة" في مجال الذكاء الاصطناعي الفيزيائي—
RSI، بدأ حقًا.
بالإضافة إلى ذلك، هناك شيء آخر.
منصة AutoResearch للبحث العلمي قد بدأت الاختبار الداخلي، وهي تجتذب مشاركين بنشاط حاليًا!
قوة حسابية تبلغ 1000 كيلو كالوري، انتظرك للاستمتاع بها~
الموقع الرسمي:
https://mate-robot.cn/
منصة AutoResearch البحثية:
https://mate-robot.cn/research/sinfra/
هذا المقال من حساب ويشات الرسمي "كيوانغ تشي" (ID: QbitAI)، الكاتب: جاي