AI开始研究Physical AI：FSD级团队亮出首版模型Simate-beta，空降RoboDojo

Jay 发自 凹非寺

量子位 | 公众号 QbitAI

AI研究AI，这次有了物理世界的答卷。

一家成立仅三个月的公司，亮出了自己的首款通用物理快系统， Simate-beta ：展示记忆、长程任务、精细操作与任务适应能力，并据公司披露，登顶RoboDojo。

榜单当然不能代表模型的全部能力，但它提供了一个观察研发速度与实力的切面 。

据团队介绍，此次参评的基础模型并未针对该榜单进行任何专门优化。

成立三个月，首版模型就交出这样的成绩，值得关注。

团队叫 Simate（Silicon Mate） 。

来头也不小。据公司介绍，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。

放眼全球，跨过这道门槛的团队也属极少数；带着这套积累继续推进通用物理AI，就更少见了。

不过，这次最有意思的，是他们从创立第一天就定下的研发方式：

AI for Physical AI，让AI参与物理智能本身的研究与迭代。

公司围绕这条路线组织模型、数据、算力与实验流程。Simate-beta，正是这套AI-native研发体系的第一个实践产物。

而且，研究工具已经开始被外部研究者用起来了。

据 公司介绍，来自MIT、加州理工、清华、北大等高校的研究者已参与AutoResearch平台内测 。配套其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。

三个月，模型、研究平台、外部试用与融资同步推进。这个速度，确实让人想看看下一步。

团队也给出了预告： 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。

在他们看来，GPT-6开始参与物理世界的操作，是预料之中的进展，Physical AI的突破可能比外界想象来得更快。他们希望进一步突破逐任务适配与后训练的依赖，推动物理AI迎来自己的 「 GPT-3时刻」 。

模型与自动化研究等三项研究工作，也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。

这份研发速度，以及它能否持续，成为Simate接下来最值得关注的事。

所以，首款模型究竟做到了什么？AI又是怎么参与研究的？

Simate最终想逼近的，是 零样本（Zero-Shot）与少样本（Few-Shot）的通用物理AI操作 。

在一个全新的陌生环境中，系统不应该每增加一项新任务，就重新采集一批数据、训练一次模型、重新调一遍工程。

这正是当下物理AI最热门、也最具挑战的赛道——百家争鸣，各显神通。

而Simate给出的现阶段解法，叫做： 通用物理快系统 。

先用咱人类举个例子：

面对「帮我把桌子收拾一下」这类复杂指令，我们需要「系统二」去理解意图、拆解步骤；

但当手已经伸向杯子，接下来究竟该往左微调几毫米还是往右偏一点，这种毫秒级的动作反应，不可能每一步都依赖深度思考。

一个通用的「慢系统」负责高层规划与复杂推理，而一个足够强悍的「快系统」，则负责实时感知眼前不断变化的物理世界，并极速输出动作。

Simate选择的正是后者——

将快系统的参数量做大，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。

一个通用物理快系统。

不过，大，又要快，很难搞的一个Trade off。

Simate选择从两件事情入手：

理解物理世界，必须同时捕捉空间结构与时间维度的动态变化，让物理表征真正服务于行动。

长程任务需要记住此前发生的事，连续操作需要追踪状态，即时反应又不能被庞大的历史信息拖慢。

4D物理感知与分层时序记忆，共同指向与人类快系统处理连续世界方式的对齐。

这条路线，也延续了团队在大规模视觉模型、时序建模、实时推理与量产部署上的积累。……