Simate-beta ra mắt với tư cách là mô hình AI vật lý dẫn đầu về hiệu suất trên RoboDojo

AI nghiên cứu AI, lần này đã có bài答卷 từ thế giới vật lý.

Một công ty mới thành lập được ba tháng đã giới thiệu hệ thống vật lý phổ quát đầu tiên của mình, Simate-beta: thể hiện khả năng ghi nhớ, thực hiện nhiệm vụ dài hạn, thao tác tinh vi và thích nghi nhiệm vụ, đồng thời theo công ty tiết lộ, đã đạt vị trí số một trên RoboDojo.

Bảng xếp hạng tất nhiên không thể đại diện cho toàn bộ khả năng của mô hình, nhưng nó cung cấp một góc nhìn về tốc độ và sức mạnh nghiên cứu và phát triển.

Theo đội ngũ giới thiệu, mô hình cơ sở tham gia đánh giá này chưa được tối ưu hóa đặc biệt cho bảng xếp hạng này.

Sau ba tháng thành lập, mô hình phiên bản đầu tiên đã đạt được thành tích như vậy, đáng để quan tâm.

Đội ngũ có tên Simate (Silicon Mate).

Cũng không phải là đội ngũ nhỏ. Theo giới thiệu của công ty, nhóm cốt lõi từng đẩy khả năng mô hình lái tự động end-to-end một giai đoạn lên mức tương đương Tesla FSD và hoàn thành việc đưa vào sản xuất hàng loạt.

Trên toàn cầu, rất ít đội ngũ vượt qua được ngưỡng này; càng ít thấy hơn những đội ngũ tiếp tục đẩy mạnh AI vật lý phổ quát với nền tảng tích lũy này.

Tuy nhiên, điều thú vị nhất lần này là phương pháp phát triển mà họ đã xác định từ ngày đầu thành lập:

AI cho Physical AI, để AI tham gia vào nghiên cứu và cải tiến chính vật lý thông minh.

Công ty tổ chức mô hình, dữ liệu, năng lực tính toán và quy trình thí nghiệm xung quanh con đường này. Simate-beta chính là sản phẩm thực tiễn đầu tiên của hệ thống nghiên cứu và phát triển bản địa AI này.

Hơn nữa, các công cụ nghiên cứu đã bắt đầu được các nhà nghiên cứu bên ngoài sử dụng.

Theo giới thiệu của công ty, các nhà nghiên cứu đến từ MIT, Caltech, Thanh Hoa, Bắc Kinh và các trường đại học khác đã tham gia vào giai đoạn thử nghiệm nền tảng AutoResearch. Hệ thống cơ sở hạ tầng Sinfra đi kèm bao gồm đào tạo, mô phỏng và suy luận, với các tài nguyên cụ thể sẽ được xác nhận theo yêu cầu.

Meanwhile, Simate has successfully completed multiple funding rounds amounting to hundreds of millions of RMB.

Trong ba tháng, mô hình, nền tảng nghiên cứu, thử nghiệm bên ngoài và huy động vốn đang được thúc đẩy đồng thời. Tốc độ này thực sự khiến người ta muốn xem bước tiếp theo là gì.

Đội ngũ cũng đã đưa ra dự báo: đã hình thành tư tưởng kỹ thuật nhằm đạt được khả năng khái quát không mẫu trong các nhiệm vụ phức tạp, dự kiến sẽ công bố kết quả giai đoạn vào cuối năm nay.

Theo họ, việc GPT-6 bắt đầu tham gia vào các thao tác trong thế giới vật lý là một bước tiến được dự kiến, và sự đột phá trong Physical AI có thể diễn ra nhanh hơn những gì bên ngoài tưởng tượng. Họ mong muốn vượt qua sự phụ thuộc vào việc điều chỉnh theo từng nhiệm vụ và sau khi huấn luyện, để thúc đẩy Physical AI đạt đến “thời điểm GPT-3” của riêng mình.

Ba nghiên cứu, bao gồm nghiên cứu mô hình và tự động hóa, cũng sẽ được công bố dần qua các bài báo và báo cáo kỹ thuật, với kế hoạch mở nguồn kết quả theo từng giai đoạn.

Tốc độ phát triển này, cùng với khả năng duy trì nó, trở thành điều đáng quan tâm nhất tiếp theo của Simate.

Vậy nên, mô hình đầu tiên đã đạt được những gì? Và AI đã tham gia vào nghiên cứu như thế nào?

Simate cuối cùng muốn hướng tới là thao tác AI vật lý tổng quát với zero-shot và few-shot.

Trong một môi trường hoàn toàn mới và lạ lẫm, hệ thống không nên thu thập lại một bộ dữ liệu mới, huấn luyện lại mô hình và điều chỉnh lại kỹ thuật mỗi khi thêm một nhiệm vụ mới.

Đây chính là lĩnh vực đang nóng bỏng và đầy thách thức nhất hiện nay trong vật lý AI – trăm hoa đua nở, mỗi bên đều thể hiện sức mạnh riêng.

Giải pháp hiện tại mà Simate đưa ra được gọi là: Hệ thống nhanh vật lý chung.

Cũng là Hệ thống một.

Hãy lấy một ví dụ từ con người trước:

Đối với các lệnh phức tạp như “giúp tôi dọn dẹp bàn”, chúng ta cần “hệ thống hai” để hiểu ý định và phân tích các bước;

Nhưng khi tay đã đưa tới cốc, những phản ứng hành động ở mức miligiây như điều chỉnh vài milimét sang trái hay sang phải tiếp theo, không thể từng bước đều dựa vào suy nghĩ sâu sắc.

Physical AI is the same.

Một hệ thống “chậm” tổng quát chịu trách nhiệm lập kế hoạch cấp cao và suy luận phức tạp, trong khi một hệ thống “nhanh” đủ mạnh mẽ chịu trách nhiệm cảm nhận trực tiếp thế giới vật lý đang thay đổi liên tục và đưa ra hành động cực nhanh.

Simate đã chọn后者——

Tăng quy mô tham số của hệ thống nhanh, khám phá khả năng khái quát không mẫu, thách thức giới hạn quy mô và năng lực của các mô hình có thể triển khai trên thiết bị đầu cuối.

A general physical fast system.

Tuy nhiên, lớn và nhanh là một sự đánh đổi rất khó xử.

Simate chọn bắt đầu từ hai việc:

1. Nhận thức vật lý 4D

Để hiểu thế giới vật lý, cần đồng thời ghi nhận sự thay đổi động của cấu trúc không gian và chiều thời gian, nhằm làm cho các biểu diễn vật lý thực sự phục vụ hành động.

2. Bộ nhớ chuỗi thời gian phân cấp

Các nhiệm vụ dài hạn cần ghi nhớ những sự kiện đã xảy ra trước đó, các thao tác liên tục cần theo dõi trạng thái, nhưng phản ứng tức thời không thể bị chậm lại bởi lượng thông tin lịch sử khổng lồ.

Nhận thức vật lý 4D và trí nhớ chuỗi thời gian phân lớp cùng hướng tới sự đồng bộ với cách con người xử lý thế giới liên tục bằng hệ thống nhanh.

Con đường này cũng kế thừa những tích lũy của đội ngũ trong các mô hình thị giác quy mô lớn, mô hình hóa chuỗi thời gian, suy luận thời gian thực và triển khai sản xuất hàng loạt. Kiến trúc cụ thể và quy mô mô hình sẽ được công bố trong báo cáo kỹ thuật tiếp theo.

Trạng thái cuối cùng mong muốn là: mô hình vừa rõ ràng về những gì đang xảy ra ngay lúc này, vừa ghi nhớ những gì vừa xảy ra, và có thể đưa ra quyết định kịp thời về bước tiếp theo.

Kết hợp với khả năng suy luận chung đại diện bởi các mô hình tiên tiến như GPT-6, tiến tới thực hiện không mẫu các nhiệm vụ phức tạp.

Từ các màn hình trình diễn thực tế Simate-beta do công ty cung cấp hiện tại, các bài kiểm tra chủ yếu tập trung vào khả năng thích ứng nhiệm vụ do trình diễn, trí nhớ, thực thi dài hạn phức tạp và thao tác tinh vi.

Thes the RoboDojo ranking provided and updated on September 23, 2026, simate-beta ranks first with an average Score of 33.95 and a corresponding SR of 27.96%. This result is based on the ranking evaluation; actual machine performance will be displayed separately.

Đằng sau bản mẫu bài thi này là một hệ thống khác cũng đáng được khám phá.

Trong những năm qua, mọi người đã ngày càng quen thuộc với việc AI viết mã.

Nhưng thực tế trong nghiên cứu AI, việc viết mã chỉ là một phần rất nhỏ.

Trong nhiều trường hợp, hiệu quả lặp lại mới là yếu tố quyết định. Ai có thể xác minh được nhiều giả thuyết nghiên cứu hơn trong cùng một đơn vị thời gian, người đó sẽ đi trước.

Ví dụ đơn giản nhất.

Các nhiệm vụ dài hạn của robot luôn bị kẹt ở một khâu nào đó, nguyên nhân không ngoài vài trường hợp: phân phối dữ liệu bị méo mó, điểm nghẽn trong kiến trúc mô hình, mất cân bằng tỷ lệ quỹ đạo, hoặc chiến lược huấn luyện không còn hiệu lực.

Mỗi hướng đi đều tương ứng với hàng chục nhóm thí nghiệm.

Nếu hoàn toàn phụ thuộc vào các nhà nghiên cứu tự tay chỉnh cấu hình, khởi chạy nhiệm vụ, theo dõi quá trình huấn luyện, chạy đánh giá rồi tổng hợp kết quả trở lại, thì món rau cải vàng đã nguội rồi...

Vì vậy, Simate đã tạo AutoResearch để tăng tốc quy trình này—

Nhà nghiên cứu con người: Đưa ra giả thuyết, thiết lập mục tiêu, xác định các ràng buộc.

AutoResearch engine: Tự động tiếp nhận, chia nhỏ, chạy và tự động hóa toàn bộ quy trình phản hồi các thí nghiệm còn lại.

Kết quả cuối cùng cũng đã được công bố, họ đã giành vị trí số một tại RoboDojo bằng phương pháp này.

Quan trọng hơn cả là tốc độ.

Simate chỉ mất ba tháng kể từ khi thành lập đến khi leo lên vị trí số một trên RoboDojo.

Điều này thật khó tin...

Vậy nên câu hỏi đặt ra là:

Làm thế nào để “nghiên cứu AI” một cách đúng đắn?

Rõ ràng, việc chỉ đưa vào một Agent là chưa đủ.

Việc phát triển robot thật sự đã xuyên suốt từ mã mô hình, đường ống dữ liệu, cụm huấn luyện, môi trường đánh giá, phản hồi từ thiết bị thực tế, đến các bản ghi thí nghiệm trong nhiều tháng甚至数年.

Cuối cùng, đây vẫn là vấn đề về «bối cảnh». Agent cần một giao diện siêu để điều phối mọi thứ.

Để làm điều này, Simate đã xây dựng một kiến trúc ba lớp: SiPAI + AutoResearch + AI-native Infra.

SiPAI: Làm cho kiến trúc mô hình trở nên “có thể nghiên cứu bởi AI”

Đây là một khung mô-đun nguyên sinh được thiết kế dành riêng cho "nghiên cứu tự động hóa".

Nói một cách đơn giản, đó là xây dựng mô hình robot thành cấu trúc mà AI có thể dễ dàng hiểu rõ—ranh giới mô-đun, giao diện hệ thống, các mục cấu hình và quy trình xác minh đều được xác định cực kỳ rõ ràng.

Chỉ khi đó, Agent mới có thể xác định chính xác sau khi nhận đề tài nghiên cứu: nên thay đổi module nào? Sự thay đổi sẽ ảnh hưởng đến những gì? Và cuối cùng nên xác minh như thế nào?

Hiện tại, Simate đã hoàn thành việc xây dựng cơ sở hạ tầng này và kết nối thành công với nhiều kiến trúc phổ biến như mô hình thế giới, mô hình hành động thế giới, VLA, VLM, v.v.

Cả nhà nghiên cứu con người lẫn Agent đều có thể tự do kết hợp các thành phần, điều chỉnh các phần triển khai cục bộ và sử dụng lại quy trình đào tạo và đánh giá thống nhất.

AutoResearch: Cung cấp «bối cảnh nghiên cứu» được làm mới theo thời gian thực

Nếu SiPAI cung cấp một hướng dẫn tĩnh, thì AutoResearch giải quyết khoảng cách thông tin động:

Nghiên cứu đã tiến triển đến đâu? Trước đây đã gặp những rủi ro nào? Bằng chứng mới nhất là gì?

Nó kết nối và tích hợp tất cả các bài báo前沿, tài liệu thảo luận nội bộ nhóm, mã mô hình, tỷ lệ dữ liệu, nhật ký thí nghiệm lịch sử và phản hồi đánh giá mới nhất vào cùng một bối cảnh nghiên cứu động.

Bất kể là đã công bố bài báo mới, gửi phiên bản mã mới trong nội bộ, hay dữ liệu thí nghiệm mới nhất bác bỏ giả thuyết cũ, Context này sẽ được cập nhật thời gian thực.

Như vậy, từng đề xuất nghiên cứu do Agent đưa ra mới có thể được xác định chính xác đến nhánh mã và phiên bản thí nghiệm cụ thể:

Điều thú vị nhất nằm ở sự kết hợp sâu sắc giữa “trải nghiệm con người” và “thí nghiệm Agent”:

Các nhà nghiên cứu con người có thể luôn luôn thêm ràng buộc và định hướng tinh chỉnh; ngay khi một thí nghiệm xác minh được các thành phần hiệu quả, chúng sẽ lập tức trở thành điểm khởi đầu mới cho các thí nghiệm tiếp theo; phương pháp luận được tổng kết từ một nhánh nào đó cũng có thể được các Agent tiếp theo tái sử dụng một cách liền mạch.

Nghiên cứu成果 đã thực sự trở thành tư liệu sản xuất cho nghiên cứu tiếp theo.

Cơ sở hạ tầng bản địa AI: Kích hoạt vòng lặp nghiên cứu và phát triển 7×24 giờ

Of course, an agent can't just write code; experiments must be run efficiently.

Simate đã tích hợp toàn bộ quy trình đào tạo, suy luận và đánh giá vào hạ tầng tự phát triển, thông qua việc sắp xếp nhiệm vụ và điều phối tài nguyên tối ưu, đồng thời tiến hành song song hàng chục tuyến nghiên cứu độc lập.

Để ngăn chặn lãng phí sức mạnh tính toán, Simate áp dụng cơ chế lọc tần suất cao: tất cả các lộ trình đều được lọc qua vòng đầu tiên bởi “mô hình thế giới + môi trường mô phỏng”, loại bỏ phần lớn các hướng không hiệu quả;

Chỉ những giải pháp thực sự có tiềm năng mới được đưa vào thử nghiệm thực tế.

Các vấn đề mới được phát hiện trên thiết bị thực, dẫn đến việc quay lại nghiên cứu Context, tạo thành một vòng lặp khép kín:

Kết quả cuối cùng là: con người chỉ cần đưa ra một hướng khám phá, hệ thống nền tảng sẽ tự động chạy đồng thời hàng chục thí nghiệm một cách mạnh mẽ.

Đây cũng là chìa khóa giúp Simate leo lên vị trí số một trong ba tháng.

Tuy nhiên, điều khiến mọi người bất ngờ nhất là họ lại chọn cách mở nguồn trực tiếp một bộ công cụ năng suất nội bộ cực kỳ cốt lõi!

Trang web trông như thế này, những bạn quan tâm có thể tự lấy ở cuối bài viết.

Hiện tại, các nhà nghiên cứu từ các trường đại học hàng đầu như Thanh Hoa, MIT và HKUST đã率先进驻内测。

Người sáng lập Trương Dĩnh, cựu trưởng nhóm kỹ thuật cốt lõi của một công ty lái thông minh hàng đầu.

Có kinh nghiệm thực chiến phong phú, đã tham gia vào việc phát triển ba thế hệ giải pháp lái tự động: có hình ảnh, không hình ảnh và end-to-end, đồng thời cũng đã có nhiều năm kinh nghiệm sản xuất hàng loạt.

The intelligent driving system it has developed is the closest to Tesla FSD in China.

Ngoài ra, trong đội ngũ còn có hai nhân vật then chốt.

1. Chỉ bên đặt cược mới được.

Giảng viên trợ lý tại Đại học Khoa học và Công nghệ Hồng Kông, người đứng đầu World Mind Lab, chuyên nghiên cứu lâu dài về mô hình thế giới và AI vật lý.

2. Ji Ma Zeyu.

Nhà khoa học thế hệ sau năm 2000, chuyên nghiên cứu về cảm biến 3D, thao tác linh hoạt và điều khiển toàn thân robot hình người.

Trước khi tham gia Simate, anh ấy là thành viên sáng lập của Assured Robot Intelligence tại Thung lũng Silicon.

ARI sau đó đã được Meta mua lại.

Thị trường vốn cũng đã bỏ phiếu bằng tiền thật.

Chỉ mới thành lập ba tháng, Simate đã liên tục huy động được nhiều vòng vốn, mỗi vòng đạt hàng trăm triệu nhân dân tệ.

Và tất cả những điều này đều đang đặt cược vào cùng một điều—

RSI vật lý.

Simate từ ngày đầu thành lập đã hướng tới hướng đi này và xác định ba loại RSI khác nhau.

1. SI yếu: ranh giới rõ ràng, đóng vòng nhanh

Chế độ phối hợp giữa con người và máy móc, nhà nghiên cứu thiết lập mục tiêu và ràng buộc, trong quá trình thực thi bình thường không cần nhà nghiên cứu tham gia từng bước, trường hợp bất thường có thể được nâng cấp để xử lý.

Việc leo lên đỉnh RoboDojo này là bước xác minh kỹ thuật giai đoạn đầu tiên.

2. Trung SI: Hướng rõ ràng, nhưng câu trả lời chưa biết

Làm thế nào để cải thiện trí nhớ của mô hình? Tỷ lệ dữ liệu cho các loại nhiệm vụ nên được phân bổ như thế nào?

Định hướng đã có, nhưng để xác định phương án nào hiệu quả, cần phải thực hiện nhiều vòng thí nghiệm.

Lúc này, Agent chịu trách nhiệm sắp xếp ngữ cảnh, triển khai giải pháp, chạy thí nghiệm và so sánh kết quả; trong khi nhà nghiên cứu chịu trách nhiệm lọc các giả thuyết, giải thích các bằng chứng mâu thuẫn và đưa ra các quyết định then chốt.

Đây thực chất cũng là một trong những loại có giá trị thực tế cao nhất ở giai đoạn hiện nay.

3. SI mạnh: Nghiên cứu bản thân đều cần được phát hiện

Khó nhất, cũng là loại chạm đến bản chất của trí tuệ—

Làm thế nào để cải thiện khả năng tổng quát hóa của mô hình trong các nhiệm vụ hoàn toàn mới?

Loại vấn đề này đã không còn con đường giải quyết rõ ràng nữa. Hệ thống phải tự mình hiểu được mục tiêu, phát hiện ra những vấn đề thực sự đáng nghiên cứu, đồng thời duy trì định hướng trong thời gian dài và liên tục điều chỉnh lộ trình.

Điều này bắt đầu liên quan đến cái gọi là "thị hiếu nghiên cứu".

Hiện tại, những công việc này vẫn cần sự dẫn dắt của các nhà nghiên cứu giàu kinh nghiệm. Agent chủ yếu hỗ trợ trong việc tìm kiếm tài liệu, bằng chứng, thí nghiệm và khám phá các hướng đi.

Cần lưu ý rằng, theo Simate, SI yếu, trung bình và mạnh không có cấp bậc, và cả ba loại này có thể cùng tồn tại trong cùng một hệ thống phát triển.

Quan trọng hơn vẫn là nguyên lý cơ bản đầu tiên là “tiến hóa” này.

Mỗi lần tự cải tiến của hệ thống đều làm cho lần cải tiến tiếp theo dễ dàng xảy ra hơn.

Khi dữ liệu, mô hình và việc triển khai thực tế được kết nối thành một vòng lặp tự vận hành, giới hạn của robot mới không còn chỉ phụ thuộc vào giới hạn của con người.

Đây là Physical RSI, tuyến đường ứng cử viên phổ biến nhất hiện nay cho Physical AGI.

Of course, what Simate is showing now is still in its early form.

Human-in-the-loop vẫn tồn tại, và các nhà nghiên cứu vẫn nắm giữ sự phán đoán quan trọng nhất trong toàn bộ chu trình.

Nhưng điều này chính xác cũng cho thấy, nghiên cứu tự động hóa không cần phải đợi đến ngày “hoàn toàn không có sự tham gia của con người” mới bắt đầu mang lại giá trị.

Trước khi khả năng tự nghiên cứu mạnh mẽ hơn thực sự xuất hiện, việc dần giao các khâu chi phí cao và có thể chuẩn hóa như thiết kế thí nghiệm, huấn luyện, đánh giá và phản hồi cho Agent đã có thể tăng đáng kể năng suất nghiên cứu.

Bảng điểm của RoboDojo cũng đã xác minh tính khả thi của con đường "con người và máy móc cùng điều khiển" trong lĩnh vực AI vật lý—

RSI, thật sự đã bắt đầu.

À, còn một việc nữa.

Nền tảng AutoResearch đã khởi động giai đoạn kiểm thử nội bộ và hiện đang tích cực tuyển dụng!

1.000 KH năng lực tính toán, chờ bạn cùng tham gia~

Trang web chính thức:

https://mate-robot.cn/

Nền tảng AutoResearch:

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

Bài viết này đến từ tài khoản chính thức WeChat "Quantum Bit" (ID: QbitAI), tác giả: Jay