Simate-beta, RoboDojo'da en iyi performansı gösteren fiziksel AI modeli olarak debüt yaptı

AI, fiziksel dünyadan cevaplarla AI'yi araştırıyor.

Üç aydır faaliyet gösteren bir şirket, ilk evrensel fiziksel robot sistemini Simate-beta olarak tanıttı: bellek, uzun mesafeli görevler, ince işlemler ve görev uyarlama yeteneklerini sergiliyor ve şirketin açıklamasına göre RoboDojo'da birinci oldu.

Sıralama tablosu tabii ki modelin tüm yeteneklerini temsil etmez, ancak geliştirme hızını ve gücünü gözlemlemenin bir açısını sunar.

Takımın açıklamasına göre, bu yarışmaya katılan temel model, bu liste için özel olarak optimize edilmemiştir.

Üç ayda tamamlanan ilk model bu başarıyı gösteriyor, dikkat çekici.

Takımın adı Simate (Silicon Mate).

Arka planı da oldukça güçlü. Şirketin açıklamasına göre, çekirdek ekip, tek aşamalı uçtan uca otomatik sürüş modeli yeteneklerini Tesla FSD seviyesine getirerek seri üretimi tamamladı.

Dünya çapında bu eşiği aşan takımlar da çok azdır; bu birikimi taşıyarak genel fiziksel AI’yi ilerletmek ise daha da nadirdir.

Ancak bu sefer en ilginç olan, kurulduğu günden beri belirledikleri geliştirme yöntemi:

Fiziksel AI için AI, AI'nın fiziksel akıl yürütme çalışmalarına ve yinelemesine dahil olmasına izin verir.

Şirket, bu rota etrafında modelleri, verileri, hesaplama gücünü ve deney süreçlerini organize eder. Simate-beta, bu AI-native araştırma geliştirme sisteminin ilk uygulama ürünüdür.

Ayrıca, araştırma araçları zaten dış araştırmacılar tarafından kullanılmaya başlandı.

Şirketin açıklamasına göre, MIT, California Institute of Technology, Tsinghua ve Pekin Üniversiteleri'nden araştırmacılar AutoResearch platformunun iç testine katılmıştır. Sinfra altyapısıyla birlikte eğitim, simülasyon ve çıkarım kapsanmaktadır; kullanılabilir kaynaklar başvuruya göre onaylanacaktır.

Aynı zamanda, Simate, milyarlarca Çin yuanı seviyesindeki birçok finansman turunu tamamlamıştır.

Üç ay içinde, model, araştırma platformu, dış testler ve finansman aynı anda ilerliyor. Bu hız, bir sonraki adımı görmek istemeye sebep oluyor.

Takım ayrıca bir önizleme verdi: Karmaşık görevler için sıfır örnek genelleme yönünde bir teknik yaklaşım oluşturuldu ve bu yıl sonuna kadar aşamalı sonuçlar piyasaya sürülecek.

Onlar için, GPT-6'nın fiziksel dünyada işlemlere dahil olması beklenen bir ilerlemedir ve Physical AI'nın gelişimi, dışarıda düşünülenlerden daha hızlı olabilir. Onlar, görev bazlı uyum ve sonrası eğitim bağımlılığını aşarak, fiziksel AI'nın kendi "GPT-3 anını" yaşamasını sağlamayı hedefliyorlar.

Model ve otomasyon araştırmaları gibi üç araştırma çalışması, makaleler ve teknik raporlar aracılığıyla sırayla duyurulacak ve ilgili sonuçlar aşamalı olarak açık kaynaklı hale getirilecek.

Bu geliştirme hızı ve bunun sürdürülebilirliği, Simate'nin sonraki en dikkat edilmesi gereken konusu olacak.

Peki, ilk model tam olarak neyi başardı? AI araştırma sürecine nasıl dahil oldu?

Simate, sıfır örnekli (Zero-Shot) ve az örnekli (Few-Shot) genel fiziksel AI operasyonlarına doğru ilerlemeyi hedefliyor.

Yeni ve tanımadığınız bir ortamda, sistem her yeni görev eklediğinde veri toplamalı, modeli yeniden eğitmelı ve mühendislik ayarlarını tekrar değiştirmemelidir.

Şu anda fiziksel AI'nın en popüler ve en zorlu alanında, herkes kendi yöntemini sergiliyor.

Simate tarafından verilen şu anki çözüm, Genel Fiziksel Hız Sistemi olarak adlandırılır.

Yani Sistem Bir.

Öncelikle bir insan örneği verelim:

“Masayı toplar mısın?” gibi karmaşık talimatlarla karşılaştığımızda, niyeti anlamak ve adımları ayırmak için “Sistem 2”ye ihtiyacımız var;

Ancak el zaten bardağa doğru uzandığında, sonraki milimetre düzeyindeki sol ya da sağ ayarlamalar gibi milisaniye düzeyindeki tepkiler, her adımı derin düşünmeyle yapmak mümkün değildir.

Fiziksel AI de aynı şekilde.

Yüksek seviyeli planlama ve karmaşık çıkarımları yapan genel bir “yavaş sistem” ve gerçek zamanlı olarak değişen fiziksel dünyayı algılayıp hızlıca eylem üreten yeterince güçlü bir “hızlı sistem”.

Simate tam olarak ikincisini seçti—

Hızlı sistemin parametre sayısını artırarak sıfır örnek genelleme yeteneğinin ortaya çıkmasını keşfedin ve kenar cihazlarda dağıtılabilir modellerin boyutu ve kapasitesi sınırını zorlayın.

Bir genel fiziksel hızlı sistem.

Ancak büyük olmak ve hızlı olmak, zor bir dengelemeyi gerektirir.

Simate, iki konudan başlıyor:

1. 4D Fiziksel Algı

Fiziksel dünyayı anlamak, uzaysal yapıyı ve zaman boyutunun dinamik değişimlerini aynı anda yakalamayı gerektirir, böylece fiziksel temsiller gerçek eylemlere hizmet eder.

2. Katmanlı Zamanı Bellek

Uzun vadeli görevler, önceki olayları hatırlamayı gerektirir; sürekli işlemler durum takibi gerektirir, ancak anlık tepki verme yeteneği büyük geçmiş verilerle yavaşlatılamaz.

4D fiziksel algı ve katmanlı zamanlı hafıza, insanın sürekli dünyayı hızlı sistemle işleme şekliyle uyum sağlamayı amaçlar.

Bu yol, takımın büyük ölçekli görsel modeller, zaman serisi modelleme, gerçek zamanlı çıkarım ve endüstriyel dağıtım üzerindeki birikimini sürdürmektedir. Spesifik mimari ve model boyutu, ilerleyen teknik raporlarda açıklanacaktır.

Son hedef, modelin hem şu anda neler olduğunu net bir şekilde anlaması, hem de daha önce neler olduğunu hatırlaması ve bir sonraki adımı zamanında karar verebilmesidir.

GPT-6 gibi öncü modellerle temsil edilen genel akıl yürütme yetenekleriyle birlikte, karmaşık görevlerde sıfır örnek yürütme yönünde ilerleyin.

Şirketin şu ana kadar sunduğu Simate-beta gerçek cihaz gösterimine göre, testler özellikle sunum odaklı görev uyumu, bellek, karmaşık uzun vadeli yürütme ve ince operasyonlar etrafında yoğunlaşmaktadır.

2026年9月23天更新的RoboDojo sıralamasına göre, simate-beta ortalama puan 33,95 ile birinci oldu, karşılık gelen SR %27,96. Bu sonuç, sıralama değerlendirmesine aittir; gerçek makine performansı ayrı olarak gösterilecektir.

Bu model cevap kağıdının arkasında, aynı şekilde geliştirilebilecek başka bir sistem vardır.

Bu yıllarda, insanlar AI'nın kod yazmasına giderek alıştı.

Ancak AI araştırmalarında kod yazmak sadece küçük bir kısmıdır.

Sıklıkla, iterasyon verimliliği, karar vericinin anahtarıdır. Birim zamanda daha fazla araştırma hipotezini doğrulayabilen, öne çıkar.

En basit örnek.

Robot uzun vadeli görevleri her zaman bir aşamada takılı kalır; nedenleri veri dağılımının bozulması, model yapısındaki sınırlamalar, trajektory oran dengesizliği veya eğitim stratejisinin başarısız olmasıdır.

Her yönde, onlarca hatta yüzlerce deney karşılık gelir.

Eğer tüm yapılandırmaları, görevleri açmayı, eğitimi izlemeyi, değerlendirme testlerini çalıştırmayı ve sonuçları tekrar toplamayı araştırmacılar elle yaparsa, çiçekler kurur...

Bu nedenle Simate, bu süreci hızlandırmak için AutoResearch’i geliştirdi—

İnsan araştırmacıları: Hipotezler ortaya koyar, hedefler belirler, sınırlar çizer.

AutoResearch motoru: Geri kalan deneyleri otomatik olarak ayrıştırır, çalıştırır ve geri bildirim sürecini otomatikleştirir.

Sonuçlar da açıklandı, bu yöntemi kullanarak RoboDojo'da birinci oldular.

Daha da önemlisi hız.

Simate, kurulduğu günden RoboDojo'nun zirvesine ulaşana kadar yalnızca üç ay sürdü.

Bu kadar saçma olur mu...

Peki soru şu:

AI, AI'yi nasıl "araştırmalı"?

Elbette, sadece bir Agent bırakmak yeterli değil.

Gerçek robot geliştirme, temel düzeyde model kodlarını, veri hatlarını, eğitim kümelerini, değerlendirme ortamlarını, gerçek cihaz geri bildirimlerini ve geçen aylarca hatta yıllarca süren deney kayıtlarını kapsar.

Sonuçta, bu hâlâ «bağlam» meselesi. Ajan, her şeyi koordine edebilecek bir süper arayüze ihtiyaç duyuyor.

Bunun için Simate, SiPAI + AutoResearch + AI-native Infra olmak üzere üç katmanlı bir mimari kurdu.

SiPAI: Model mimarisini "AI araştırılabilir" hale getirin

Bu, "otomatikleştirilmiş araştırma" için tasarlanmış takılabilir bir model çerçevesidir.

Basitçe söylemek gerekirse, robot modeli, AI'nın kolayca anlayabileceği bir yapıya kurulur—modül sınırları, sistem arayüzleri, yapılandırma öğeleri ve doğrulama süreçleri son derece net şekilde tanımlanır.

Yalnızca böylece, Agent araştırma konusunu aldığında, hangi modülün değiştirilmesi gerektiğini, değişikliğin neyi etkileyeceğini ve nihayetinde nasıl doğrulanacağını tam olarak bilebilir.

Şu anda Simate, bu altyapıyı kurmayı tamamladı ve dünya modeli, dünya eylem modeli, VLA, VLM gibi birçok ana akım mimariye başarıyla entegre oldu.

İnsan araştırmacılar veya Agent'lar, bileşenleri serbestçe birleştirebilir, yerel uygulamaları ayarlayabilir ve tutarlı bir eğitim ve değerlendirme akışını kullanabilir.

AutoResearch: Gerçek zamanlı olarak güncellenen «araştırma bağlamı» sunuyor

SiPAI statik bir kullanım kılavuzu sağlıyorsa, AutoResearch dinamik bilgi farkını çözer:

Araştırma nerede? Daha önce hangi tuzaklara düştünüz? En son kanıtlar neler?

Dış ön plan makaleleri, takım içi çalışma materyalleri, model kodları, veri oranları, geçmiş deney logları ve en son değerlendirme geri bildirimlerini tek bir dinamik araştırma bağlamında birleştirir.

Yeni bir makale yayınlandığında, iç kodlara yeni bir sürüm gönderildiğinde veya en son deney verileri eski varsayımları çürüttüğünde, bu Context gerçek zamanlı olarak yenilenecektir.

Bu şekilde, Agent tarafından önerilen her araştırma önerisi, belirli bir kod dalına ve deney sürümüne tam olarak bağlanabilir:

En ilginç taraf, "insan deneyimi" ile "Agent deneyleri" arasındaki derin entegrasyondur:

İnsan araştırmacılar, her zaman kısıtlamaları ve iyileştirme yönlerini ekleyebilir; bir deneyde etkili bileşenler doğrulanır doğrulanmaz, bunlar sonraki deneyler için yeni bir başlangıç noktası haline gelir; bir dalda geliştirilen yöntemler, sonraki Agent'lar tarafından sorunsuz bir şekilde yeniden kullanılabilir.

Araştırma sonuçları, gerçek anlamda bir sonraki araştırma için üretim araçlarına dönüştü.

AI-native Altyapı: 7×24 saatlik araştırma ve geliştirme döngüsünü harekete geçirmek

Elbette, sadece kod yazmak yetmez, deneyler verimli bir şekilde çalıştırılmalıdır.

Simate, eğitim, çıkarım ve değerlendirme süreçlerini kendi Infra yapısına entegre ederek, maksimum görev düzenlemesi ve kaynak tahsisiyle aynı anda onlarca bağımsız araştırma yolunu paralel olarak ilerletiyor.

İşgücü israfını önlemek için Simate, yüksek frekanslı filtreleme mekanizmasını kullanır: tüm rotalar önce «Dünya Modeli + Simülasyon Ortamı» ile birinci aşamada hızlıca filtrelenir ve çoğu geçersiz yön elenir;

Yalnızca gerçek potansiyele sahip olan projeler, gerçek cihaz testine alınacaktır.

Gerçek cihazda yeni sorunlar ortaya çıktı, tekrar araştırma bağlamına geri dönüldü, döngü böylece tamamlandı:

Sonuç olarak, insanlar sadece bir araştırma yönü atar, alt sistem otomatik olarak onlarca deneyi paralel olarak çalıştırır.

Simate'in üç ay içinde zirveye ulaşmasının anahtarı budur.

Ancak en şaşırtıcı olan, bu kadar temel bir iç üretim aracının doğrudan açık kaynaklı olarak yayınlanmasına karar vermeleriydi!

Web sayfası şu şekilde, ilgilenenler sonunda kendileri alabilir.

Şu anda, Tsinghua Üniversitesi, MIT, HKUST gibi üst düzey üniversitelerden araştırmacılar ön test için önceden erişim sağlamıştır.

Kurucu Zhang Ying, önceki bir lider otomotiv sürücü destek şirketi temel teknoloji sorumlusu.

Çok sayıda mühendislik uygulama deneyimine sahip, görsel olan ve olmayan, tüm aşamalı otomatik sürüş çözümlerine katkıda bulunmuş ve yıllarca seri üretimde çalışmıştır.

Tanıtımına göre, geliştirdiği akıllı sürüş sistemi, Tesla FSD'ye en yakın yerel akıllı sürüş sistemidir.

Ayrıca, takımda iki ruh hali de vardır.

1. Alanı kapla.

Hong Kong Bilim ve Teknoloji Üniversitesi Yardımcı Profesörü ve World Mind Lab Yöneticisi, dünya modelleri ve fiziksel AI üzerinde uzun yıllardır araştırmalar yapmaktadır.

2. Ji Ma Zeyu.

00'lu yıllar doğumlular genç bilim insanı, 3D algılama, zeki operasyon ve insan benzeri robot tam kontrol alanlarında araştırma yapıyor.

Simate'ye katılmadan önce,硅谷 Assured Robot Intelligence'in kurucu üyesiydi.

ARI daha sonra Meta tarafından satın alındı.

Sermaye piyasaları, zaten gerçek para ile oy verdi.

Üç aydır var olan Simate, her biri milyarlarca Çin yuanı tutarında birçok finansman turu tamamladı.

Ve bunların hepsi aynı şeye bahis yapmakla ilgili—

Fiziksel RSI.

Simate, kurulduğu günden bu yana bu yöne odaklanmıştır ve üç farklı RSI türü tanımlamıştır.

1. Zayıf SI: Sınırlar net, hızlı döngü

İnsan ve makine ortak sürüş modu, araştırmacıların hedefleri ve sınırlamaları belirlemesini sağlar; normal yürütme sırasında araştırmacıların adım adım katılımına gerek yoktur, istisnai durumlarda işleme yükseltilebilir.

Bu, RoboDojo'ya ulaşmanın birinci aşama mühendislik doğrulamasıdır.

2. Orta SI: Yöntem net, ancak cevap bilinmiyor

Model belleğini nasıl iyileştirebilirim? Belirli bir görev türü için veri oranları nasıl ayarlanmalı?

Yön belirlendi, ancak hangi yöntemin etkili olduğu, birden fazla deneyle bulunacaktır.

Bu aşamada, Agent bağlamı düzenler, çözüm yöntemlerini uygular, deneyler yürütür ve sonuçları karşılaştırır; araştırmacı ise hipotezleri filtreler, çelişkili kanıtları yorumlar ve kritik kararlar alır.

Bu, şu anki aşamada en gerçekçi değere sahip kategori de aslında.

3. Güçlü SI: Araştırma kendiliğinden keşfedilmelidir

En zor olan ve akıl özünü en çok etkileyen tür—

Yeni bir görevde modelin genelleme yeteneğini nasıl artırabilirim?

Bu tür sorular için artık net bir çözüm yolu yok. Sistemin hedefi kendi kendine anlaması, gerçekten araştırılması değerli soruları keşfetmesi ve uzun bir süre boyunca yönünü koruyup sürekli olarak rotasını düzeltmesi gerekiyor.

Bu, söz konusu “araştırma tadı”na dahildir.

Şu aşamada, bu tür çalışmalar hâlâ deneyimli araştırmacıların öncülüğünde yürütülüyor. Agent, literatür, kanıt, deneyler ve yol araştırmalarında daha çok destek sağlıyor.

Dikkat edilmesi gereken nokta, Simate'in belirttiği zayıf, orta ve güçlü SI'lerin herhangi bir sıralamasının olmadığıdır; bunlar aynı bir araştırma ve geliştirme sisteminde aynı anda bulunabilir.

Daha da önemlisi, "evrim" bu ilk ilke kendisidir.

Sistemin her kendini geliştirme adımı, bir sonraki geliştirme adımının daha kolay gerçekleşmesini sağlar.

Veri, model ve gerçek dağıtım bir kendi kendine dönen bir döngü haline geldiğinde, robotların sınırı artık insanın sınırına bağlı kalmaz.

Bu, Fiziksel RSI'dir ve şu anda en popüler aday rota fiziksel AGI'dir.

Elbette, Simate şu anda gösterilen versiyon henüz erken bir aşamada.

İnsan-döngü-içinde hâlâ mevcut ve araştırmacılar hâlâ tüm döngüdeki en kritik yön belirlemeyi elinde tutuyor.

Ancak bu, otomasyon araştırmalarının "tamamen insan katılımı olmayan" güne kadar değer üretmeyi beklemesine gerek olmadığını gösteriyor.

Daha güçlü özgün araştırma yetenekleri gerçekleştikten önce, deney tasarımı, eğitimi, değerlendirme ve geri bildirim gibi yüksek maliyetli ve prosedürel hale getirilebilen adımları adım adım Agentlere devretmek, araştırma verimliliğini önemli ölçüde artırabilir.

RoboDojo'nun raporu, fiziksel AI alanında "insan ve makine ortak sürüş" yolunun uygulanabilirliğini doğrulamıştır—

RSI, gerçekten başladı.

Ayrıca bir şey daha.

AutoResearch bilimsel platformu iç teste başladı ve şu anda sıcakça kabul ediyor!

Bin kcal hesaplama gücü, birlikte oynamaya bekliyor~

Resmi web sitesi:

https://mate-robot.cn/

AutoResearch Bilimsel Platform:

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

Bu yazı, WeChat hesabından "Quantum Bits" (ID: QbitAI) tarafından yazılmıştır, yazar: Jay