Hva skjedde
Simate, en oppstart som ble grunnlagt for tre måneder siden, ga ut sin første fysiske AI-modell kalt Simate-beta. I følge 36kr demonstrerte modellen evner innen minne, oppgaver med lang horisont, finmanipulering og oppgavetilpasning, og oppnådde topplasseringen på RoboDojo-ledertavlen med en gjennomsnittlig poengsum på 33,95 (SR 27,96 %). Selskapet sier at basismodellen ikke var spesielt optimalisert for ledertavlen, og at resultatet gjenspeiler dens AI-native forskningsplattform, AutoResearch, som automatiserer hypotesetesting, trening og evaluering. Oppstarten kunngjorde også at forskningsverktøyene har blitt brukt av eksterne forskere fra MIT, Caltech, Tsinghua University og Peking University i en beta-test, og at den har gjennomført flere finansieringsrunder verdt hundrevis av millioner RMB. Teamet planlegger å gi ut tekniske papirer, åpen kildekode-komponenter i faser, og å rulle ut ytterligere resultater innen utgangen av 2026.
Simate kunngjorde Simate-beta, og beskrev det som et "generelt fysisk raskt system" som integrerer en planleggingskomponent på høyt nivå ("det sakte systemet") med en hurtig persepsjonshandlingskomponent ("det raske systemet"). Selskapet hevder at modellen kan huske nylige hendelser, forstå komplekse instruksjoner og utføre justeringer på millisekundnivå uten å stole på omopplæring oppgave for oppgave.
Selskapet tilskriver sin raske fremgang til en AI-native forskningspipeline kalt AutoResearch, som automatiserer hypotesegenerering, eksperimentutførelse og resultatanalyse på tvers av simulerings- og virkelige robotmiljøer. I følge rapporten tillot denne pipelinen Simate å toppe RoboDojo-ledertavlen innen tre måneder etter etableringen.
Eksterne forskere fra toppuniversiteter har deltatt i en betatest av AutoResearch-plattformen, og oppstarten har sikret seg flere finansieringsrunder på til sammen hundrevis av millioner RMB. Teamet planlegger å publisere tre forskningsartikler og gi ut deler av plattformen som åpen kildekode senere på året.
Simate-betas resultattavle ble rapportert 23. september 2026, med en gjennomsnittlig poengsum på 33,95 og en suksessrate på 27,96 %. Selskapet bemerker at evalueringen av ledertavlen ikke fullt ut fanger robotytelsen i den virkelige verden, som vil bli offentliggjort separat.
Hvorfor det betyr noe
Lanseringen markerer et bemerkelsesverdig skritt mot generell fysisk AI som kan operere i virkelige miljøer uten oppgavespesifikk omskolering. Hvis den påståtte ytelsen holder, kan Simate-beta akselerere robotdistribusjon i bransjer som logistikk, produksjon og hjemmehjelp, der høyhastighetsoppfatning og langsiktig planlegging er avgjørende. Selskapets AI-native R&D-arbeidsflyt – som kombinerer et «SiPAI»-modellrammeverk, en AutoResearch-motor og tilpasset infrastruktur – lover å dramatisk øke forskningsgjennomstrømningen, og potensielt omforme hvordan robotikklaboratorier itererer på modeller. Uavhengig verifisering av poengsummene og ytelsen fra den virkelige verden mangler imidlertid, og detaljer om modellstørrelse, maskinvarekrav, priser og kommersiell tilgjengelighet forblir ikke avslørt. Disse ukjente begrenser umiddelbar praktisk innvirkning, men fremhever en potensielt transformativ tilnærming til utvikling av robot-AI.
Fysisk AI som kan generalisere på tvers av oppgaver uten omfattende omskolering er en langvarig utfordring innen robotikk. Simate-betas påståtte evne til å kombinere langtidsminne med rask, presis motorkontroll kan redusere ingeniørarbeidet som kreves for å distribuere roboter i nye innstillinger.
AutoResearch-arbeidsflyten, hvis den er effektiv, kan fungere som en mal for andre AI-laboratorier som ønsker å akselerere robotforskning, og potensielt senke adgangsbarrieren for mindre team og akademiske grupper.
Involveringen av forskere fra institusjoner som MIT og Tsinghua antyder tidlig akademisk interesse, som kan fremme samarbeid og uavhengig validering av teknologien.
Mangelen på avslørt modellstørrelse, beregningskrav og prissetting betyr at systemets tilgjengelighet for utviklere og bedrifter forblir usikker. Uten uavhengig verifisering garanterer ikke poengoversikten alene reell effektivitet.
Interaktiv mekanisme: Hvordan det faktisk fungerer
Utforsk den underliggende teknologien bak denne utviklingen interaktivt.
crm_get_transaction(id='4092').In AI, what are a model's "parameters"?
Hva du skal se neste
Nøkkelområder å overvåke inkluderer: (1) uavhengig benchmarking av Simate-beta på eksterne robottestsenger for å bekrefte RoboDojo-resultatene; (2) kunngjøringer om modellspesifikasjoner, maskinvarekrav og priser som indikerer kommersiell beredskap; (3) utrullingen av AutoResearch-plattformen til eksterne partnere og eventuelle åpen kildekode-utgivelser som kan muliggjøre bredere bruk; og (4) regulerings- eller sikkerhetsvurderinger når systemet beveger seg mot mer komplekse oppgaver i den virkelige verden.
Uavhengige tredjepartsevalueringer av Simate-beta på standard robotbenchmarks (f.eks. OpenAI Gym Robotics, Real-World RL Suite) for å bekrefte poengtavlen.
Offentlig utgivelse av tekniske spesifikasjoner, inkludert modellparametere, slutningsforsinkelse og maskinvareplattformer som trengs for distribusjon.
Kunngjøringer om åpen kildekode-komponentene til AutoResearch-plattformen, som kan muliggjøre bredere fellesskapsadopsjon og gransking.
Regulatorisk gransking eller sikkerhetssertifiseringer når systemet beveger seg mot mer komplekse manipulasjonsoppgaver i ukontrollerte miljøer.