Simate-beta Meluncur sebagai Model AI Fisik Berkinerja Terbaik di RoboDojo

AI meneliti AI, dan kali ini memiliki jawaban dari dunia fisik.

Perusahaan yang baru berdiri selama tiga bulan meluncurkan sistem fisik serbaguna pertamanya, Simate-beta: menunjukkan kemampuan memori, tugas jarak jauh, operasi halus, dan adaptasi tugas, serta menurut pengungkapan perusahaan, menduduki peringkat pertama di RoboDojo.

Peringkat tentu tidak mewakili seluruh kemampuan model, tetapi memberikan sudut pandang untuk mengamati kecepatan dan kekuatan pengembangan.

Menurut tim, model dasar yang dinilai ini tidak dioptimalkan secara khusus untuk daftar ini.

Setelah berdiri selama tiga bulan, model versi pertama telah mencapai hasil seperti ini, patut diperhatikan.

Tim bernama Simate (Silicon Mate).

Latar belakangnya pun tidak main-main. Menurut perusahaan, tim inti pernah mengembangkan kemampuan model pengemudi otomatis end-to-end satu tahap hingga setara dengan Tesla FSD, serta berhasil mewujudkannya dalam produksi massal.

Secara global, sangat sedikit tim yang melewati ambang ini; bahkan lebih jarang lagi yang melanjutkan pengembangan AI fisika umum dengan akumulasi ini.

Namun, yang paling menarik kali ini adalah cara pengembangan yang mereka tetapkan sejak hari pertama berdiri:

AI untuk Physical AI, biarkan AI terlibat dalam penelitian dan iterasi fisik inteligensi itu sendiri.

Perusahaan mengorganisasi model, data, daya komputasi, dan proses eksperimen di sekitar jalur ini. Simate-beta adalah produk praktik pertama dari sistem pengembangan berbasis AI ini.

Selain itu, alat penelitian telah mulai digunakan oleh peneliti eksternal.

Menurut perusahaan, para peneliti dari institusi seperti MIT, Caltech, Tsinghua University, dan Peking University telah berpartisipasi dalam uji coba platform AutoResearch. Infrastruktur Sinfra yang mendukung mencakup pelatihan, simulasi, dan inferensi, dengan sumber daya yang tersedia dikonfirmasi berdasarkan permohonan.

Secara bersamaan, Simate telah menyelesaikan beberapa putaran pendanaan senilai miliaran yuan Tiongkok.

Tiga bulan, model, platform penelitian, uji coba eksternal, dan pendanaan berjalan secara bersamaan. Kecepatan ini memang membuat penasaran melihat langkah selanjutnya.

Tim juga memberikan preview: telah mengembangkan pendekatan teknis untuk generalisasi nol-sample pada tugas kompleks, dengan rencana meluncurkan hasil tahapan akhir tahun ini.

Menurut mereka, mulainya GPT-6 terlibat dalam operasi dunia fisik adalah perkembangan yang diharapkan, dan terobosan Physical AI mungkin datang lebih cepat dari yang diperkirakan pihak luar. Mereka berharap dapat lebih melangkah melewati ketergantungan pada adaptasi tugas per tugas dan pelatihan pasca, mendorong Physical AI memasuki masa 「GPT-3」-nya sendiri.

Tiga penelitian, termasuk model dan penelitian otomatisasi, juga akan diumumkan secara bertahap melalui paper dan laporan teknis, dengan rencana untuk melepaskan hasil terkait secara bertahap sebagai sumber terbuka.

Kecepatan pengembangan ini, dan apakah itu dapat berkelanjutan, menjadi hal paling penting yang perlu diperhatikan berikutnya oleh Simate.

Jadi, model pertama ini benar-benar mencapai apa? Dan bagaimana AI terlibat dalam penelitian ini?

Simate akhirnya bertujuan untuk mencapai operasi AI fisik umum dengan pendekatan zero-shot dan few-shot.

Dalam lingkungan baru yang asing, sistem seharusnya tidak mengumpulkan sejumlah data baru, melatih ulang model, dan menyesuaikan ulang teknik setiap kali menambahkan tugas baru.

Ini adalah jalur paling populer dan paling menantang saat ini dalam AI fisik—berbagai pemain bersaing sambil menunjukkan keahlian masing-masing.

Sementara solusi saat ini yang diberikan oleh Simate disebut: Sistem Cepat Fisika Umum.

Itu adalah Sistem Satu.

Mari kita gunakan contoh manusia terlebih dahulu:

Untuk perintah kompleks seperti "Tolong rapihkan meja ini", kita memerlukan "Sistem Dua" untuk memahami niat dan memecah langkah-langkahnya;

Namun, ketika tangan sudah meraih cangkir, tindakan milidetik seperti menyesuaikan beberapa milimeter ke kiri atau sedikit ke kanan tidak mungkin setiap langkahnya bergantung pada pemikiran mendalam.

Demikian pula AI fisik.

Sistem "lambat" yang umum bertanggung jawab atas perencanaan tingkat tinggi dan penalaran kompleks, sementara sistem "cepat" yang cukup kuat bertanggung jawab atas persepsi real-time terhadap dunia fisik yang terus berubah dan menghasilkan tindakan dengan kecepatan ekstrem.

Simate memilih yang terakhir—

Perbesar jumlah parameter sistem cepat, eksplorasi munculnya kemampuan generalisasi nol-sample, dan tantang batas ukuran serta kapasitas model yang dapat dideploy di sisi perangkat.

Sebuah sistem fisik cepat universal.

Namun, besar dan cepat adalah kompromi yang sulit.

Simate memilih untuk memulai dari dua hal:

1. Pemahaman Fisik 4D

Untuk memahami dunia fisik, harus menangkap secara bersamaan perubahan dinamis struktur ruang dan dimensi waktu, sehingga representasi fisik benar-benar mendukung tindakan.

2. Hierarchical Temporal Memory

Tugas jangka panjang memerlukan pengingatan peristiwa sebelumnya, operasi berkelanjutan memerlukan pelacakan status, namun reaksi instan tidak boleh dipperlambat oleh informasi historis yang besar.

Pemahaman fisik 4D dan memori berurutan berlapis, bersama-sama menunjukkan keselarasan dengan cara sistem cepat manusia memproses dunia yang kontinu.

Rute ini juga melanjutkan akumulasi tim dalam model visual berskala besar, pemodelan waktu, inferensi real-time, dan peluncuran produksi. Arsitektur dan ukuran model spesifik akan diungkapkan dalam laporan teknis berikutnya.

Keadaan akhir yang diharapkan adalah: model jelas tentang apa yang sedang terjadi saat ini, mengingat apa yang baru saja terjadi, dan mampu memutuskan langkah selanjutnya secara tepat waktu.

Bekerja sama dengan kemampuan penalaran umum yang diwakili oleh model mutakhir seperti GPT-6, dorong eksekusi nol-sample untuk tugas-tugas kompleks.

Dari demonstrasi perangkat nyata Simate-beta yang diberikan oleh perusahaan saat ini, pengujian terutama berfokus pada adaptasi tugas yang didorong oleh demonstrasi, memori, eksekusi jangka panjang yang kompleks, dan operasi halus.

Berdasarkan daftar RoboDojo yang disediakan oleh perusahaan dan diperbarui pada 23 September 2026, simate-beta berada di peringkat pertama dengan rata-rata Score 33.95, dengan SR sebesar 27.96%. Hasil ini merupakan bagian dari evaluasi daftar, dan kinerja nyata akan ditampilkan terpisah.

Di balik kertas jawaban model ini, ada sistem lain yang juga layak dijelaskan.

Dalam beberapa tahun terakhir, orang-orang semakin terbiasa dengan kode yang ditulis oleh AI.

Namun, dalam penelitian AI, menulis kode hanyalah sebagian kecil.

Sering kali, efisiensi iterasi adalah kunci kemenangan. Siapa yang dapat menguji lebih banyak hipotesis penelitian dalam satuan waktu tertentu, dia yang akan lebih dulu unggul.

Contoh paling sederhana.

Tugas jangka panjang robot selalu macet di tahap tertentu, penyebabnya tidak lebih dari beberapa hal: distribusi data terdistorsi, bottleneck struktur model, ketidakseimbangan rasio trajektori, atau strategi pelatihan gagal.

Di balik setiap arah, terdapat belasan hingga puluhan kelompok eksperimen.

Jika semua itu harus dilakukan secara manual oleh peneliti—mengubah konfigurasi, membuka tugas, memantau pelatihan, menjalankan evaluasi, lalu mengumpulkan hasilnya—maka semuanya sudah terlambat...

Jadi Simate membuat AutoResearch untuk mempercepat proses ini—

Peneliti manusia: Mengajukan hipotesis, menetapkan tujuan, menetapkan batasan.

Mesin AutoResearch: Otomatis melanjutkan, memecah, menjalankan, dan mengotomatisasi seluruh alur umpan balik eksperimen yang tersisa.

Hasil akhir juga diumumkan, mereka memenangkan posisi pertama di RoboDojo dengan metode ini.

Yang lebih penting lagi adalah kecepatan.

Simate hanya membutuhkan tiga bulan sejak berdiri hingga mencapai puncak RoboDojo.

Sangat tidak masuk akal...

Jadi masalahnya adalah:

Bagaimana seharusnya AI "meneliti AI"?

Jelas, hanya memasukkan satu Agent jauh dari cukup.

Pengembangan robot sejati menembus lapisan bawah kode model, pipeline data, klaster pelatihan, lingkungan evaluasi, umpan balik perangkat nyata, serta catatan eksperimen selama berbulan-bulan bahkan bertahun-tahun terakhir.

Pada akhirnya, ini tetap menjadi masalah «konteks». Agen memerlukan antarmuka super yang dapat mengoordinasikan segalanya.

Untuk ini, Simate membangun arsitektur tiga lapisan: SiPAI + AutoResearch + AI-native Infra.

SiPAI: Membuat arsitektur model "dapat diteliti oleh AI"

Ini adalah kerangka kerja model plug-in yang secara asli dirancang untuk "penelitian otomatis".

Secara sederhana, membangun model robot dalam struktur yang mudah dibaca oleh AI—batas modul, antarmuka sistem, konfigurasi, dan proses verifikasi semuanya didefinisikan dengan sangat jelas.

Hanya dengan cara ini, setelah Agent menerima topik penelitian, ia dapat mengetahui secara tepat: modul mana yang perlu diubah? Perubahan tersebut akan memengaruhi apa? Dan bagaimana cara memverifikasinya pada akhirnya?

Saat ini, Simate telah menyelesaikan pembangunan infrastruktur ini dan berhasil mengintegrasikan berbagai arsitektur utama seperti World Model, World Action Model, VLA, dan VLM.

Baik peneliti manusia maupun Agent, dapat menggabungkan komponen secara bebas, menyesuaikan implementasi lokal, dan menggunakan alur pelatihan serta evaluasi yang seragam.

AutoResearch: Menyediakan 'konteks penelitian' yang diperbarui secara real-time

Jika SiPAI menyediakan panduan statis, maka AutoResearch menyelesaikan kesenjangan informasi dinamis:

Penelitian telah maju sejauh mana? Apa saja kendala yang pernah dihadapi sebelumnya? Bukti terbaru apa yang ada?

Ia mengintegrasikan semua materi penelitian terkini—termasuk makalah terdepan dari luar, bahan diskusi internal tim, kode model, rasio data, log eksperimen historis, dan umpan balik evaluasi terbaru—ke dalam satu Context penelitian dinamis yang terpadu.

Context akan diperbarui secara real-time, baik itu publikasi paper baru, pengiriman versi kode internal, maupun data eksperimen terbaru yang membantah asumsi lama.

Dengan demikian, setiap rekomendasi penelitian yang diajukan oleh Agent dapat secara tepat dikaitkan dengan cabang kode dan versi eksperimen tertentu:

Yang paling menarik adalah keterkaitan mendalam antara "pengalaman manusia" dan "eksperimen Agent":

Peneliti manusia dapat menyisipkan batasan dan arah penyetelan kapan saja; begitu suatu eksperimen membuktikan komponen yang efektif, ia langsung menjadi titik awal baru untuk eksperimen berikutnya; metodologi yang dirangkum dari suatu cabang juga dapat digunakan kembali secara mulus oleh agen berikutnya.

Temuan penelitian benar-benar menjadi alat produksi untuk penelitian berikutnya.

Infra berbasis AI: Membuat roda pengembangan 7×24 jam berputar

Of course, an agent being able to write code is not enough—the experiments must run efficiently.

Simate mengintegrasikan seluruh proses pelatihan, inferensi, dan evaluasi ke infrastruktur buatan sendiri, melalui penjadwalan tugas dan pengaturan sumber daya yang optimal, secara paralel memajukan puluhan jalur penelitian yang saling independen.

Untuk mencegah pemborosan daya komputasi, Simate menerapkan mekanisme penyaringan frekuensi tinggi: semua rute terlebih dahulu disaring secara cepat melalui «model dunia + lingkungan simulasi», mengeliminasi sebagian besar arah yang tidak efektif;

Hanya solusi yang benar-benar berpotensi yang akan masuk ke pengujian langsung.

Masalah baru terungkap di perangkat asli, kembali ke konteks penelitian, sehingga siklus tertutup terbentuk:

Hasil akhirnya adalah: manusia hanya perlu memberikan arah eksplorasi, dan sistem dasar akan secara otomatis menjalankan puluhan eksperimen secara paralel dengan cepat.

Ini juga merupakan kunci utama yang membuat Simate bisa menduduki peringkat teratas dalam tiga bulan.

Namun yang paling mengejutkan adalah, alat produktivitas internal yang sangat inti ini, mereka justru memilih untuk langsung mengopen-source-kan!

Halaman web terlihat seperti ini, teman-teman yang tertarik bisa mengambilnya di akhir artikel.

Saat ini, para peneliti dari universitas-universitas top seperti Tsinghua, MIT, dan HKUST telah menjadi yang pertama bergabung dalam uji coba tertutup.

Pendiri Zhang Ying, mantan pemimpin inti teknologi di perusahaan kendaraan cerdas terkemuka.

Memiliki pengalaman praktis yang sangat kaya, terlibat dalam pengembangan tiga generasi solusi kendaraan cerdas: dengan gambar, tanpa gambar, dan end-to-end, serta telah berpengalaman bertahun-tahun dalam produksi massal.

Menurut informasi, sistem pengemudi otomatis yang dikembangkannya adalah sistem pengemudi otomatis paling mendekati Tesla FSD di dalam negeri.

Selain itu, ada dua tokoh utama dalam tim.

1. Hanya pihak yang berwenang.

Asisten Profesor di Universitas Sains dan Teknologi Hong Kong, pemimpin World Mind Lab, yang secara konsisten meneliti model dunia dan AI fisik.

2. Ji Ma Zeyu.

Ilmuwan muda generasi Z, fokus penelitian mencakup persepsi 3D, operasi lincah, dan kontrol tubuh penuh robot manusia.

Sebelum bergabung dengan Simate, ia adalah anggota pendiri Assured Robot Intelligence di Silicon Valley.

ARI kemudian diakuisisi oleh Meta.

Pasar modal juga telah memberikan suara dengan uang sungguhan.

Hanya tiga bulan berdiri, Simate telah menyelesaikan beberapa putaran pendanaan, masing-masing bernilai ratusan juta yuan Tiongkok.

Dan semua ini, semuanya bertaruh pada hal yang sama—

RSI Fisik.

Simate sejak hari pertama berdiri telah menargetkan arah ini dan mendefinisikan tiga jenis RSI yang berbeda.

1. SI Lemah: Batas jelas, penutupan cepat

Mode kolaborasi manusia-mesin, peneliti menetapkan tujuan dan batasan, proses eksekusi normal tidak memerlukan partisipasi bertahap dari peneliti, dan anomali dapat dinaikkan tingkat penanganannya.

Pencapaian ini di RoboDojo merupakan verifikasi teknis tahap pertama.

2. MidSI: Arah jelas, tetapi jawabannya tidak diketahui

Bagaimana cara meningkatkan memori model? Seberapa besar proporsi data untuk jenis tugas tertentu?

Arahnya sudah jelas, tetapi solusi mana yang efektif masih perlu dicari melalui beberapa siklus eksperimen.

Pada saat ini, Agent bertanggung jawab untuk mengatur konteks, menerapkan solusi, menjalankan eksperimen, dan membandingkan hasil; sedangkan peneliti bertanggung jawab untuk menyaring hipotesis, menjelaskan bukti yang bertentangan, serta membuat keputusan kritis.

Ini juga sebenarnya merupakan salah satu kategori dengan nilai praktis paling tinggi saat ini.

3. SI kuat: Penelitian itu sendiri perlu ditemukan

Yang paling sulit, sekaligus yang paling menyentuh inti kecerdasan—

Bagaimana cara meningkatkan kemampuan generalisasi model pada tugas baru?

Masalah semacam ini sudah tidak memiliki jalur pemecahan yang jelas. Sistem harus mampu memahami tujuannya sendiri, menemukan masalah yang benar-benar layak diteliti, serta mempertahankan arah yang tepat dan terus-menerus menyesuaikan rute selama periode waktu yang panjang.

Ini mulai menyangkut apa yang disebut sebagai "selera penelitian".

Pada tahap ini, pekerjaan semacam ini masih memerlukan pemimpin peneliti berpengalaman. Agent lebih banyak memberikan dukungan dalam literatur, bukti, eksperimen, dan eksplorasi jalur.

Perlu dicatat bahwa SI lemah, sedang, dan kuat yang disebutkan oleh Simate tidak memiliki tingkatan, dan ketiganya dapat eksis secara bersamaan dalam satu sistem pengembangan.

Yang lebih penting lagi adalah prinsip dasar itu sendiri, yaitu "evolusi".

Setiap penyempurnaan diri sistem membuat penyempurnaan berikutnya lebih mudah terjadi.

Ketika data, model, dan implementasi nyata terhubung menjadi lingkaran tertutup yang berputar sendiri, batas atas robot tidak lagi hanya ditentukan oleh batas atas manusia.

Ini adalah Physical RSI, jalur kandidat paling populer saat ini untuk AGI fisik.

Of course, what Simate is currently showing is still in its early form.

Human-in-the-loop tetap ada, dan para peneliti masih menguasai penilaian arah paling kritis dalam seluruh siklus.

Namun hal ini justru menunjukkan bahwa penelitian otomatis tidak perlu menunggu hingga hari «tanpa partisipasi manusia sama sekali» untuk mulai menghasilkan nilai.

Sebelum kemampuan penelitian mandiri yang lebih kuat benar-benar muncul, secara bertahap menyerahkan tahapan-tahapan berbiaya tinggi dan dapat diproses seperti desain eksperimen, pelatihan, evaluasi, dan umpan balik kepada Agent sudah dapat secara signifikan meningkatkan throughput penelitian.

Laporan prestasi RoboDojo juga merupakan validasi terhadap jalur "kolaborasi manusia dan mesin" dalam bidang AI fisik—

RSI, benar-benar telah dimulai.

Oh iya, ada satu hal lagi.

Platform AutoResearch telah meluncurkan uji coba tertutup dan sedang merekrut secara aktif!

Kekuatan hash ribuan, tunggu kamu untuk ikut bermain~

Situs web:

https://mate-robot.cn/

Platform Penelitian Otomatis:

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

Artikel ini berasal dari akun WeChat "Quantum Bit" (ID: QbitAI), penulis: Jay