AIがAIを研究し、今回は物理世界の答案を得た。
設立からわずか3ヶ月の企業が、自社初の汎用物理ロボットシステム「Simate-beta」を発表。記憶、長期タスク、精密操作、タスク適応能力を示し、同社によるとRoboDojoで1位となった。
ランキングはモデルのすべての能力を表すものではありませんが、開発速度と実力を観察するための一つの視点を提供します。
チームの説明によると、今回の評価に使用された基礎モデルは、このランキングのために特別に最適化されていません。
設立から3か月で、初版モデルがこのような成績を残したのは注目に値します。
チーム名はSimate（Silicon Mate）です。
背景も決して小さくない。同社の説明によると、コアチームはワンステップのエンドツーエンド自動運転モデルの能力をTesla FSDと同等レベルまで引き上げ、量産実装を達成した。
世界中を見渡しても、この壁を乗り越えたチームはごく少数である。この蓄積を活かして汎用物理AIをさらに推進するチームは、さらに珍しい。
しかし、今回最も興味深いのは、彼らが設立当初から定めた開発手法です：
AI for Physical AI、AIが物理的知能そのものの研究と反復に参加する。
会社はこの路線に沿って、モデル、データ、計算リソース、および実験プロセスを構成しています。Simate-betaは、このAIネイティブな研究開発システムの最初の実践的成果です。
また、研究ツールはすでに外部の研究者によって使用され始めています。
会社の説明によると、MIT、カリフォルニア工科大学、清華大学、北京大学などの大学からの研究者がAutoResearchプラットフォームのベータテストに参加しています。Sinfraインフラストラクチャはトレーニング、シミュレーション、推論をカバーしており、利用可能なリソースは申請に基づいて確認されます。
同期、Simateは複数ラウンドにわたり数億元人民元規模の資金調達を完了しました。
3か月で、モデル、研究プラットフォーム、外部試用、および資金調達を並行して推進。このスピードには、次なる展開が気になる。
チームはまた、複雑なタスクに対するゼロショット汎化に向けた技術的アイデアを確立し、今年末に段階的な成果をリリースする予定であると予告しました。
彼らの見解では、GPT-6が物理世界の操作に参加し始めることは予想される進展であり、Physical AIのブレークスルーは外部の想像よりも早く訪れる可能性がある。彼らは、タスクごとの適応と後学習への依存をさらに超え、Physical AIに自らの「GPT-3の瞬間」をもたらすことを目指している。
モデルと自動化研究などの3つの研究活動は、論文および技術レポートを通じて順次公開され、関連成果は段階的にオープンソース化される予定です。
この開発速度、そしてそれが継続できるかどうかが、Simateの今後の最も注目すべき点となる。
では、最初のモデルは具体的に何を実現したのでしょうか？AIは研究にどのように関与したのでしょうか？
Simate-beta：ゼロショット汎化向けの汎用物理シミュレーションシステム
Simateが最終的に目指すのは、ゼロショットおよびフェュー・ショットの汎用物理AI操作である。
新しい未知の環境において、システムは新しいタスクを追加するたびに、新しいデータを収集し、モデルを再訓練し、エンジニアリングを再調整すべきではない。
これは現在、物理AI分野で最も注目され、最も挑戦的な分野です——百花繚乱、各社がその力を発揮しています。
一方、Simateが現在の段階で提示した解決策は、「汎用物理クイックシステム」と呼ばれます。
つまりシステム1です。
まず人間の例を挙げてみましょう：
「机を片付けてくれ」のような複雑な指示に対応するには、「システム2」が意図を理解し、ステップを分解する必要がある；
しかし、手がすでにコップに伸びているとき、次に何ミリ左に微調整するか、それとも少し右にずらすかというミリ秒単位の動作反応は、すべてのステップを深く考えることに頼ることはできない。
物理AIも同様です。
一般的「遅いシステム」が高レベルの計画と複雑な推論を担当し、十分に強力な「速いシステム」が、眼前で絶えず変化する物理世界をリアルタイムで感知し、急速に行動を出力する。
Simateは後者を選択しました——
快システムのパラメータ量を拡大し、ゼロショット汎化能力の出現を探索し、エッジデバイスへのデプロイ可能なモデルの規模と能力の上限に挑戦する。
一般的な物理クイックシステム。
しかし、大きく、そして速くすることは、難しいトレードオフです。
Simateは二つのことから着手します：
1、4D物理感知
物理世界を理解するには、空間構造と時間次元の動的変化を同時に捉え、物理的表現を行動に真正に役立てる必要があります。
2、階層的時系列記憶
長期タスクでは以前に発生した出来事を記憶する必要があり、連続操作では状態を追跡する必要がありますが、即時対応には膨大な履歴情報に引きずられずに済む必要があります。
4D物理感知と階層的時系列記憶は、人間が連続的な世界を速やかに処理する方法との整合性を指向する。
このアーキテクチャは、大規模ビジョンモデル、時系列モデリング、リアルタイム推論、および量産デプロイにおけるチームの蓄積を継承しています。具体的なアーキテクチャとモデル規模については、今後の技術レポートで公開予定です。
最終的に目指す状態は、モデルが現在起こっていることを明確に理解し、直前に起こったことを記憶しながら、次の行動を適切に決定できることである。
GPT-6などの最先端モデルが示す汎用推論能力と連携し、複雑なタスクのゼロショット実行を推進する。
現在の会社が提供するSimate-beta実機デモに基づくと、テストは主にデモ駆動のタスク適応、記憶、複雑な長期実行、および精密操作を中心に展開されています。
2026年9月23日更新のRoboDojoランキングによると、simate-betaは平均Score 33.95で1位を獲得し、対応するSRは27.96%です。この成績はランキング評価に基づくものであり、実機でのパフォーマンスは別途表示されます。
このモデル回答の背後には、同じく展開すべき別のシステムがある。
フライホイールを回しましょう
この数年で、人々はAIがコードを書くことにますます慣れてきました。
しかし、AI研究ではコードを書くことはごく一部に過ぎません。
多くの場合、イテレーションの効率が勝敗を左右する。単位時間内により多くの研究仮説を検証できる者が、先に成果を出すことができる。
最も簡単な例を挙げます。
ロボットの長距離タスクが常にどこかのステップで詰まる理由は、主にデータ分布の歪み、モデル構造のボトルネック、トラジェクトリの比率の不均衡、またはトレーニング戦略の失敗のいずれかである。
それぞれの方向には、十数組から数十組の実験が対応しています。
もし研究員が手動で設定を変更し、タスクを開始し、トレーニングを監視し、評価を実行して結果をまとめるだけだと、黄花菜はもう冷めてしまうよ。。。
そこでSimateは、このプロセスを加速するためにAutoResearchを導入しました——
人間の研究者：仮説を立て、目標を設定し、制約を定める。
AutoResearchエンジン：残りの実験を自動的に分割・実行・フィードバックするプロセスを自動化。
最終結果も発表され、彼らはこの方法でRoboDojoで1位を獲得しました。
より重要なのは速度です。
Simateは設立からRoboDojoに到達するまで、わずか3か月しかかかりませんでした。
信じられない。。。
では、問題は次のとおりです：
AIはどのようにして「AIを研究」すべきですか？
明らかに、1つのエージェントを投入するだけでは十分ではありません。
本物のロボット開発は、モデルコード、データパイプライン、トレーニングクラスタ、評価環境、実機フィードバック、そして過去数ヶ月から数年にわたる実験記録まで、底層まで貫いています。
結局のところ、これは依然として「コンテキスト」の問題である。エージェントにはすべてをスケジューリングできるスーパーインターフェースが必要である。
そのため、Simateは三层アーキテクチャであるSiPAI＋AutoResearch＋AI-native Infraを構築しました。
SiPAI：モデルアーキテクチャを「AI研究可能」に
これは「自動化研究」に特化したプラガブルモデルフレームワークです。
簡単に言えば、ロボットモデルをAIが簡単に理解できる構造に構築することです——モジュールの境界、システムインターフェース、設定項目、および検証プロセスが非常に明確に定義されています。
このようにして、エージェントが研究課題を入手した後、どのモジュールを変更すべきか、その変更が何に影響を与えるか、そして最終的にどのように検証すべきかを正確に把握できるようになります。
現在、Simateはこのインフラストラクチャーの構築を完了し、ワールドモデル、ワールドアクションモデル、VLA、VLMなどの主要アーキテクチャに成功的に接続しました。
人間の研究者もエージェントも、コンポーネントを自由に組み合わせ、ローカル実装を調整し、一貫したトレーニングおよび評価パイプラインを継承できます。
AutoResearch：リアルタイムで更新される「研究コンテキスト」を提供
SiPAIが静的な説明書を提供するのであれば、AutoResearchは動的な情報格差を解決します：
研究はどの段階まで進みましたか？以前にどのような問題に遭遇しましたか？最新の証拠は何ですか？
外部の最先端論文、チーム内のディスカッション資料、モデルコード、データ比率、過去の実験ログ、最新の評価フィードバックをすべて統合し、一つの動的研究コンテキストにまとめます。
新論文の発表、内部コードの新バージョンの提出、または最新の実験データが従来の仮説を覆した場合でも、このContextはリアルタイムで更新されます。
これにより、エージェントが提案する各研究案を、具体的なコードブランチと実験バージョンに正確にアラインできます。
最も興味深い点は、「人間の経験」と「エージェント実験」の深層的な結合にある：
人間の研究者はいつでも制約や最適化方向を注入できる。ある実験で有効なコンポーネントが検証されれば、即座に次回の実験の新たな出発点として定着する。あるブランチで導き出された方法論は、次のエージェントによってシームレスに再利用できる。
研究成果は、次世代の研究の生産資料となった。
AIネイティブなインフラ：7×24時間の開発フライホイールを回す
もちろん、エージェントがコードを書くだけでは十分ではありません。実験を効率的に実行しなければなりません。
Simateは、訓練、推論、評価の全プロセスを自社開発のインフラに統合し、極限のタスク編成とリソーススケジューリングにより、数十本の独立した研究路線を並行して推進しています。
計算リソースの無駄を防ぐため、Simateは高頻度フィルタリングメカニズムを採用しています：すべてのルートはまず「ワールドモデル＋シミュレーション環境」を経て第一段階の迅速なフィルタリングを受け、ほとんどの無効な方向が除外されます；
本物の可能性を持つプロジェクトのみが、実機テストに進みます。
実機で新たな問題が発生し、再び研究コンテキストに戻る。このサイクルが閉じられる：
最終的な結果として、人間が一つの探索方向を提示するだけで、底層システムが自動的に数十の実験を並列に駆動し、急激に進展させる。
これがSimateが3か月以内にトップに登り詰めた鍵です。
しかし、最も予想外だったのは、この極めて核心的な内部生産性ツールを、彼らがそのままオープンソースで公開したことです！
このようなウェブページです。ご興味のある方は、下部からご自身で取得してください。
現在、清華大学、MIT、香港科技大学などのトップ大学からの研究者が既にベータテストに参入しています。
弱いRSIは、ただのスタート地点です
創設者で、元某大手自動運転企業のコア技術責任者である張穎。
豊富な実務経験を持ち、画像あり・画像なし・エンドツーエンドの三代の自動運転ソリューションの開発に携わり、長年にわたり量産にも従事しました。
紹介によると、開発を推進した自動運転システムは、国内でTesla FSDに最も近い自動運転システムである。
また、チームには二人の核となる人物がいます。
1、占方能。
香港科技大学准教授、World Mind Lab責任者。世界モデルと物理AIの長年の研究者。
2、季馬澤宇。
00後の若手科学者で、3D感知、器用な操作、ヒューマノイドロボットの全身制御を幅広く研究。
Simateに参加する前、彼はシリコンバレーのAssured Robot Intelligenceの創設メンバーでした。
ARIは後にMetaに買収されました。
資本市場もまた、実際の資金で投票しています。
設立からわずか3か月で、Simateは複数ラウンドの資金調達を完了し、各ラウンドで数億元人民元を調達しました。
そして、すべては同じことを賭けているのです——
物理的RSI。
Simateは設立当初からこの方向を目標に定め、3種類の異なるRSIを定義しました。
1、弱SI：境界が明確で、迅速にクローズされる
ヒューマン・マシン・コドライブモードでは、研究者が目標と制約を設定し、通常の実行中は研究者の段階的な関与は不要です。異常時には対応を昇格して処理できます。
今回のRoboDojoへの登頂は、第一段階のエンジニアリング検証です。
2、中SI：方向は明確だが、答えは不明
モデルの記憶をどのように改善できますか？特定のタスクのデータ比率はどのように設定すべきですか？
方向はすでに決まっているが、どの方案が有効かは、複数の実験を通じて見つける必要がある。
このとき、エージェントはコンテキストの整理、実装案の実行、実験の実施、結果の比較を担当し、研究者は仮説の絞り込み、矛盾する証拠の解釈、および重要な選択を行います。
これは現在の段階で最も現実的な価値を持つタイプです。
3. 強いSI：研究自体は発見される必要がある
最も難しく、知性の本質に最も深く触れるタイプ——
どのようにしてモデルの新しいタスクにおける汎化能力を向上させることができますか？
このような問題にはもはや明確な解決策がない。システムは自ら目標を理解し、真に研究価値のある問題を見出し、長期間にわたり方向性を保ちながら絶えずルートを修正しなければならない。
これはいわゆる「研究の嗜好」に関わってきます。
現在の段階では、このような作業は依然として経験豊富な研究者が主導しています。エージェントは、文献、証拠、実験、および経路の探索において主に支援を提供します。
注目すべきは、Simateが述べる弱、中、強のSIには階層がなく、これら三つが同じ開発システムに同時に存在しうることである。
より重要なのは、「進化」という第一原理そのものでしょう。
もう一つ
システムの每一次の自己改善は、次回の改善をより容易にしています。
データ、モデル、実際のデプロイが一つの自走する閉ループとして連携したとき、ロボットの上限はもはや人間の上限に制限されなくなる。
これがPhysical RSIであり、現在AGIの物理的実装において最も注目されている候補ルートです。
もちろん、Simateが現在示しているのは、初期形態にすぎません。
ヒューマン・イン・ザ・ループは依然として存在しており、研究者は依然としてこのループ内で最も重要な方向性判断を掌握している。
しかし、これは逆に、自動化研究が「完全に人間の関与がなくなる」日を待たなくても、価値を生み出し始めることができることを示しています。
より強力な自律研究能力が本格的に登場する前に、実験設計、訓練、評価、フィードバックといった高コストでプロセス化可能な工程を段階的にエージェントに委譲するだけでも、研究のスループットを大幅に向上させることができる。
RoboDojoの成績は、「人間と機械の共駕」が物理AI分野での可能性を示していると言えるでしょう——
RSI、本当に始まりました。
そういえば、もう一つあります。
AutoResearch科研プラットフォームの内部テストが開始され、現在熱烈募集中です！
1,000の算力、一緒に遊びましょう～
公式サイト：
https://mate-robot.cn/
AutoResearch科研プラットフォーム：
https://mate-robot.cn/research/sinfra/
本文は微信公衆アカウント「量子位」（ID：QbitAI）より、著者：Jay