Physical RSI是什么：从自动驾驶到「让AI自己研究物理」
Simate是一家成立数月的初创公司，专注于通用物理智能方向。其创始人来自国内自动驾驶一线，曾深度参与对标特斯拉FSD的智驾系统研发；核心团队同时具备产业工程经验与世界模型、通用人形控制器等学术背景。
这家公司提出的核心概念是「Physical RSI」。RSI（Recursive Self-Improvement，递归自我改进）原本是LLM领域的长期假设，指让系统在运行中不断自我迭代。Simate的关键变化，是把RSI首次系统化落地到Physical AI场景中：让系统在稳定运行中持续积累经验、自主提出假设、自主规划实验、自主验证与改进，从而提升机器人的智能。
与上一代以「人写模型、人跑实验、人调参」为主的物理AI研究范式相比，Physical RSI的目标是把研究流程本身变成可被AI执行的对象，而不是把AI只当作被训练的模型。
核心能力拆解：AutoResearch自动研究系统
支撑Simate在RoboDojo公开评测中拿下全球第一的，是一套名为AutoResearch的自主研究基础设施。它的工作逻辑可以拆成三块。
第一，SiPAI可插拔模型框架。传统研究里，每换一种模型结构就要重建一整套工程。SiPAI把世界模型（WM）、动作模型（WAM）、VLA（视觉语言动作模型）等不同架构封装为可替换组件，Agent可以直接替换或调整组件来实验，让研究想法有明确的「落点」。
第二，AI-native基础设施底座。系统支持多Agent编排与多卡调度，训练与推理算力被统一调度，可同时支撑数十个研究方向高并发。环境隔离保证单个Agent写出Bug不会影响全局，中断工作可瞬间恢复。世界模型与仿真环境提供秒级反馈，帮助系统快速判断改动是否值得保留。
第三，研究过程全景可视化。系统提供「研究谱系图」和「运行时间线」，让研究员能追踪每个方案的延续、调整或叫停，以及训练评测的实时状态，整体形成一张动态扩张的「科技树」。
这套系统的运转循环是：提出假设 → 规划实验 → 执行验证 → 分析迭代。值得注意的是，它研究的对象不仅是模型本身，还包括数据配比、记忆容量、动作预测长度等流程性问题，每一轮实验既改进模型，也为下一轮研究铺路。
关键技术模块：4D物理感知与分层时序记忆
在AutoResearch之上，Simate正在孕育一个面向零样本泛化的通用物理快系统，其模型设计有两块核心。
一是4D物理感知。把深度、几何、运动、遮挡与接触关系这些3D空间变量与时间维度（1D），深度嵌入模型表征之中，通过高效视觉编码与时空建模降低运行开销，让模型既「大」又能在端侧「快」起来。
二是分层时序记忆机制。针对长程任务中常见的「做着做着忘了前面」「历史信息太多导致卡顿」问题，系统围绕任务进展记忆、连续状态追踪、即时变化反馈设计了筛选机制，使模型既能记住过去，又对当下突发状况快速反应。
基于此，模型可以从单次上下文提示中复用能力到新任务和新物体，失败后利用历史信息自我调整，并能连续完成数十步精细操作。Simate规划下一步将该「快系统」与主导推理的「慢系统」打通，向零样本、少样本通用操作推进。不过，模型的参数规模与具体细节尚未公开，公司表示将在近期深度报告中揭晓。
与上一代研究范式的差异
相对于过去物理AI「人力驱动、线性推进」的研究方式，Physical RSI范式带来三个层面的变化：
研究主体不同：上一代由人类研究员主导改模型、洗数据、配环境、跑评测；新范式下，AI Agent在人类设定的目标与约束下，自主完成假设、规划、执行与分析。
研究节奏不同：上一代受人类精力限制，实验迭代周期长；新范式通过多Agent并发与世界模型秒级反馈，把研究规模与迭代速度推向指数级。
研究对象不同：上一代主要研究模型本身；新范式同时把数据配比、训练流程、部署策略纳入自动研究范围，让「研究流程」也成为可优化的对象。
需要指出的是，目前Simate落地的还是「弱RSI」阶段——人类负责方向、目标与约束，AI负责执行，距离无人工参与的「强RSI」乃至Fully Autonomous RSI，仍处于路线图推进中。
如何用起来：内测申请与上手路径
AutoResearch目前以科研平台形式开放内测招募，面向高校与研究机构的研究者。上手路径大体分三步：
申请内测：研究团队需通过官方内测通道提交申请与研究方向说明，平台方会审核研究方向与使用场景。
接入工作流：通过平台使用SiPAI组件库拼装实验，包括世界模型、动作模型、VLA等可替换模块；借助多Agent编排能力并行启动多个研究方向。
追踪与迭代：在可视化界面查看「研究谱系图」与「运行时间线」，对AI提出的假设和实验结果进行筛选、叫停或延续，把人类判断集中在关键决策与目标治理上。
已有清华、北大、MIT、加州理工、哈佛、哥大等十多所海内外院校的师生在先行试用。对于习惯手动调参的传统研究者，上手的关键转变在于：把精力从「执行实验」上移到「设定目标、判断结果、治理方向」。
局限与当前边界
综合现有信息，这套范式与系统仍处于早期阶段，存在几个明确边界。
第一，仍处于弱RSI阶段。人类研究员需要负责方向、目标与约束，把控宏观决策，AI尚未自主提出研究方向。这是当前最关键的边界。
第二，模型规模与训练细节未披露。通用物理快系统的参数规模、训练数据组成、评测方法等核心信息尚未公开，外界难以判断其能力上限与可复现性。
第三，长程任务泛化能力尚需更广泛验证。公开评测与真机演示之外，系统在更多未演示场景、不同硬件平台、不同环境条件下的稳定性与泛化能力，仍有待外部研究者使用内测平台进一步验证。
第四，从弱RSI到强RSI再到完全自主RSI的路径仍有大量未解问题，包括目标治理的安全性、自动化研究的可解释性，以及在物理世界部署时不可避免的安全与伦理约束。
综上，Physical RSI代表了一个明确的方向转变：把物理AI研究本身变成可被自动化的对象。短期价值在于放大人类研究者的产能，长期则押注在系统能否真正实现无人工参与的自我演进——这是后续值得持续追踪的关键变量。