Simate-beta дебютирует как лучшая физическая ИИ-модель на RoboDojo

ИИ изучает ИИ, и на этот раз есть ответы из физического мира.

Компания, существующая всего три месяца, представила свою первую универсальную физическую робототехническую систему — Simate-beta: демонстрирует память, выполнение долгосрочных задач, точное управление и адаптацию к задачам, а по данным компании, возглавила рейтинг RoboDojo.

Рейтинги, конечно, не могут полностью отразить все возможности модели, но они предоставляют возможность оценить скорость и уровень разработки.

По информации команды, базовая модель, представленная на оценку, не была специально оптимизирована для этого рейтинга.

За три месяца существования первая версия модели показала такие результаты, что это заслуживает внимания.

Команда называется Simate (Silicon Mate).

Также не маловажно. Согласно информации компании, ключевая команда довела способности одностадийной конечной модели автономного вождения до уровня, сопоставимого с Tesla FSD, и успешно реализовала массовое производство.

На глобальном уровне лишь крайне немногие команды преодолели этот порог; еще реже встречаются те, кто продолжает развивать универсальный физический ИИ на основе этих накоплений.

Однако самым интересным в этот раз является подход к разработке, который они установили с первого дня создания:

AI для физического ИИ — вовлечение ИИ в исследование и итерацию физического интеллекта.

Компания организовала модели, данные, вычислительные мощности и экспериментальные процессы вокруг этой направленности. Simate-beta — это первый практический продукт этой AI-native системы разработки.

Кроме того, инструменты для исследований уже начали использоваться внешними исследователями.

Согласно информации компании, исследователи из MIT, Калифорнийского технологического института, Циньхуа и Пекинского университета уже участвуют в закрытом тестировании платформы AutoResearch. Ее инфраструктура Sinfra охватывает обучение, моделирование и вывод; доступные ресурсы подтверждаются по запросу.

В то же время Simate успешно завершила несколько раундов финансирования на сумму в миллиарды юаней.

За три месяца одновременно продвигаются модель, исследовательская платформа, внешние тесты и привлечение финансирования. Такой темп действительно заставляет посмотреть, что будет дальше.

Команда также сделала предварительное объявление: сформирована техническая концепция для нулевого обучения при сложных задачах, планируется представить промежуточные результаты до конца этого года.

По их мнению, участие GPT-6 в операциях физического мира — это ожидаемый прогресс, и прорыв в области Physical AI может произойти быстрее, чем предполагают внешние наблюдатели. Они стремятся преодолеть зависимость от адаптации по задачам и пост-обучения, чтобы подтолкнуть Physical AI к собственному «моменту GPT-3».

Три исследования, включая исследования моделей и автоматизации, будут постепенно опубликованы в виде статей и технических отчетов, а соответствующие результаты планируется открыть поэтапно.

Скорость этого разработческого процесса и его способность сохраняться станут наиболее важными вопросами для Simate в ближайшее время.

Итак, что именно достигла первая модель? И как именно ИИ участвовал в исследовании?

Simate в конечном итоге стремится к универсальной физической ИИ-операции с нулевым и малым количеством примеров.

В совершенно новой и незнакомой среде система не должна собирать новый набор данных, обучать модель заново и повторно настраивать инженерные параметры при добавлении каждой новой задачи.

Это именно та область, где сейчас наиболее популярны и наиболее сложны физические ИИ — борьба за доминирование, каждый проявляет свои способности.

А решение, предложенное Simate на текущем этапе, называется: универсальная физическая быстрая система.

То есть система один.

Сначала приведем пример из человеческой жизни:

Для понимания намерений и разбиения на шаги таких сложных инструкций, как «помоги мне убрать стол», нам нужен «система два»;

Но когда рука уже тянется к чашке, такие миллисекундные реакции — следует ли слегка отрегулировать движение влево или вправо — не могут зависеть от глубокого размышления на каждом этапе.

То же самое относится и к физическому ИИ.

Общая «медленная система» отвечает за стратегическое планирование и сложные рассуждения, тогда как достаточно мощная «быстрая система» обеспечивает реальное восприятие постоянно меняющегося физического мира и мгновенный вывод действий.

Simate выбрал именно последнее —

Увеличьте количество параметров быстрой системы, исследуйте возникновение способности к нулевому обучению и проверьте пределы размера и возможностей моделей, пригодных для развертывания на краевых устройствах.

A universal physical fast system.

Однако большой объем и быстрая скорость — это трудный компромисс.

Simate выбрал два направления для начала:

1. Физическое восприятие 4D

Чтобы понять физический мир, необходимо одновременно фиксировать динамические изменения пространственной структуры и временного измерения, чтобы физические представления действительно служили действиям.

2. Иерархическая временная память

Для долгосрочных задач необходимо запоминать предыдущие события, для последовательных операций — отслеживать состояние, но мгновенные реакции не должны замедляться из-за огромного объема исторических данных.

4D физическое восприятие и иерархическая временная память совместно направлены на согласование с тем, как человеческая быстрая система обрабатывает непрерывный мир.

Этот подход также опирается на накопленный опыт команды в области крупномасштабных визуальных моделей, временных моделей, реального времени и масштабного развертывания. Конкретная архитектура и размер модели будут раскрыты в последующих технических отчетах.

Конечная цель — чтобы модель четко понимала, что происходит прямо сейчас, помнила, что произошло ранее, и могла своевременно принимать решения о следующем шаге.

Совместно с общей способностью к рассуждению, представленной передовыми моделями, такими как GPT-6, продвигаться к нулевому образцу выполнения сложных задач.

На основе текущего реального демонстрационного представления Simate-beta, предоставленного компанией, тестирование в основном сосредоточено на адаптации к задачам, управляемым демонстрацией, памяти, сложном долгосрочном выполнении и точных операциях.

Согласно рейтингу RoboDojo, предоставленному компанией и обновленному 23 сентября 2026 года, simate-beta занимает первое место со средним Score 33.95 и соответствующим SR 27,96%. Этот результат относится к оценке по рейтингу; реальные показатели на оборудовании будут представлены отдельно.

За этой моделью ответа стоит еще одна система, также заслуживающая подробного рассмотрения.

За последние несколько лет люди все больше привыкают к тому, что код пишет ИИ.

Но на самом деле в исследовании ИИ написание кода — это лишь небольшая часть.

Часто ключом к победе является эффективность итераций. Тот, кто сможет за единицу времени проверить больше гипотез, выйдет вперёд первым.

Простой пример.

Долгосрочные задачи робота всегда застревают на каком-то этапе, и причины могут быть только следующими: искажение распределения данных, узкое место в архитектуре модели, дисбаланс пропорций траекторий или неэффективность стратегии обучения.

За каждым направлением стоят десятки или даже сотни экспериментов.

Если всё зависит от исследователей, которые вручную меняют конфигурации, запускают задачи, следят за обучением, проводят оценку и затем собирают результаты, то уже всё будет слишком поздно...

Таким образом, Simate создал AutoResearch для ускорения этого процесса—

Человеческий исследователь: формулирует гипотезы, ставит цели, определяет ограничения.

AutoResearch Engine: автоматически берет на себя оставшиеся эксперименты, разбивает их на этапы, запускает и автоматизирует весь цикл обратной связи.

Итоги также были объявлены — они заняли первое место в RoboDojo с помощью этого метода.

Более важным является скорость.

Simate от основания до выхода на первое место в RoboDojo заняло всего три месяца.

Это просто абсурдно...

Так возникает вопрос:

Как именно «исследовать ИИ»?

Clearly, dropping just one Agent is far from enough.

Настоящая разработка роботов проникает на низкий уровень: код модели, конвейер данных, тренировочные кластеры, среда оценки, обратная связь от реальных машин, а также экспериментальные записи за последние месяцы и даже годы.

В конечном счете, это все еще вопрос «контекста». Агенту нужен суперинтерфейс, способный координировать все.

Для этого Simate создала трехуровневую архитектуру: SiPAI + AutoResearch + AI-native Infra.

SiPAI: Сделать архитектуру модели «доступной для исследования ИИ»

Это встраиваемая модельная рамка, изначально созданная для «автоматизированных исследований».

Проще говоря, модель робота создается в структуре, которую ИИ может легко понять — границы модулей, системные интерфейсы, параметры конфигурации и процессы проверки определены максимально четко.

Только так агент, получив исследовательскую задачу, сможет точно знать: какой модуль нужно изменить? Какие области затронет изменение? И как в конце концов это проверить?

Сейчас Simate завершила создание этой инфраструктуры и успешно интегрировала такие основные архитектуры, как мировая модель, модель мировых действий, VLA и VLM.

Как человеческие исследователи, так и агенты могут свободно комбинировать компоненты, настраивать локальные реализации и использовать единую учебную и оценочную конвейерную систему.

AutoResearch: предоставляет постоянно обновляемый «контекст исследований»

Если SiPAI предоставляет статическую инструкцию, то AutoResearch решает динамический информационный разрыв:

На каком этапе находится исследование? Какие ошибки были допущены ранее? Каковы последние доказательства?

Он объединяет внешние передовые научные статьи, материалы внутренних обсуждений команды, код моделей, соотношения данных, исторические логи экспериментов и последние отзывы по оценке в единую динамическую исследовательскую среду.

Этот Context будет обновляться в реальном времени, независимо от того, опубликована ли новая научная статья, отправлена ли новая версия внутреннего кода или последние экспериментальные данные опровергли старую гипотезу.

Таким образом, каждое исследовательское предложение, представленное агентом, может быть точно привязано к конкретной ветке кода и версии эксперимента:

Самое интересное — это глубокая связь между «человеческим опытом» и «экспериментами с агентами»:

Человеческие исследователи могут в любой момент вносить ограничения и направления для настройки; как только эксперимент подтверждает эффективные компоненты, они немедленно становятся новой отправной точкой для последующих экспериментов; методологии, выработанные в рамках определённого направления, могут быть бесшовно повторно использованы последующими агентами.

Исследовательские результаты действительно превратились в средства производства для следующего исследования.

Инфраструктура, нативная для ИИ: запустите цикл разработки 7×24

Of course, an agent writing code alone is not enough—the experiments must run efficiently.

Simate интегрировала весь цикл — обучение, вывод и оценку — в собственную инфраструктуру, используя оптимальное планирование задач и распределение ресурсов для параллельного продвижения десятков независимых исследовательских направлений.

Для предотвращения потерь вычислительных мощностей Simate использует частотный механизм отбора: все маршруты сначала проходят первую быструю фильтрацию через «модель мира + симуляционную среду», отсеивая большинство неэффективных направлений;

Только действительно перспективные решения попадают в реальные тесты.

На реальном устройстве выявились новые проблемы, снова вернулись к изучению контекста — замкнутый цикл образован:

В итоге получается, что человеку достаточно указать направление исследования, а нижележащая система автоматически запускает десятки экспериментов параллельно.

Это также ключевой фактор, позволивший Simate занять первое место за три месяца.

Однако самым неожиданным стало то, что они решили полностью открыть исходный код этой крайне важной внутренней инструментальной платформы!

Веб-страница выглядит так, заинтересованные друзья могут получить её в конце статьи.

Сейчас исследователи из ведущих университетов, таких как Циньхуа, MIT и Гонконгский научно-технический университет, уже присоединились к закрытому тестированию.

Основатель Чжан Ин, бывший главный специалист по ключевым технологиям в одной из ведущих компаний в области автономного вождения.

Имеет большой практический опыт в инженерии, участвовал в разработке трех поколений решений для автономного вождения — с изображениями, без изображений и энд-ту-энд — а также много лет занимался серийным производством.

Согласно информации, созданная им система автономного вождения является ближайшей к Tesla FSD в Китае.

Кроме того, в команде есть еще две ключевые фигуры.

1. Занимать место.

Ассистент профессора Гонконгского научно-технического университета, руководитель World Mind Lab, долгое время занимается исследованиями в области мировых моделей и физического ИИ.

2. Цзи Мацзэю.

Молодой ученый поколения Z, направление исследований охватывает 3D-восприятие, ловкое управление и контроль всего тела человеческих роботов.

До присоединения к Simate он был одним из основателей Assured Robot Intelligence в Силиконовой долине.

ARI была приобретена Meta.

Рынки капитала также проголосовали реальными деньгами.

Только через три месяца после основания Simate успешно завершила несколько раундов финансирования по несколько сотен миллионов юаней за каждый.

И всё это — ставка на одно и то же —

Физический RSI.

Simate с первого дня своей работы ориентировалась на это направление и определила три различных типа RSI.

1. Слабый SI: четкие границы, быстрая замкнутая цепочка

Режим совместного управления человеком и машиной: исследователь задает цели и ограничения, на этапе обычного выполнения дальнейшее пошаговое участие исследователя не требуется, в случае аномалий процесс может быть передан на более высокий уровень обработки.

Это подтверждение инженерной концепции на первом этапе выхода на RoboDojo.

2. СИ: Направление ясно, но ответ неизвестен

Как улучшить память модели? Как именно следует распределять соотношение данных для определенного типа задач?

Направление уже определено, но конкретно, какой вариант эффективен, нужно выяснить с помощью нескольких циклов экспериментов.

В это время агент отвечает за организацию контекста, реализацию решений, проведение экспериментов и сравнение результатов; исследователь занимается отбором гипотез, объяснением противоречивых данных и принятием ключевых решений.

Это также один из самых практически ценных типов на текущем этапе.

3. Сильный SI: Само исследование должно быть обнаружено

Самые сложные и наиболее затрагивающие суть интеллекта —

Как повысить обобщающую способность модели при выполнении совершенно новых задач?

У таких задач уже нет четкого пути решения. Системе нужно самостоятельно понимать цели, выявлять действительно стоящие исследовательские вопросы и долго сохранять ориентир, постоянно корректируя маршрут.

Это уже затрагивает так называемый «вкус к исследованиям».

На текущем этапе такая работа по-прежнему требует руководства со стороны опытных исследователей. Агенты в основном предоставляют поддержку в поиске литературы, доказательств, экспериментов и исследовании направлений.

Стоит отметить, что слабый, средний и сильный SI, о которых говорит Симате, не имеют иерархии и могут одновременно существовать в одной и той же системе разработки.

Важнее всего, конечно, сама первопричина — «эволюция».

Каждое улучшение системы делает следующее улучшение более вероятным.

Когда данные, модели и реальное развертывание образуют замкнутый цикл, который работает самостоятельно, потолок возможностей роботов перестает зависеть только от потолка возможностей человека.

Это Physical RSI, текущая наиболее популярная направляющая линия для физического AGI.

Конечно, то, что сейчас показывает Simate, — это лишь ранняя версия.

Человек в цикле по-прежнему присутствует, и исследователи по-прежнему контролируют ключевые направления всего цикла.

Но это как раз и показывает, что автоматизированные исследования начинают приносить пользу еще до того, как наступит день «полного отсутствия участия человека».

До появления настоящей способности к самостоятельному исследованию, постепенная передача таких высоко затратных и стандартизируемых этапов, как проектирование экспериментов, обучение, оценка и обратная связь, агентам уже может значительно повысить производительность исследований.

Отчет RoboDojo также подтверждает жизнеспособность подхода «человек и машина совместно управляют» в области физического ИИ—

RSI действительно начался.

Кстати, еще один момент.

Автоматизированная исследовательская платформа AutoResearch уже запущена в закрытый бета-тест и активно набирает участников!

Тысяча калорий вычислительной мощности, присоединяйся играть~

Официальный сайт:

https://mate-robot.cn/

AutoResearch научная платформа:

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

Эта статья взята из официального аккаунта WeChat «Quantum Bit» (ID: QbitAI), автор: Джей