Simate 的 AutoResearch 在机器人榜单 RoboDojo 登顶，验证人机共驾弱 RSI 路径
Simate 用「人机共驾」的弱 RSI 范式，把机器人研发里最耗人的实验迭代交给 Agent 跑，并在 RoboDojo 榜单上拿到第一，验证了物理智能研究流程也能被自动化。
RSI（递归自我改进，让 AI 参与改进 AI 自身）正从数字世界走向物理世界。成立三个月的 Simate 提出 Physical RSI 思路：由人类研究员设定目标和物理约束，AutoResearch 系统自主提出假设、改代码、跑分布式实验、读评测反馈并多轮迭代。其驱动的模型在机器人智能榜单 RoboDojo 上拿到第一。
正文摘录
.jpg) 编辑｜Youli 今年以来，RSI（Recursive Self-Improvement，递归自我改进）逐渐从硅谷前沿话题，演变为全球共识。 从 Anthropic 发布引起行业热议的《When AI Builds Itself》，到前 Thinking Machines Lab 联合创始人翁荔重回 OpenAI，牵头推进 RSI 相关技术探索，再到 Google 前首席科学家 Jeff Dean 投身相关创新……顶尖团队的视线几乎在同一时间锚定了同一个命题：AI 应当如何参与创造下一代 AI？ 具体的数据让这场范式转换变得具象。近日 Anthropic 公布，截至今年 8 月，Anthropic 内部已有 [26% 的 AI 研发工作由 Claude 主导推进](https://mp.weixin.qq.com/s?biz=MzA3MzI4MjgzMw==&mid=2651058074&idx=1&sn=b1dd885df8a78e8fc3ccb87fc6e8ba9b&scene=21wechatredirect)，超过 90% 的研发流程已经迈入「AI 深度协作」阶段。 这似乎意味着，在数字世界中，AI 参与自身改进已经取得了阶段性成果。 但如果将这一问题从数字世界延伸到物理世界，事情显然没这么简单。 软件世界中的 AI，可以通过代码、实验环境和模拟系统快速获得反馈。而机器人面对的是一个连续、动态、且处处充满物理规律严苛制约的真实世界，一次失败的抓取、错误的动作规划，都可能意味着重新采集数据，以及动辄数天的大规模模型重训与重新部署。