成立三个月，Simate-beta登顶RoboDojo：AI开始研究Physical AI
量子位报道，物理AI公司Simate发布首版通用物理快系统Simate-beta，以平均Score 33.95、SR 27.96%登顶RoboDojo；公司称该基础模型未针对榜单专门优化，背后是一套AI参与研究的自动化研发体系。
AI解读：Simate把训练、推理与评测全流程接进自研Infra，用任务编排和资源调度并行推进数十条独立研究路线。这套系统让模型研发本身部分交给AI来做，三个月就跑出首版模型。
对物理AI团队来说，真正值得看的不是榜单名次，而是这类“AI研究AI”的流程能否复用。如果实验设计、训练、评测和反馈都能自动跑，研究人员的时间会更多花在判断方向上，而不是盯配置和日志。
局限也很明确：人类研究员仍掌握方向判断，所谓“弱RSI”只是边界清晰的快速闭环，离系统自己发现研究问题还很远。榜单成绩不能等同于真机泛化能力。
Simate称已形成面向复杂任务零样本泛化的技术思路，计划年底推出阶段性成果，相关论文和技术报告将分阶段公开。这些说法目前来自公司披露，尚待第三方验证。
量子位2026年9月26日报道，成立仅三个月的物理AI公司Simate发布首版通用物理快系统Simate-beta，并据公司披露登顶RoboDojo榜单。
根据公司提供、更新于2026年9月23日的RoboDojo榜单数据，simate-beta以平均Score 33.95排名第一，对应SR为27.96%。报道称该成绩属于榜单评测，真机表现另行展示，且团队介绍此次参评的基础模型并未针对该榜单进行专门优化。
Simate将自身路线称为“AI for Physical AI”，即让AI参与物理智能本身的研究与迭代。公司称来自MIT、加州理工、清华、北大等高校的研究者已参与其AutoResearch平台内测，配套Sinfra基础设施覆盖训练、仿真与推理，具体可用资源按申请确认。
同期，Simate已连续完成多轮数亿元人民币级别融资。团队预告已形成面向复杂任务零样本泛化的技术思路，计划于今年年底推出阶段性成果。
模型与自动化研究等三项研究工作将通过论文和技术报告陆续公布，相关成果计划分阶段开源。
Simate-beta：把快系统做大，瞄准零样本泛化
Simate最终想逼近的是零样本与少样本的通用物理AI操作：在一个全新陌生环境中，系统不应每增加一项新任务就重新采集数据、训练模型、调整工程。
公司将现阶段解法称为“通用物理快系统”，对应人类认知中的“系统一”。其思路是：通用“慢系统”负责高层规划与复杂推理，而足够强的“快系统”负责实时感知不断变化的物理世界并极速输出动作，Simate选择后者，把快系统参数量做大，探索零样本泛化能力的涌现，挑战端侧可部署模型的规模与能力上限。
大和快本身是一对难点。Simate从两方面入手：一是4D物理感知，同时捕捉空间结构与时间维度的动态变化，让物理表征服务于行动；二是分层时序记忆，既记住长程任务中此前发生的事、追踪连续操作状态，又不让庞大的历史信息拖慢即时反应。
团队称这条路线延续了其在大规模视觉模型、时序建模、实时推理与量产部署上的积累，具体架构和模型规模将在后续技术报告中披露。其目标是模型既清楚眼前正在发生什么，也记得刚才发生过什么，并能及时决定下一步，再与前沿通用推理模型协同，向复杂任务的零样本执行推进。
从公司给出的Simate-beta真机展示看，测试主要围绕演示驱动的任务适应、记忆、复杂长程执行与精细操作展开。
三层架构：SiPAI、AutoResearch与AI-native Infra
Simate认为，只丢一个Agent进研发流程远远不够。机器人研发底层穿透模型代码、数据管线、训练集群、评测环境、真机反馈以及过去数月甚至数年的实验记录，Agent需要一个能调度一切的接口。为此公司搭建了三层架构：SiPAI、AutoResearch与AI-native Infra。
SiPAI是一套原生面向自动化研究的可插拔模型框架，把机器人模型的模块边界、系统接口、配置项与验证流程定义清晰，让Agent拿到研究课题后知道该改哪个模块、改动会波及什么、最后如何验证。公司称已完成这套基础设施搭建，接入世界模型、世界动作模型、VLA、VLM等多种主流架构，人类研究员和Agent都能自由组合组件、调整局部实现，并沿用统一训练与评测流水线。
AutoResearch提供实时刷新的“研究上下文”，将外部前沿论文、团队内部研讨材料、模型代码、数据配比、历史实验日志与最新评测反馈打通并汇入同一份动态Context。无论新论文发布、代码提交新版本，还是新实验数据推翻旧假设，这份Context都会刷新，使Agent提出的研究建议能锚定到具体代码分支与实验版本。
人类研究员可随时注入约束、调优方向；某次实验验证了有效组件，会沉淀为后续实验的新起点；某个分支总结出的方法论也能被后续Agent复用。
AI-native Infra将训练、推理与评测全流程接入自研Infra，通过任务编排与资源调度同时并行推进数十条相互独立的研究路线。为防止算力浪费，Simate采用高频筛选：所有路线先经由“世界模型+仿真环境”做第一轮快速过滤，淘汰绝大多数无效方向，只有具备潜力的方案才进入真机实测；真机暴露的新问题再流回研究Context，形成闭环。
公司称这套内部生产力工具已直接开源开放，AutoResearch科研平台已启动内测并招募参与者，网页入口为https://mate-robot.cn/research/sinfra/。报道称来自清华、MIT、港科大等高校的研究者已率先进驻内测。
团队与三种RSI划分
Simate创始人张颖为前某一线智驾公司核心技术负责人，参与过有图、无图、端到端三代智驾方案攻坚，并做过多年量产工作；据公司介绍，其推动打造的智驾系统是国内最接近Tesla FSD的智驾系统，核心团队曾将一段式端到端智驾模型能力推进至对标Tesla FSD的水平并完成量产落地。
团队另两位成员包括：占方能，香港科技大学助理教授、World Mind Lab负责人，长期研究世界模型和物理AI；季马泽宇，00后青年科学家，研究方向横跨3D感知、灵巧操作和人形机器人全身控制，加入Simate前是硅谷Assured Robot Intelligence创始成员，ARI后来被Meta收购。
公司从创立第一天瞄准Physical RSI，并定义三种RSI：弱SI边界明确、快速闭环，人机共驾模式下研究员设定目标与约束，正常执行过程不再需要研究员逐步参与，异常可升级处理，此次登顶RoboDojo被公司称为第一阶段的工程验证；中SI方向明确但答案未知，比如怎么改善模型记忆、某类任务数据比例怎么配，Agent负责整理上下文、实现方案、跑实验、比较结果，研究员负责筛假设、解释冲突证据和关键取舍；强SI研究本身都需要被发现，例如怎么提升模型在全新任务里的泛化能力，系统得自己理解目标、发现值得研究的问题并在长时间里保持方向感，涉及所谓“研究品味”，现阶段仍需资深研究者主导。
Simate表示弱、中、强SI并无等级之分，三者可以同时存在于同一套研发系统中。
报道指出，Simate目前展示的仍是早期形态，Human-in-the-loop依然存在，研究员仍掌握整个循环里最关键的方向判断。