Simate-beta ay debuts bilang pinakamahusay na physical AI model sa RoboDojo

Ang AI ay tumutuklas sa AI, at ngayon may sagot sa mundo ng pisikal.

Isang kumpanya na may tatlong buwang kasaysayan, ipinakilala ang kanilang unang pangkalahatang fisikal na sistema, Simate-beta: nagpapakita ng memorya, malayong gawain, masusing operasyon at kakayahang mag-adapt sa gawain, at ayon sa pagpapahayag ng kumpanya, ito ay naging numero uno sa RoboDojo.

Hindi maaaring kumakatawan ang listahan sa buong kakayahan ng modelo, ngunit ito ay nagbibigay ng isang pananaw sa bilis at lakas ng pag-unlad.

Ayon sa koponan, ang pangunahing modelo na nakilahok sa pagtataya ay hindi pinag-optimiza nang anumang espesipikong paraan para sa listahang ito.

Tatlo buwan lang ang katagal ng pagkakatatag, ngunit ang unang bersyon ng modelo ay nagbigay ng ganitong resulta—nagiging interesante.

Ang team ay Simate (Silicon Mate).

Hindi ito simpleng pangyayari. Ayon sa kompanya, ang pangunahing tim ay nakapagpaunlad ng isang end-to-end AI driving model hanggang sa antas ng Tesla FSD at nagsagawa ng mass production.

Sa buong mundo, kaunti lamang ang mga koponan na nakalampas sa pahintulot na ito; mas kaunti pa ang mga ito na patuloy na ipinagpapatuloy ang pangkalahatang pisikal na AI na may mga akumuladong kaalaman.

Gayunpaman, ang pinakamalikhaing bahagi nito ay ang paraan ng pag-aaral na itinakda nila mula sa unang araw ng pagkakatatag:

AI para sa Physical AI, pagsali ng AI sa pag-aaral at pag-iterate ng pisikal na inteligensya mismo.

Nilikha ng kumpanya ang modelo, data, computing power, at proseso ng eksperimento sa paligid ng ruta na ito. Ang Simate-beta ay ang unang praktikal na produkto ng sistema ng pagpapalawak na AI-native na ito.

At, ang mga kasangkapan sa pag-aaral ay nagsimula nang gamitin ng mga eksternal na mananaliksik.

Ayon sa kompanya, ang mga mananaliksik mula sa MIT, Caltech, Tsinghua, Peking University at iba pang mga unibersidad ay nakikilahok sa internal testing ng platform na AutoResearch. Kasama nito ang Sinfra infrastructure na nakakapag-覆盖 sa pag-train, pag-simula, at pag-infer, at ang mga available na resources ay batay sa application.

Sa parehong panahon, ang Simate ay nakakumpleto ng maraming pagsasapalaran sa antas ng milyon-milyong RMB.

Tatlong buwan, parehong sinusulong ang model, ang platform ng pag-aaral, ang panlabas na pagsubok, at ang pagsasamantala. Ang bilis na ito, talagang nagpapaisip kung ano ang susunod.

Binigyan din ng preview ng team: Naka-form na ang teknikal na pagkakaintindi para sa zero-shot generalization sa mga kumplikadong gawain, at plano na ilunsad ang mga pahinga na resulta sa katapusan ng taon.

Sa kanilang pananaw, ang pagpapakilala ni GPT-6 sa paggawa ng mga operasyon sa pisikal na mundo ay isang inaasahang pag-unlad, at ang pagbubukas ng Physical AI ay maaaring dumating nang mas mabilis kaysa sa inakala ng labas. Nais nilang lalong lutasin ang pagkakadepende sa pag-adapt sa bawat gawain at sa post-training, upang tulungan ang Physical AI na makamit ang kanilang sariling “GPT-3 moment”.

Ang tatlong pag-aaral, kabilang ang pag-aaral sa modelo at automation, ay magiging available sa pamamagitan ng mga papel at teknikal na ulat sa pagkakasunod-sunod, at ang mga natuklasan ay plano na i-open source sa mga yugto.

Ang bilis ng pag-unlad na ito, at kung maaari itong mapanatili, ay magiging pinakamahalagang bagay na dapat subaybayan ng Simate.

Ano nga ba ang natapos ng unang modelo? Paano nakikilahok ang AI sa pag-aaral?

Ang hinihiling ng Simate ay ang pangkalahatang AI na pagpapagana sa pisikal na zero-shot at few-shot.

Sa isang bagong at kakaibang kapaligiran, hindi dapat ng system na kumuha ng bago pang data, i-train muli ang model, at i-re-tune ang engineering bawat beses na idagdag ang isang bagong gawain.

Ito ang pinakamainam at pinakamahirap na larangan sa kasalukuyan sa physical AI—maraming naglalaban, bawat isa ay nagpapakita ng kanilang kakayahan.

Ang solusyon na ibinigay ni Simate sa kasalukuyan ay tinatawag na: Universal Physical Fast System.

Ito ay System One.

Una nating ipakita sa pamamagitan ng isang halimbawa mula sa mga tao:

Para sa mga kumplikadong utos tulad ng “Tulungan mo akong ayusin ang mesa,” kailangan natin ng “Sistema 2” upang maunawaan ang intensyon at i-decompose ang mga hakbang;

Ngunit kapag ang kamay ay nasa harap ng baso, ang mga kilos na nangyayari sa mga milyong segundo—tungkol sa kung ilang milimetro ang dapat i-adjust pakanan o pakaliwa—hindi maaaring bawat hakbang ay depende sa malalim na pag-iisip.

Ang physical AI ay pareho.

Isang pangkalahatang "mabagal na sistema" ang responsable sa mataas na pagpaplano at komplikadong pag-iisip, habang isang sapat na makapangyarihang "mabilis na sistema" ang responsable sa real-time na pagpapakita ng patuloy na nagbabagong pisikal na mundo, at naglalabas ng mga aksyon nang mabilis.

Ang Simate ay pinili ang huling isa—

Lakasan ang bilang ng parameter sa fast system, pagsisiyasat sa pagkakaroon ng zero-shot generalization, at pagsubok sa hangganan ng laki at kakayahan ng mga modelong maaaring i-deploy sa edge.

A general physical fast system.

Ngunit ang pagiging malaki at mabilis ay mahirap na trade-off.

Simate ay pumili na magsimula sa dalawang bagay:

1. 4D Physical Perception

Upang maunawaan ang pisikal na mundo, kailangan mong tanggapin ang dinamikong pagbabago ng espasyal na istruktura at oras na dimensyon, upang talagang maglingkod ang pisikal na representasyon sa aksyon.

2. Hierarchical Temporal Memory

Kailangan ng mahabang panahon na gawain na tandaan ang nangyari sa nakaraan, ang tuloy-tuloy na pagkilos ay kailangang i-tracker ang estado, samantalang ang agad na reaksyon ay hindi dapat mabagal ng malaking halaga ng kasaysayan.

Ang 4D physical perception at hierarchical temporal memory ay nagtuturo sa pagkakasundo sa paraan kung paano ang tao ay nagproseso ng tuloy-tuloy na mundo gamit ang kanilang mabilis na sistema.

Ang path na ito ay nagpapatuloy din sa mga akumulasyon ng team sa malalaking visual model, temporal modeling, real-time inference, at mass deployment. Ang partikular na arkitektura at laki ng model ay ipapahayag sa susunod na teknikal na ulat.

Ang huling nais na estado ay: ang modelo ay malinaw kung ano ang kasalukuyang nangyayari, natatandaan ang nangyari kanina, at kayang magdesisyon nang maaga sa susunod na hakbang.

Magtrabaho kasama ang pangkalahatang pag-iisip na kinakatawan ng mga modernong modelo tulad ng GPT-6 upang makamit ang zero-shot execution sa mga kumplikadong gawain.

Batay sa aktwal na pagpapakita ng Simate-beta na ibinigay ng kumpanya, ang pagsubok ay nakatuon sa pagpapakita ng pag-adapt sa mga gawain, memorya, kompleks na mahabang pagpapatupad, at maliit na operasyon.

Batay sa RoboDojo ranking na ibinigay at na-update noong Setyembre 23, 2026, ang simate-beta ay nasa unang lugar sa average Score na 33.95, na may SR na 27.96%. Ang resultang ito ay bahagi ng ranking evaluation, at ang totoong performance ay ipapakita nang hiwalay.

Sa likod ng modelo ng sagot na ito ay isang iba pang sistema na mayroon ding halaga na pag-usapan.

Sa mga nakaraang taon, lalong nagkakaroon ng pagkakakilanlan ang mga tao sa paggamit ng AI para sa pagsulat ng code.

Ngunit sa pag-aaral ng AI, ang pagsusulat ng code ay isang maliit na bahagi lamang.

Madalas, ang efficiency ng iterasyon ang susi sa tagumpay. Sino ang makakapag-verify ng higit pang mga hipotesis sa isang yunit ng oras, siya ang makakalabas nang una.

Isang pinakasimpleng halimbawa.

Laging nakakapag-antala ang mga mahabang gawain ng robot sa isang partikular na hakbang, at ang mga dahilan ay limitado lamang: pagkakaiba ng distribusyon ng data, bottleneck sa istruktura ng modelo, hindi balanseng proporsyon ng trahektorya, o pagkabigo sa estratehiya ng pagtuturo.

Sa likod ng bawat direksyon, mayroong sampu-sampu o kahit anong maraming grupo ng eksperimento.

Kung gagawin lahat ng ito nang manual ng mga researcher—pagbabago ng configuration, pagbuo ng task, pagmamasid sa training, pagpapatakbo ng evaluation, at pagpupulong ng resulta—magkakaroon na ng panahon na lumamig ang mga sibuyas...

Kaya ginawa ni Simate ang AutoResearch upang mabilisan ang prosesong ito—

Human researcher: Nagpapahiwatig ng hipotesis, nagtatakda ng layunin, nagtataglay ng mga limitasyon.

AutoResearch Engine: Awtomatikong ipagpatuloy, i-decompose, i-run, at i-automate ang buong proseso ng feedback.

Ipinakita na rin ang final result, at sila ang nakuha ang unang pwesto sa RoboDojo gamit ang paraang ito.

Mas mahalaga ang bilis.

Ang Simate ay nagmula sa pagkakatatag hanggang sa pagtataas sa RoboDojo sa loob lamang ng tatlong buwan.

Kakaibang-kakaiba...

Kaya ang tanong ay:

Paano talaga ang AI na “magsaliksik tungkol sa AI”?

Malinaw na, ang paglalagay ng isang Agent lamang ay hindi sapat.

Totoong pagbuo ng robot, na pinagtibay sa ilalim ng code ng modelo, data pipeline, training cluster, evaluation environment, real-machine feedback, at mga rekord ng eksperimento mula sa nakaraang ilang buwan o taon.

Sa wakas, ito ay isyu pa rin ng 'konteksto'. Kailangan ng agent ang isang super interface na makakapag-schedule ng lahat.

Para sa layuning ito, binuo ni Simate ang isang tatlong-antas na arkitektura: SiPAI + AutoResearch + AI-native Infra.

SiPAI: Gawing "AI-researchable" ang arkitektura ng model

Ito ay isang plug-and-play model framework na natatangi para sa "automated research".

Sa simpleng salita, binubuo ang robot model sa isang istruktura na madaling maintindihan ng AI—malinaw na natukoy ang mga hangganan ng module, mga interface ng sistema, mga konfigurasyon, at proseso ng pag-verify.

Sa ganitong paraan, matutukoy ng Agent nang tumpak ang: alin ang module na dapat baguhin? Ano ang epekto ng pagbabago? At paano haharapin ang pag-verify?

Kasalukuyan, natapos na ng Simate ang pagbuo ng mga imprastruktura na ito at nagsuccessfully na naka-connect sa mga pangunahing arkitektura tulad ng World Model, World Action Model, VLA, at VLM.

Maaari ng anumang human researcher o Agent na libreng mag-combine ng mga komponente, i-ayos ang lokal na implementasyon, at gamitin ang iisang training at evaluation pipeline.

AutoResearch: Nagbibigay ng mga "pananaliksik na konteksto" na real-time na inir-refresh

Kung ang SiPAI ay nagbibigay ng isang static na manual, ang AutoResearch ang lutasin ang dynamic na impormasyon gap:

Nasaan na ang pag-aaral? Ano ang mga pagkakamali na naranasan noon? Ano ang pinakabagong ebidensya?

Ipinagsasama nito ang mga panlabas na aklat ng pananaliksik, mga materyales sa pananaliksik ng team, code ng modelo, proporsyon ng data, mga log ng nakaraang eksperimento, at mga pinakabagong feedback sa pag-evaluate, at isinasama lahat sa isang dinamikong pananaliksik na Context.

Ang Context na ito ay mag-a-update sa real-time, kahit anong bagong papel ang nailabas, kahit anong bagong bersyon ng code ang isumite sa loob, o kahit anong bagong eksperimental na data ang nagpapatotoo sa lumang hipotesis.

Sa ganitong paraan, bawat rekomendasyon sa pag-aaral na inilalabas ng Agent ay maaaring masaklaw nang tumpak sa partikular na code branch at bersyon ng eksperimento:

Ang pinakamalikhaing bahagi ay ang malalim na pagkakaisa ng "tao'y karanasan" at "eksperimento ng Agent":

Ang mga human researcher ay maaaring magdagdag ng mga limitasyon at direksyon sa pagtutuwid kahit kailan; agad itong iipon bilang bagong simula para sa susunod na eksperimento kung ang isang eksperimento ay nagpatunay ng epektibong komponente; ang metodolohiya na natuklasan sa isang sangay ay maaari ring gamitin nang walang hadlang ng susunod na Agent.

Ang mga resulta ng pag-aaral ay naging totoong mga produksyon na materyales para sa susunod na pag-aaral.

AI-native Infra: Gawing tumatakbo ang 7×24 na radyo ng pag-unlad

Hindi sapat na lang ang paggawa ng code ng agent, kailangan din ng mabilis na pagpapatakbo ng eksperimento.

Sinimulan ng Simate ang buong proseso ng pagtuturo, pagpapatakbo, at pag-e-evaluate sa kanilang sariling Infra, at sa pamamagitan ng ekstrimong pag-ayos ng gawain at pagdistribusyon ng mga yaman, pinapagana nito nang sabay-sabay ang mga dekada na magkakaibang pananaliksik.

Upang maiwasan ang pagkawala ng computing power, ginagamit ng Simate ang mekanismo ng mataas na kalidad: lahat ng ruta ay pinapasa muna sa unang pagpapalit sa pamamagitan ng “world model + simulation environment” upang tanggalin ang karamihan sa mga hindi epektibong direksyon;

Ang mga solusyon na may tunay na potensyal lamang ang papasok sa pagsusuri sa totoong aparato.

Natuklasan ang mga bagong problema sa tunay na aparato, ibinalik ang pag-aaral sa konteksto, at nabuo ang loop:

Ang final result ay: kailangan lang ng tao na ibigay ang isang direksyon ng pag-aaral, at ang paaalaman na sistema ay awtomatikong magpapatakbo ng maraming serye ng eksperimento nang sabay-sabay.

Ito rin ang pangunahing kadahilanan kung bakit nakamit ng Simate ang unang puwesto sa loob ng tatlong buwan.

Ngunit ang pinakamalaking pagkabigla ay ang ganitong napakahalagang panloob na kasangkapan sa produktibidad, ay pinili nilang buksan at gawing open source nang direkta!

Ganito ang anyo ng web page, ang mga interesadong kaibigan ay maaaring kunin sa huli.

Kasalukuyan, ang mga mananaliksik mula sa mga pinakamataas na unibersidad tulad ng Tsinghua, MIT, at HKUST ay nagsimula na sa panloob na pagsubok.

Ang tagapagtatatag ay si Zhang Ying, dating pangunahing tagapag-ugnay ng teknolohiya sa isang pangunahing kumpanya ng autonomous driving.

May napakaraming praktikal na karanasan sa engineering, nakikilahok sa paglutas ng mga solusyon sa autonomous driving na may imahe, walang imahe, at end-to-end na mga bersyon, at may mahabang panahon din sa mass production.

Ayon sa paglalarawan, ang sistema ng autonomous driving na kanilang ipinaglalaban ay ang pinakamalapit sa Tesla FSD sa bansa.

Sa karagdagan, mayroon pa ring dalawang pangunahing tao sa tim.

1. Maaari lamang ang tagapag-ayos.

Assistant Professor sa Hong Kong University of Science and Technology at tagapamahala ng World Mind Lab, na mahabang panahon ay nag-aaral ng world models at physical AI.

2. Ji Ma Zeyu.

Mga batang siyentipiko ng generation Z, ang kanilang larangan ng pag-aaral ay kumakalat sa 3D perception, maasikasong paghawak, at buong katawan na kontrol ng humanoid robot.

Bago sumali sa Simate, siya ay isang founding member ng Assured Robot Intelligence sa Silicon Valley.

Sinakop ng Meta ang ARI.

Ang mga kapital na merkado ay nagsagawa na rin ng boto gamit ang totoong pera.

Tatlo lang na buwan ang katagal ng pagkakatatag, sinimulan ng Simate ang maraming pagsasama-samang pagsasalakay na bawat isa ay nasa milyon-milyon na RMB.

At ang lahat ng ito, ay isang pagtaya sa iisang bagay lamang—

Physical RSI.

Simulate mula sa unang araw ng pagkakatatag ay nagtutok sa direksyong ito at tinukoy ang tatlong uri ng RSI.

1. Mahinang SI: Malinaw na hangganan, mabilis na pagsasara

Mode ng pagkakasundo ng tao at makina, ang mga researcher ang nagtatag ng layunin at mga limitasyon, at hindi na kailangan ng pagkakasundo ng researcher sa bawat hakbang habang nagpapatupad, at maaaring i-upgrade ang anumang anomali.

Ang pagkakaroon ng RoboDojo na ito ay ang unang yugto ng pagpapatotoo ng proyekto.

2. Mid-SI: Malinaw ang direksyon, ngunit ang sagot ay hindi alam

Paano mapapabuti ang memorya ng model? Paano dapat i-configure ang proporsyon ng data para sa isang uri ng gawain?

Ang direksyon ay naka-set na, ngunit kung alin sa mga solusyon ang epektibo, kailangan pang malaman sa maraming pagsubok.

Sa panahong ito, ang Agent ay responsable sa pag-ayos ng konteksto, pagpapatupad ng solusyon, pagpapatakbo ng mga eksperimento, at paghahambing ng mga resulta; habang ang researcher ay responsable sa pagpili ng mga hipotesis, pagsasalaysay ng mga kabalintunaan na ebidensya, at paggawa ng mahahalagang desisyon.

Ito ay isa rin sa mga uri na may pinakamalaking praktikal na halaga sa kasalukuyan.

3. Strong SI: Ang sariling pag-aaral ay kailangang mabigyan ng pagkakataon na mahanap

Pinakamahirap, at pinakamakakatukoy sa esensya ng isipan—

Paano mapapabuti ang generalization ng model sa bagong gawain?

Wala nang malinaw na paraan para lutasin ang mga tanong na ito. Dapat malaman ng sistema ang layunin, makahanap ng mga tunay na mahalagang isyu na dapat pag-aralan, at manatili sa direksyon habang patuloy na i-aayos ang landas sa loob ng mahabang panahon.

Nagsisimula na ito sa tinatawag na “disenyong pananaliksik”.

Sa kasalukuyan, kailangan pa rin ng mga karanasan na researcher ang pagpapangulo sa ganitong uri ng gawain. Ang Agent ay higit na nagbibigay ng suporta sa pag-aaral, ebidensya, eksperimento, at paghahanap ng mga ruta.

Mahalagang tandaan na ang mahina, katamtaman at malakas na SI na sinasabi ni Simate ay walang antas, at ang lahat ng tatlo ay maaaring magkakasama sa isang parehong sistema ng pagpapalawak.

Mas mahalaga pa ang prinsipyong pangunahin na “evolution” mismo.

Ang bawat pagpapabuti ng sistema ay naggagawa ng mas madaling mangyari ang susunod na pagpapabuti.

Kapag nagkakabiglaan ang data, model, at real-world deployment sa isang sariling gumagalaw na loop, ang hangganan ng robot ay hindi na lamang nakadepende sa hangganan ng tao.

Ito ang Physical RSI, ang pinakamalaking kandidato sa kasalukuyan para sa physical AGI.

Siyempre, ang ipinapakita ng Simate ay kasalukuyang nasa maagang anyo.

Ang human-in-the-loop ay patuloy na umiiral, at ang mga researcher ay patuloy na may kontrol sa pinakamahalagang pagtataya ng direksyon sa buong loop.

Ngunit ito ay nagpapakita rin na ang automated research ay hindi kailangang hintayin ang araw na 'walang anumang tao ang nakikilahok' bago magsimula na magbigay ng halaga.

Bago pa man lumabas ang mas malakas na kakayahan sa sariling pag-aaral, ang pagbibigay ng mga hakbang na may mataas na gastos at maaaring ma-proseso tulad ng disenyo ng eksperimento, pagtuturo, pag-e-evaluwate, at feedback sa Agent ay nagsisilbing magbigay ng malaking pagtaas sa throughput ng pag-aaral.

Ang transcript ng RoboDojo ay nagpapatotoo rin sa pagkakaroon ng katotohanan ng path na “human-machine collaboration” sa larangan ng physical AI—

RSI, talagang nagsimula na.

Kung mayroon pa pong iba.

Ang AutoResearch research platform ay nagsimula na sa internal testing at kasalukuyang aktibong nagrerekruta!

Araw-araw na computing power, hintayin ka na maglaro~

Opisyal na website:

https://mate-robot.cn/

AutoResearch research platform:

https://mate-robot.cn/research/sinfra/

Ang artikulong ito ay galing sa WeChat public account na “Quantum Bit” (ID: QbitAI), may-akda: Jay