Simate-beta Debut sebagai Model AI Fizikal Berprestasi Terbaik di RoboDojo

AI mengkaji AI, dan kali ini mendapat jawapan dari dunia fizikal.

Syarikat yang baru beroperasi selama tiga bulan telah memperkenalkan sistem fizikal serba guna pertamanya, Simate-beta: menunjukkan kemampuan memori, tugas jangka panjang, operasi halus, dan penyesuaian tugas, serta menurut pengumuman syarikat, menduduki tangga pertama di RoboDojo.

Senarai peringkat tentu tidak mewakili seluruh kemampuan model, tetapi ia memberikan satu sudut pandangan terhadap kelajuan dan kekuatan pembangunan.

Menurut pasukan, model asas yang disertakan dalam penilaian ini tidak dioptimaskan secara khusus untuk senarai ini.

Setelah tiga bulan beroperasi, model versi pertama telah mencapai pencapaian seperti ini, yang patut diperhatikan.

Pasukan dipanggil Simate (Silicon Mate).

Latar belakangnya juga tidak main-main. Menurut perusahaan, pasukan inti sebelum ini telah mendorong kemampuan model pengendalian kendaraan pintar satu langkah end-to-end hingga setara dengan Tesla FSD, dan berjaya melaksanakan pengeluaran berskala besar.

Secara global, hanya sedikit pasukan yang melintasi ambang ini; lebih jarang lagi yang terus memajukan AI fizikal am dengan akumulasi ini.

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

AI untuk Fizikal AI, membolehkan AI terlibat dalam penyelidikan dan peningkatan fizikal pintar itu sendiri.

Perusahaan mengorganisasi model, data, kekuatan pengiraan, dan proses eksperimen di sekitar jalan ini. Simate-beta adalah produk praktik pertama dalam sistem pembangunan berasaskan AI ini.

Selain itu, alat penyelidikan telah mula digunakan oleh penyelidik luar.

Menurut perusahaan, para penyelidik dari institusi seperti MIT, Caltech, Tsinghua, dan Peking University telah menyertai ujian coba platform AutoResearch. Infrastruktur Sinfra yang menyertainya mencakup latihan, simulasi, dan inferensi, dengan sumber daya yang boleh digunakan bergantung pada pengesahan permohonan.

Pada masa yang sama, Simate telah menyelesaikan beberapa putaran pembiayaan bernilai miliaran yuan Tiongkok.

Tiga bulan, model, platform penyelidikan, ujian luaran, dan pendanaan dijalankan serentak. Kelajuan ini memang membuatkan orang ingin melihat langkah seterusnya.

Pasukan juga memberikan pra-pengumuman: telah membentuk pendekatan teknikal untuk generalisasi tanpa sampel bagi tugas kompleks, dengan perancangan untuk melancarkan pencapaian peringkat pertama pada akhir tahun ini.

Menurut mereka, GPT-6 mulai terlibat dalam operasi dunia fizikal adalah perkembangan yang dijangka, dan terobosan dalam AI Fizikal mungkin berlaku lebih cepat daripada yang difikirkan oleh pihak luar. Mereka berharap untuk melangkah lebih jauh dengan mengurangkan ketergantungan pada penyesuaian tugas demi tugas dan latihan selepas, serta mendorong AI Fizikal mencapai masa 'GPT-3' sendiri.

Tiga kajian, termasuk kajian model dan automatik, juga akan diumumkan secara bertahap melalui kertas kerja dan laporan teknikal, dengan hasil berkaitan dirancang untuk dibuka sumber secara bertahap.

Kepantasan pembangunan ini, dan sama ada ia boleh diteruskan, menjadi perkara paling penting untuk diperhatikan oleh Simate seterusnya.

Jadi, model pertama ini sebenarnya telah mencapai apa? Dan bagaimana AI terlibat dalam penyelidikan ini?

Simate akhirnya ingin mendekati operasi AI fizikal generik zero-shot dan few-shot.

Dalam persekitaran baru yang asing, sistem seharusnya tidak mengumpul data baru, melatih model semula, dan menyesuaikan kejuruteraan semula setiap kali menambah tugas baru.

Ini adalah laluan paling popular dan paling mencabar semasa ini dalam AI fizikal—semua pihak bersaing, masing-masing menunjukkan kebolehan mereka.

Sementara itu, penyelesaian yang diberikan oleh Simate pada peringkat ini dipanggil: Sistem Pantau Fizikal Universal.

Itu adalah Sistem Satu.

Mari kita ambil contoh dari manusia terlebih dahulu:

Untuk arahan kompleks seperti "Tolong rapikan meja saya", kita memerlukan "Sistem Dua" untuk memahami niat dan menguraikan langkah-langkah;

Tetapi apabila tangan sudah terulur ke arah cawan, tindakan reaksi dalam milisaat seperti menyesuaikan beberapa milimeter ke kiri atau ke kanan tidak mungkin bergantung pada pemikiran mendalam pada setiap langkah.

Fizikal AI juga begitu.

Sistem "lambat" yang serba guna bertanggung jawab atas perancangan tingkat tinggi dan penalaran kompleks, sementara sistem "cepat" yang cukup kuat bertanggung jawab atas persepsi secara langsung terhadap dunia fizikal yang berubah-ubah, serta mengeluarkan tindakan dengan pantas.

Simate memilih yang terakhir ini——

Perbesar jumlah parameter sistem cepat, eksplorasi kemunculan kemampuan generalisasi tanpa sampel, dan uji batas ukuran serta kapasiti model yang boleh dideploy di sisi end.

Sistem pantulan fizik umum.

Namun, besar dan cepat adalah kompromi yang sukar dicapai.

Simate memilih untuk memulai dari dua perkara:

1. Penderiaan Fizikal 4D

Untuk memahami dunia fizikal, perlu menangkap perubahan dinamik dalam struktur ruang dan dimensi masa secara serentak, supaya representasi fizikal benar-benar melayani tindakan.

2. Memori Berurutan Berlapis

Tugasan jangka panjang memerlukan pengingatan peristiwa sebelumnya, operasi berterusan perlu melacak status, dan tindakan segera tidak boleh dilambatkan oleh maklumat sejarah yang besar.

Penginderaan fizikal 4D dan memori urutan bertingkat, bersama-sama menunjukkan keselarasan dengan cara sistem pantas manusia memproses dunia berterusan.

Jalur ini juga melanjutkan pengalaman pasukan dalam model visual berskala besar, pemodelan urutan waktu, inferensi masa nyata, dan pelaksanaan dalam skala besar. Arsitektur dan ukuran model yang spesifik akan diumumkan dalam laporan teknikal seterusnya.

Keadaan akhir yang diharapkan adalah: model memahami apa yang sedang berlaku pada saat ini, mengingat apa yang baru sahaja berlaku, dan mampu membuat keputusan segera mengenai langkah seterusnya.

Bekerja sama dengan kemampuan penalaran umum yang diwakili oleh model canggih seperti GPT-6, maju ke arah pelaksanaan nol sampel untuk tugas yang kompleks.

Daripada demonstrasi peranti sebenar Simate-beta yang diberikan oleh syarikat semasa ini, ujian terutamanya berfokus pada penyesuaian tugas yang dipandu demonstrasi, memori, pelaksanaan jangka panjang yang kompleks, dan operasi halus.

Berdasarkan senarai RoboDojo yang disediakan oleh syarikat dan dikemaskini pada 23 September 2026, simate-beta menduduki tempat pertama dengan Skor purata 33.95, dengan SR sebanyak 27.96%. Prestasi ini adalah hasil penilaian senarai, dan prestasi sebenar akan ditunjukkan secara berasingan.

Di sebalik lembaran jawapan model ini, terdapat satu sistem lain yang sama-sama patut dibincangkan.

Dalam beberapa tahun terakhir, orang semakin terbiasa dengan AI yang menulis kod.

Namun, dalam penyelidikan AI, menulis kod hanyalah sebahagian kecil sahaja.

Sering kali, kecekapan iterasi adalah kunci kejayaan. Siapa yang mampu mengesahkan lebih banyak hipotesis penyelidikan dalam masa unit, akan muncul lebih awal.

Contoh paling mudah.

Tugasan jangka panjang robot sentiasa terhenti pada peringkat tertentu, dan sebabnya tidak lebih daripada beberapa perkara: distorsi taburan data, batasan struktur model, ketidakseimbangan nisbah trajektori, atau strategi latihan gagal.

Di sebalik setiap arah, terdapat belasan hingga puluhan set eksperimen.

Jika semua bergantung pada penyelidik untuk mengubah konfigurasi secara manual, memulakan tugas, memantau latihan, menjalankan penilaian, lalu mengumpulkan hasilnya, maka semuanya sudah terlewat masa...

Oleh itu, Simate membuat AutoResearch untuk mempercepat proses ini—

Penyelidik manusia: Mengemukakan hipotesis, menetapkan objektif, menentukan batasan.

AutoResearch engine: Secara automatik meneruskan, membahagikan eksperimen yang tinggal, menjalankan, dan mengautomatiskan keseluruhan proses maklum balas.

Keputusan akhir juga telah diumumkan, mereka berjaya mendapat tempat pertama di RoboDojo dengan kaedah ini.

Yang lebih penting ialah kelajuan.

Simate hanya mengambil tiga bulan dari penubuhan hingga mencapai puncak RoboDojo.

Sangat tidak masuk akal...

Jadi, masalahnya ialah:

Bagaimanakah AI sepatutnya 'menyelidik AI'?

Jelas bahawa meletakkan hanya seorang Agen saja jauh dari mencukupi.

Pembangunan robot sejati menembus lapisan bawah kepada kod model, saluran data, kumpulan latihan, persekitaran penilaian, maklum balas mesin sebenar, serta rekod eksperimen selama berbulan-bulan bahkan bertahun-tahun yang lalu.

Pada akhirnya, ini masih merupakan masalah "konteks". Agen memerlukan antarmuka super yang dapat mengatur segalanya.

Untuk itu, Simate membina satu arsitektur tiga lapisan: SiPAI + AutoResearch + Infra AI-native.

SiPAI: Membuat arsitektur model "boleh diteliti oleh AI"

Ini adalah kerangka model yang boleh dicabut, secara asli ditujukan untuk "penyelidikan automatik".

Secara ringkas, ia membina model robot dalam struktur yang mudah difahami oleh AI—batas modul, antaramuka sistem, konfigurasi, dan proses pengesahan semuanya ditakrifkan dengan sangat jelas.

Hanya dengan cara ini, selepas agen menerima topik penyelidikan, mereka dapat mengetahui dengan tepat: modul mana yang perlu diubah? Perubahan tersebut akan memberi kesan kepada apa? Dan akhirnya, bagaimana cara mengesahkannya?

Saat ini, Simate telah menyelesaikan pembinaan infrastruktur ini dan berjaya menyambungkan pelbagai arsitektur utama seperti World Model, World Action Model, VLA, dan VLM.

Baik penyelidik manusia mahupun Agent, boleh menggabungkan komponen secara bebas, menyesuaikan pelaksanaan tempatan, dan menggunakan aliran kerja latihan dan penilaian yang seragam.

AutoResearch: Menyediakan "konteks penyelidikan" yang dikemas kini secara nyata

Jika SiPAI menyediakan panduan statik, maka AutoResearch menyelesaikan jurang maklumat dinamik:

Penyelidikan telah sampai ke tahap mana? Apa saja rintangan yang pernah dihadapi sebelum ini? Apa bukti terkini?

Ia menghubungkan dan menggabungkan semua makalah terkini dari luar, bahan kajian dalaman pasukan, kod model, nisbah data, log eksperimen sejarah, dan umpan balik penilaian terkini ke dalam satu Context kajian dinamik.

Context ini akan dikemas kini secara nyata, sama ada ia adalah kertas kerja baharu, penghantaran kod dalaman versi baharu, atau data eksperimen terkini yang membantah anggapan lama.

Dengan cara ini, setiap cadangan penyelidikan yang diajukan oleh Agen dapat ditetapkan dengan tepat kepada cabang kod dan versi eksperimen tertentu:

Tempat paling menarik ialah keterkaitan mendalam antara "pengalaman manusia" dan "eksperimen Agen":

Penyelidik manusia boleh menyuntikkan batasan dan arah penyesuaian kapan saja; sekali eksperimen membuktikan komponen yang berkesan, ia segera menjadi titik permulaan baru untuk eksperimen seterusnya; metodologi yang dirumuskan daripada satu cabang juga boleh digunakan semula tanpa halangan oleh Agen seterusnya.

Hasil penyelidikan benar-benar berubah menjadi bahan produksi untuk penyelidikan seterusnya.

Infra berasaskan AI: Membuat roda pembangunan 7×24 jam berputar

Tentu, agen hanya menulis kod saja tidak cukup, eksperimen mesti dijalankan dengan cekap.

Simate mengintegrasikan keseluruhan proses latihan, inferens, dan penilaian ke infrastruktur buatan sendiri, melalui penyusunan tugas dan pengagihan sumber daya yang ekstrem, untuk secara serentak memajukan puluhan garis penyelidikan yang saling bebas.

Untuk mengelakkan pembaziran kuasa pengiraan, Simate menggunakan mekanisme penapisan frekuensi tinggi: semua laluan terlebih dahulu disaring melalui «model dunia + persekitaran simulasi» untuk penapisan pantas fasa pertama, menyingkirkan kebanyakan arah yang tidak berkesan;

Hanya rangkaian yang benar-benar berpotensi yang akan memasuki ujian mesin sebenar.

Masalah baharu terdedah di peranti sebenar, semula alir semula ke konteks penyelidikan, kitaran tertutup terbentuk:

Hasil akhirnya adalah: manusia hanya perlu memberikan arah eksplorasi, dan sistem dasar akan secara automatik menjalankan puluhan eksperimen secara serentak.

Ini juga merupakan kunci utama yang membolehkan Simate mencapai puncak dalam tempoh tiga bulan.

Namun, yang paling mengejutkan ialah, alat produktiviti dalaman yang sangat penting ini, mereka memilih untuk membukakkannya secara terbuka!

Laman web kelihatan seperti ini, rakan-rakan yang berminat boleh ambil sendiri di akhir teks.

Sekarang, penyelidik dari universiti terkemuka seperti Tsinghua, MIT, dan HKUST telah menjadi yang pertama masuk ke ujian dalaman.

Pendiri Zhang Ying, sebelum ini bertanggung jawab atas inti teknologi di sebuah syarikat pengendalian pintar terkemuka.

Mempunyai pengalaman praktikal yang sangat kaya, terlibat dalam usaha mengatasi tiga generasi penyelesaian pengendalian kendaraan pintar: dengan gambar, tanpa gambar, dan end-to-end, serta telah berpengalaman bertahun-tahun dalam pengeluaran berskala besar.

Menurut penerangan, sistem pengendalian pintar yang mereka dorong untuk dibina adalah sistem pengendalian pintar yang paling hampir dengan Tesla FSD di dalam negara.

Selain itu, terdapat dua tokoh utama dalam pasukan tersebut.

1. Pihak yang memegang posisi.

Profesor Bantu di Universiti Sains dan Teknologi Hong Kong dan Pemimpin World Mind Lab, yang secara berterusan menyelidik model dunia dan AI fizikal.

2. Ji Ma Zeyu.

Ilmuwan muda generasi Z, bidang penyelidikan merangkumi pengesanan 3D, operasi cekap, dan kawalan penuh robot manusia.

Sebelum menyertai Simate, beliau merupakan ahli pengasas Assured Robot Intelligence di Silicon Valley.

ARI kemudian diambil alih oleh Meta.

Pasar modal juga telah memberikan suara dengan uang sungguhan.

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

Dan semua ini adalah bertaruh pada perkara yang sama—

RSI fizikal.

Simate telah menargetkan arah ini sejak hari pertama berdiri dan mentakrifkan tiga jenis RSI yang berbeza.

1. SI lemah: sempadan jelas, penutupan pantas

Modus kerjasama manusia-mesin, penyelidik menetapkan sasaran dan batasan, tanpa perlu penyelidik terlibat secara bertahap semasa pelaksanaan biasa, dan isu luar biasa boleh dinaikkan untuk penanganan.

Pencapaian ini di RoboDojo adalah pengesahan kejuruteraan fasa pertama.

2. Mid-SI: Arah jelas, tetapi jawapan tidak diketahui

Bagaimana cara memperbaiki ingatan model? Bagaimana seharusnya nisbah data bagi jenis tugas tertentu?

Arah sudah ditetapkan, tetapi skema mana yang berkesan masih perlu dicari melalui beberapa ujian.

Pada masa ini, agen bertanggungjawab untuk mengatur konteks, melaksanakan penyelesaian, menjalankan eksperimen, dan membandingkan hasil; manakala penyelidik bertanggungjawab untuk menyaring hipotesis, menerangkan bukti yang bertentangan, dan membuat keputusan penting.

Ini juga sebenarnya jenis yang paling bernilai praktikal pada peringkat ini.

3. SI kuat: Penyelidikan itu sendiri perlu ditemui

Yang paling sukar, dan paling menyentuh inti kecerdasan—

Bagaimana untuk meningkatkan kemampuan generalisasi model dalam tugas baru?

Masalah semacam ini sudah tidak lagi mempunyai jalan penyelesaian yang jelas. Sistem perlu memahami tujuannya sendiri, mengenal masalah yang benar-benar patut diteliti, serta mempertahankan arah yang tepat dan terus-menerus memperbaiki rute sepanjang masa yang panjang.

Ini mulai melibatkan apa yang disebut "selera penyelidikan".

Pada peringkat ini, pekerjaan semacam ini masih memerlukan penyelidik berpengalaman untuk memimpin. Agent lebih banyak memberi sokongan dalam literatur, bukti, eksperimen, dan eksplorasi jalan.

Perlu diperhatikan bahawa SI lemah, sederhana, dan kuat yang disebut oleh Simate tidak mempunyai peringkat, dan ketiga-tiganya boleh wujud secara serentak dalam sistem pembangunan yang sama.

Lebih penting lagi ialah prinsip pertama «evolusi» itu sendiri.

Setiap peningkatan diri sistem membuat peningkatan seterusnya lebih mudah berlaku.

Apabila data, model, dan pelaksanaan sebenar disambungkan menjadi satu gelung tertutup yang berputar sendiri, had robot tidak lagi hanya ditentukan oleh had manusia.

Ini adalah Physical RSI, jalan terkini yang paling popular untuk AGI fizikal.

Tentu, yang ditunjukkan oleh Simate sekarang hanyalah bentuk awal.

Man-in-the-loop masih wujud, dan penyelidik masih menguasai penilaian arah paling penting dalam keseluruhan kitaran.

Namun, ini justru menunjukkan bahawa penyelidikan automatik tidak perlu menunggu sehingga hari «tiada campur tangan manusia sama sekali» sebelum ia mulai memberi nilai.

Sebelum kemampuan penyelidikan autonomi yang lebih kuat benar-benar muncul, memindahkan secara bertahap langkah-langkah berkos tinggi dan boleh diproses seperti rekabentuk eksperimen, latihan, penilaian, dan maklum balas kepada Agent sudah cukup untuk meningkatkan output penyelidikan secara ketara.

Laporan pencapaian RoboDojo juga membuktikan kebolehjadian lintasan "kerjasama manusia-mesin" dalam bidang AI fizikal—

RSI, benar-benar bermula.

Selain itu, ada satu perkara lagi.

Platform AutoResearch sedang dalam ujian tertutup dan sedang menerima pendaftaran dengan semangat!

Kekuatan hashing ribuan, tunggu anda untuk bergabung~

Laman web rasmi:

https://mate-robot.cn/

Platform Penyelidikan AutoResearch:

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

Artikel ini berasal daripada akaun微信公众号 "Quantum Bit" (ID: QbitAI), penulis: Jay