Simate-beta дебютує як найкращий фізичний AI-модель на RoboDojo

Штучний інтелект досліджує штучний інтелект, і на цей раз є відповіді з фізичного світу.

Компанія, заснована лише три місяці тому, представила свою першу універсальну фізичну робототехнічну систему — Simate-beta: демонструє пам’ять, виконання довготривалих завдань, точне керування та адаптацію до завдань, а за даними компанії, посіла перше місце на RoboDojo.

Рейтинг, звичайно, не може повністю відобразити всі можливості моделі, але він дає огляд швидкості та рівня розробки.

За словами команди, базова модель, що брала участь у цьому рейтингу, не була спеціально оптимізована для цього списку.

За три місяці існування перша версія моделі показала такі результати — це варто уваги.

Команда називається Simate (Silicon Mate).

Також не мала малих амбіцій. За інформацією компанії, ядро команди вдалося продвинути одноступінчасту кінцеву модель автопілоту до рівня Tesla FSD і здійснити її масове впровадження.

На глобальному рівні лише дуже небагато команд подолали цей бар’єр; ще менше тих, хто продовжує розвивати універсальний фізичний ІІ на основі цих досягнень.

Проте найцікавішим у цьому випадку є спосіб розробки, який вони визначили з першого дня створення:

AI для фізичного AI, залучення AI до дослідження та ітерації фізичної інтелігентності.

Компанія організовує моделі, дані, обчислювальні ресурси та процеси експериментів навколо цієї маршрути. Simate-beta — це перший практичний продукт цієї AI-native системи розробки.

Крім того, інструменти дослідження вже почали використовувати зовнішні дослідники.

За інформацією компанії, дослідники з MIT, Каліфорнійського технологічного інституту, Цинхуа та Пекінського університету вже взяли участь у внутрішньому тестуванні платформи AutoResearch. Її інфраструктура Sinfra охоплює навчання, симуляцію та висновки; конкретні доступні ресурси підтверджуються за заявкою.

В той же час Simate успішно завершила кілька раундів фінансування на суму кілька сотень мільйонів юанів.

Три місяці — модель, дослідницька платформа, зовнішні тести та фінансування розгортаються одночасно. Ця швидкість справді зацікавлює, що буде далі.

Команда також надала попередній огляд: сформовано технічний підхід до нульового зразка узагальнення для складних завдань, планується представити проміжні результати до кінця цього року.

На їхню думку, включення GPT-6 у фізичні операції — це передбачуваний етап, і прорив у Physical AI може статися швидше, ніж зовнішній світ уявляє. Вони прагнуть подолати залежність від адаптації під окремі завдання та післятренування, щоб поштовхнути Physical AI до власного «моменту GPT-3».

Три дослідницькі роботи, включаючи дослідження моделей та автоматизації, також будуть опубліковані поступово у вигляді наукових статей і технічних звітів; відповідні результати планується відкрити поетапно.

Швидкість цих розробок та їхня здатність тривати стануть найважливішими питаннями для Simate далі.

Отже, що саме зробила перша модель? Як саме AI брав участь у дослідженні?

Simate нарешті прагне до універсальної фізичної AI-операції з нульовим (Zero-Shot) та малим (Few-Shot) зразками.

У новому, невідомому середовищі система не повинна збирати нові дані, навчати модель та повторно налаштовувати інженерні параметри для кожної нової задачі.

Це саме найпопулярніша та найскладніша галузь фізичного ІІ — боротьба всіх проти всіх, кожен демонструє свої здібності.

А рішення, запропоноване Simate, на цьому етапі називається: Універсальна фізична швидка система.

Тобто система один.

Спочатку наведемо приклад з людського життя:

Для розуміння інтенції та розбиття на кроки таких складних інструкцій, як «допоможи мені прибрати стіл», нам потрібен «система два»;

Але коли рука вже тягнеться до склянки, такі мілісекундні реакції — чи зробити мікропоправку на кілька міліметрів вліво чи вправо — не можуть залежати від глибокого мислення на кожному етапі.

Те саме стосується фізичного ІІ.

Універсальна «повільна система» відповідає за високорівневе планування та складні міркування, тоді як достатньо потужна «швидка система» відповідає за реальний часове сприйняття постійно змінного фізичного світу та миттєве виведення дій.

Simate вибрав саме друге —

Збільште кількість параметрів швидкої системи, дослідіть виникнення здатності до нульового зразка узагальнення та перевірте межі розміру та потужності моделей, придатних для розгортання на кінцевих пристроях.

Універсальна фізична швидка система.

Але велике і швидке — це важко досягнути компроміс.

Simate вибрав дві речі, з яких почати:

1. 4D фізичне відчуття

Щоб зрозуміти фізичний світ, необхідно одночасно фіксувати динамічні зміни просторової структури та часових вимірів, щоб фізичні представлення справді служили дії.

2. Шарове часове пам’ятання

Довгострокові завдання вимагають пам’ятати минулі події, послідовні операції потребують відстеження стану, а миттєва реакція не повинна сповільнюватися через великий обсяг історичних даних.

4D фізичне сприйняття та ієрархічна часове пам’яті разом спрямовані на відповідність способу, яким людська швидка система обробляє безперервний світ.

Цей підхід також базується на досвіді команди у великомасштабних візуальних моделях, моделюванні часових рядів, реальному виведенні та масовому розгортанні. Конкретна архітектура та розмір моделі будуть оприлюднені у майбутніх технічних звітах.

Кінцева мета — це стан, коли модель чітко розуміє, що відбувається зараз, пам’ятає, що відбувалося раніше, і здатна вчасно вирішити, які дії зробити наступними.

Співпрацюючи з загальною здатністю до міркувань, яку представляють передові моделі, такі як GPT-6, просуватися до нульового зразка виконання складних завдань.

Згідно з поточними реальними демонстраціями Simate-beta, наданими компанією, тестування зосереджено на демонстрації адаптації до завдань, пам’яті, складного довгострокового виконання та точного керування.

Згідно з рейтингом RoboDojo, наданим компанією та оновленим 23 вересня 2026 року, simate-beta посідає перше місце з середнім Score 33,95, що відповідає SR 27,96%. Цей результат є частиною рейтингового тестування; реальні показники працюючих пристроїв будуть представлені окремо.

За цією зразковою відповіддю стоїть ще одна система, яка також варта розгляду.

Протягом кількох років люди все більше звикають до того, що штучний інтелект пише код.

Але насправді в дослідженнях штучного інтелекту написання коду — це лише невелика частина.

Часто саме ефективність ітерацій є ключовим фактором успіху. Хто зможе за одиницю часу перевірити більше дослідницьких гіпотез, той і вийде вперед.

Найпростіший приклад.

Завдання довгострокового робота завжди зациклюються на певному етапі, і причини цього зводяться до кількох: спотворення розподілу даних, обмеження архітектури моделі, дисбаланс пропорцій траєкторій або невдача стратегії навчання.

За кожним напрямком стоять десятки або навіть сотні експериментів.

Якщо все покладати на дослідників, щоб вони вручну змінювали конфігурації, запускали завдання, спостерігали за навчанням, запускали оцінки та збирали результати, то це займе надто багато часу...

Тож Simate створив AutoResearch, щоб прискорити цей процес—

Людські дослідники: формулюють гіпотези, встановлюють цілі, визначають обмеження.

AutoResearch: автоматичне продовження, автоматизація повного циклу — розбиття, запуск і зворотний зв’язок залишених експериментів.

Остаточні результати також оголошено — вони зайняли перше місце у RoboDojo за допомогою цього методу.

Ще важливішим є швидкість.

Simate від моменту заснування до входження до топу RoboDojo зайняв лише три місяці.

Це просто дивно...

Отже, виникає питання:

Як саме «досліджувати ШІ»?

Звичайно, одного агента недостатньо.

Справжній розробка роботів проникає на нижчому рівні до коду моделей, конвеєрів даних, кластерів навчання, середовищ оцінки, зворотного зв’язку від реальних пристроїв, а також експериментальних даних за минулі місяці або навіть роки.

В кінцевому підсумку, це все ще питання «контексту». Агенту потрібен суперінтерфейс, який може координувати все.

Для цього Simate створила трирівневу архітектуру: SiPAI + AutoResearch + AI-native Infra.

SiPAI: Зробіть архітектуру моделі «доступною для дослідження штучним інтелектом»

Це вбудована модульна система, створена для «автоматизованого дослідження».

Просто кажучи, модель робота створюється у вигляді структури, яку AI може легко зрозуміти — межі модулів, системні інтерфейси, параметри конфігурації та процеси перевірки визначені надзвичайно чітко.

Тільки так агент, отримавши дослідницьке завдання, зможе точно знати: який модуль змінити? Які частини вплинуть на зміни? І як нарешті перевірити результат?

На даний момент Simate завершила створення цієї інфраструктури та успішно інтегрувала такі основні архітектури, як світова модель, модель світових дій, VLA, VLM тощо.

Як людські дослідники, так і агенти можуть вільно комбінувати компоненти, налаштовувати локальні реалізації та використовувати єдиний конвеєр навчання та оцінки.

AutoResearch: надається з оновленням у реальному часі «контекст дослідження»

Якщо SiPAI надає статичну інструкцію, то AutoResearch вирішує динамічну інформаційну різницю:

Дослідження досягло якого етапу? Що раніше викликало проблеми? Які найновіші докази?

Він об’єднує зовнішні передові наукові праці, матеріали внутрішніх обговорень команди, код моделей, співвідношення даних, історичні журнали експериментів та найсвіжіші оціночні відгуки в єдиний динамічний контекст дослідження.

Цей Context оновлюється в реальному часі, незалежно від того, чи була опублікована нова стаття, чи був надісланий новий варіант внутрішнього коду, чи останні експериментальні дані спростували старі припущення.

Таким чином, кожна дослідницька рекомендація, запропонована агентом, може бути точно прив’язана до конкретної гілки коду та версії експерименту:

Найцікавіше в тому, що «людський досвід» глибоко пов’язаний з «експериментами з агентами»:

Людські дослідники можуть в будь-який момент вносити обмеження та напрямки налаштування; як тільки під час експерименту підтверджується ефективний компонент, він миттєво стає новою вихідною точкою для наступних експериментів; методологія, сформульована в одному з напрямків, також може бути безперешкодно використана наступним агентом.

Дослідження перетворилися на засоби виробництва для наступного етапу досліджень.

AI-навігаційна інфраструктура: розкручуємо розробницький цикл 7×24

Звичайно, агенту недостатньо лише писати код, експерименти повинні запускатися ефективно.

Simate інтегрувала повний цикл навчання, висновку та оцінки у власну інфраструктуру, одночасно паралельно розробляючи десятки незалежних дослідницьких напрямків завдяки оптимізованому плануванню завдань та розподілу ресурсів.

Щоб запобігти витраті обчислювальних потужностей, Simate використовує механізм частотного фільтрування: усі маршрути спочатку проходять першу швидку фільтрацію через «світову модель + симуляційне середовище», відкидаючи більшість неефективних напрямків;

Тільки справді перспективні рішення потрапляють у реальні тести.

На реальному пристрої виявлено нові проблеми, що знову повертає нас до дослідження контексту — так замкнувся цикл:

Кінцевий ефект полягає в тому, що людині достатньо вказати напрямок дослідження, а нижчий рівень системи автоматично запускає десятки експериментів паралельно.

Це також ключовий фактор, чому Simate змогла зайняти перше місце за три місяці.

Але найбільш неочікуваним було те, що вони вирішили відкрити цей надзвичайно важливий внутрішній інструмент продуктивності!

Виглядає це ось так, зацікавлені можуть отримати в кінці статті.

Зараз дослідники з таких топових університетів, як Цинхуа, MIT та Гонконзький науково-технічний університет, вже вступили до закритого тестування.

Засновник Чжан Ін, колишній керівник ключових технологій однієї з провідних компаній у сфері автономного ведіння.

Має великий досвід практичної роботи в інженерії, брав участь у розробці трьох поколінь систем автономного управління — з зображенням, без зображення та повністю інтегрованих, а також мав багаторічний досвід серійного виробництва.

Згідно з інформацією, розроблена ними система автономного водіння є найближчою до Tesla FSD серед систем у Китаї.

Крім того, у команді є ще дві ключові особи.

1. Зайняти місце.

Допоміжний професор Гонконзького університету науки і технологій, керівник World Mind Lab, який довгий час досліджує світові моделі та фізичний ІІ.

2. Цзи Мацзейюй.

Молодий вчений покоління Z, напрям досліджень — 3D-відчуття, маніпуляції та повністю контрольований рух людиноподібних роботів.

До приєднання до Simate він був одним із засновників Assured Robot Intelligence у Сіліконовій долині.

ARI пізніше була придбана Meta.

Ринки капіталу також проголосували реальними грошима.

За три місяці з моменту заснування Simate успішно привлекла кілька раундів фінансування по кілька мільярдів юанів за кожен.

А все це — це ставка на одну й ту саму річ —

Фізичний RSI.

Simate з перших днів свого існування орієнтувалася на цей напрямок і визначила три різних типи RSI.

1. Слабкий SI: чіткі межі, швидке замкнення

Режим спільного керування людиною та машиною: дослідник встановлює цілі та обмеження, під час нормального виконання дослідник не повинен поступово участвувати, а в разі виникнення виняткових ситуацій — може бути піднятий рівень обробки.

Це підтвердження інженерної фази першого етапу на RoboDojo.

2. СІ: напрямок зрозумілий, але відповідь невідома

Як покращити пам’ять моделі? Як саме розподілити пропорції даних для певного типу завдань?

Напрямок вже визначено, але конкретну ефективну стратегію потрібно знайти за допомогою кількох ітерацій експериментів.

На цьому етапі агент відповідає за організацію контексту, реалізацію рішень, проведення експериментів та порівняння результатів; дослідник — за відбір гіпотез, пояснення суперечливих доказів та прийняття ключових рішень.

Це також один із найбільш практично цінних типів на поточному етапі.

3. Сильний SI: Саме дослідження повинні бути виявлені

Найскладніша, а також найбільш суттєва для інтелекту категорія —

Як підвищити узагальнювальну здатність моделі у нових завданнях?

Ці питання вже не мають чіткого шляху розв’язання. Системі потрібно самостійно зрозуміти мету, виявити справді вартих дослідження проблеми та протягом тривалого часу зберігати орієнтацію, постійно коригуючи маршрут.

Це вже стосується так званого «дослідницького смаку».

На цьому етапі цю роботу все ще має керувати досвідчений дослідник. Агенти більше підтримують у пошуку літератури, доказів, експериментів та шляхів дослідження.

Варто зазначити, що слабкий, середній і сильний SI, про які говорить Simate, не мають ієрархії — вони можуть одночасно існувати в одній системі розробки.

Ще важливішим є сама першопричина «еволюції».

Кожне самовдосконалення системи робить наступне вдосконалення легшим.

Коли дані, моделі та реальне розгортання утворюють замкнений цикл, який працює самостійно, обмеження роботів більше не визначаються лише обмеженнями людини.

Це Physical RSI, найпопулярніша поточна кандидатська лінія для фізичного AGI.

Звичайно, те, що зараз показує Simate, — це лише рання версія.

Людина у циклі все ще присутня, і дослідники все ще керують найважливішими рішеннями в цьому циклі.

Але це саме й підтверджує, що автоматизовані дослідження починають приносити користь ще до того, як настане день «повної відсутності людської участи».

До того як з’являться справді потужні здібності до автономних досліджень, поступове передавання високовитратних, стандартизованих етапів — проектування експериментів, навчання, оцінка та зворотний зв’язок — агентам вже може значно підвищити пропускну здатність досліджень.

Звіт RoboDojo також підтверджує доцільність шляху «людина та машина разом» у галузі фізичного ІІ:

RSI, справді почалося.

Також ще одна річ.

Платформа AutoResearch увійшла у фазу закритого тестування і зараз активно набирає учасників!

Тисяча калорій обчислювальної потужності, приєднуйтесь до нас!~

Офіційний сайт:

https://mate-robot.cn/

AutoResearch наукова платформа:

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

Цей матеріал зі сторінки WeChat «Quantum Bit» (ID: QbitAI), автор: Jay