近日，AI界爆出重磅消息，一家仅成立数月的初创公司Simate一举夺得全球权威评测平台RoboDojo的冠军，成为行业新的关注焦点。Simate刚刚完成了几轮融资，总额达到数亿元人民币，获得了风险投资公司、互联网巨头和产业资本的青睐。创始人张颖曾是某知名自动驾驶公司的技术负责人，并参与了中国版特斯拉完全自动驾驶系统的开发。他带领一支由产业与学术背景兼备的团队，决心在物理AI领域大展身手。短短三个月内，他们不仅登顶世界榜单，甚至成功实现了物理RSI的工程闭环，这引发了业界的极大兴趣，刺激了人们对物理AI研究是否可以通过AI自动化的思考。

为何Simate能够在如此短的时间内获得数亿融资并交出如此优异的成绩？答案在于其核心团队的背景。张颖在自动驾驶的激烈竞争中是个关键人物，他对物理世界的不确定性有深刻理解，也明白如何将前沿的AI算法与卓越的工程能力相结合。他的目标是更广泛的通用物理智能，像将汽车的“思维”移植到机器人的“身体”中一样。在成立Simate后，他带领一支梦之队，团队成员包括香港科技大学的助理教授和AI领域的顶尖人才。这样的组合使得他们在RoboDojo评测中超越了GPT-6-Astra和DeepMind，展现出在真实机器人任务执行和高精度操作上的卓越能力。

不过，对张颖和Simate而言，RoboDojo的胜利仅仅是一个开始，他们的目标更为长远。物理AI研究面临的一个主要挑战是实验成本高、速度慢、失败率高。最大的问题并不是缺少创意，而是人类在繁重工程任务中的精力耗尽。Simate的解决方案即为RSI。RSI长期以来主要停留在大语言模型的讨论中，而Simate则首次提出将RSI系统化并落地至物理AI，其长期发展路线引起了行业广泛关注。

Physical RSI概念的提出，意味着整个系统可以在稳定运行中自我积累经验、假设、实验和改进，从而提升机器人的智能。Simate建设的这一系统标志着物理AI研究的一个新阶段，他们采用了“人机共驾的弱RSI”为初始目标，由人类研究员负责宏观决策，而AI代理则运用已有知识库自主进行假设、实验规划、代码配置修改等。这样的设计催生了他们的核心产品AutoResearch自动研究系统，极大地打破了传统研究的瓶颈，以指数级的速度推动研究进展，并因此在RoboDojo赢得了第一名。

深入探讨Simate的AutoResearch系统，可以发现它的运作模式是一个循环过程：假设提出、实验规划、执行验证、分析迭代。为了让AI代理真正参与研究，Simate设计了可插拔的模型框架SiPAI，支持多种模型架构。通过这种方式，Agent能够灵活地从具体问题出发进行建模与实验，真正推动了科学研究的持续进步。