AI研究AI的范式正式进入物理世界。成立仅三个月的物理AI初创公司 Simate（Silicon Mate）近日推出了其首款通用物理快系统—— Simate-beta，展示出强大的长程任务、精细操作与环境适应能力，并直接登顶 RoboDojo 榜单。值得注意的是，该模型未针对榜单进行任何专项优化，完全凭借其通用泛化能力取得该成绩。
Simate的背景十分硬核。其核心团队曾将一段式端到端智驾模型推进至对标 Tesla FSD 的水平并实现量产落地。然而，他们最独特的优势在于从创立之初就确定的研发路径：“AI for #Physical AI”——让AI直接参与物理智能本身的迭代。为此，Simate搭建了包含 AutoResearch 自动化研究平台和 Sinfra 基础设施的AI原生研发体系。目前，来自 MIT、加州理工、清华和北大等名校的研究者已参与该平台的内测，公司也已完成数亿元人民币的融资。
针对物理AI面临的逐任务适配瓶颈，Simate提出了“通用物理快系统”（即 系统一）的解法。不同于依赖慢思考进行高层规划的“系统二”（如未来的 GPT-6），快系统需要实时感知多变物理世界并极速输出控制动作。Simate-beta 通过两大核心技术入手：一是 4D物理感知，同时捕捉空间结构与时间动态；二是 分层时序记忆，在处理长周期任务时追踪状态而不拖慢实时推理。
这种高频迭代的背后，是其自研的三层架构： SiPAI（可插拔模型框架）、AutoResearch 以及 AI-native Infra。通过将模型架构、数据管线和训练集群标准化，AutoResearch 引擎能够自动拆解、运行并反馈实验。在2026年9月23日的 #RoboDojo 榜单中，Simate-beta 以平均得分 33.95、成功率 27.96% 斩获第一，验证了这套自动化闭环的威力。团队计划于年底推出零样本泛化新成果，推动物理AI迎来其“GPT-3时刻”。
Simate 提出的“AI for Physical AI”研发范式，为具身智能（#Embodied AI）及 AI Agent 生态指明了新的进化路径。传统的 AI Agent 多局限于数字世界（如浏览器或软件操作），而将其引入物理世界最大的瓶颈在于高昂的仿真与实操迭代成本。通过自研 AutoResearch 自动化平台与 Sinfra 基础设施，Simate 成功将 Agent 的自动化闭环延伸至物理硬件层，实现了从“假设提出”到“真机反馈”的无缝连接。这种“快慢系统”的解耦不仅提升了机器人的实时反应精度，更通过自动化科研极大缩短了泛化模型的开发周期。随着物理 Agent 迈向零样本泛化的“GPT-3时刻”，这种软硬一体、自主迭代的自动化研发飞轮将成为未来具身智能竞争的绝对壁垒。
