据量子位报道，成立仅三个月的Simate（Silicon Mate）9月26日发布首版通用物理快系统Simate-beta，并据公司披露，该模型在RoboDojo榜单排名第一。公司同时介绍了AI参与物理智能研究的AutoResearch平台，以及年底推出复杂任务零样本泛化阶段性成果的计划。
据公司介绍，Simate-beta展示记忆、长程任务、精细操作与任务适应能力。更新于2026年9月23日的RoboDojo榜单显示，Simate-beta以平均Score 33.95排名第一，对应SR为27.96%。该成绩属于榜单评测，真机表现另行展示；团队称基础模型未针对该榜单专门优化。
Simate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。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。团队成员还包括香港科技大学助理教授、World Mind Lab负责人占方能，以及研究方向横跨3D感知、灵巧操作和人形机器人全身控制的季马泽宇。公司称，成立以来已连续完成多轮每轮数亿元人民币级别融资。
技术路线上，Simate希望逼近零样本与少样本的通用物理AI操作，减少每增加一项新任务就重新采集数据、训练模型和调整工程的做法。公司现阶段选择通用物理快系统，让慢系统负责高层规划与复杂推理，快系统负责实时感知并极速输出动作。Simate将快系统参数量做大，探索零样本泛化能力的涌现，同时挑战端侧可部署模型的规模与能力上限。其切入点是4D物理感知和分层时序记忆，具体架构和模型规模将在后续技术报告中披露。
支撑模型迭代的是AutoResearch。Simate把它与SiPAI、AI-native Infra组成三层架构。SiPAI将模块边界、系统接口、配置项与验证流程定义清晰，已接入世界模型、世界动作模型、VLA、VLM等架构。AutoResearch把外部论文、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汇入同一份动态研究上下文。AI-native Infra接入训练、推理与评测全流程，并行推进数十条独立研究路线；路线先经世界模型和仿真环境快速过滤，潜力方案再进入真机实测，问题回流研究上下文。
Simate把押注方向称为Physical RSI，并定义弱SI、中SI和强SI三类。弱SI边界明确、快速闭环，采用人机共驾模式，研究员设定目标与约束，异常可升级处理，此次登顶RoboDojo被视为第一阶段工程验证。中SI方向明确但答案未知，例如改善模型记忆或确定数据比例，Agent负责整理上下文、实现方案、跑实验和比较结果，研究员负责筛假设、解释冲突证据和关键取舍。强SI涉及研究本身需要被发现，例如提升全新任务泛化能力，系统需自己理解目标、发现值得研究的问题并保持方向感。公司称现阶段这类工作仍需资深研究者主导，弱、中、强SI并无等级之分，可同时存在于同一套研发系统中。
据公司介绍，AutoResearch平台已启动内测，来自MIT、加州理工、清华、北大等高校的研究者已参与，这一内部工具已选择开源开放。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。公司认为Physical AI的突破可能比外界想象更快，希望突破逐任务适配与后训练依赖，计划今年年底推出面向复杂任务零样本泛化的阶段性成果。目前系统仍处于早期形态，Human-in-the-loop依然存在。