AI tiến quân vào Physical AI: Đội ngũ đẳng cấp FSD ra mắt mô hình Simate-beta, đổ bộ RoboDojo

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

26-09-2026 17:07:41 Nguồn: QbitAI

Simate tích hợp toàn bộ quy trình huấn luyện, suy luận và đánh giá vào hệ thống Infra tự phát triển, thông qua việc điều phối tác vụ và quản lý tài nguyên tối ưu, đồng thời thúc đẩy hàng chục lộ trình nghiên cứu độc lập song song.

Jay đưa tin từ Aofeisi, QbitAI | Kênh chính thức QbitAI

AI nghiên cứu AI, lần này đã có câu trả lời từ thế giới vật lý.

Một công ty chỉ mới thành lập ba tháng đã trình làng hệ thống vật lý nhanh (fast system) đa năng đầu tiên của mình, Simate-beta: thể hiện khả năng ghi nhớ, thực hiện tác vụ dài hạn, thao tác tinh vi và khả năng thích ứng với nhiệm vụ, đồng thời theo tiết lộ từ công ty, đã đứng đầu bảng xếp hạng RoboDojo.

Bảng xếp hạng tất nhiên không thể đại diện cho toàn bộ năng lực của mô hình, nhưng nó cung cấp một lát cắt để quan sát tốc độ và thực lực nghiên cứu phát triển.

Theo nhóm nghiên cứu, mô hình cơ sở tham gia đánh giá lần này không hề được tối ưu hóa chuyên biệt cho bảng xếp hạng đó.

Thành lập ba tháng, phiên bản mô hình đầu tiên đã đạt được thành tích như vậy, rất đáng chú ý.

Nhóm có tên là Simate (Silicon Mate).

Nền tảng cũng không hề tầm thường. Theo công ty, đội ngũ nòng cốt từng đưa năng lực mô hình lái xe tự động end-to-end một giai đoạn đạt đến trình độ ngang hàng với Tesla FSD và hoàn thành việc sản xuất hàng loạt.

Nhìn ra toàn cầu, số lượng đội ngũ vượt qua được ngưỡng cửa này cũng rất ít; việc mang theo sự tích lũy đó để tiếp tục thúc đẩy AI vật lý đa năng lại càng hiếm thấy hơn.

Tuy nhiên, điều thú vị nhất lần này chính là phương pháp nghiên cứu mà họ đã xác định ngay từ ngày đầu thành lập:

AI for Physical AI, để AI tham gia vào chính quá trình nghiên cứu và lặp lại của trí tuệ vật lý.

Công ty tổ chức mô hình, dữ liệu, sức mạnh tính toán và quy trình thử nghiệm xoay quanh lộ trình này. Simate-beta chính là sản phẩm thực tiễn đầu tiên của hệ thống R&D AI-native này.

Hơn nữa, các công cụ nghiên cứu đã bắt đầu được các nhà nghiên cứu bên ngoài sử dụng.

Theo công ty, các nhà nghiên cứu từ MIT, Caltech, Đại học Thanh Hoa, Đại học Bắc Kinh... đã tham gia thử nghiệm nội bộ nền tảng AutoResearch. Cơ sở hạ tầng Sinfra đi kèm bao phủ các khâu huấn luyện, mô phỏng và suy luận, tài nguyên cụ thể được xác nhận theo đơn đăng ký.

Cùng thời điểm, Simate đã liên tiếp hoàn thành nhiều vòng gọi vốn ở quy mô hàng trăm triệu Nhân dân tệ.

Ba tháng, mô hình, nền tảng nghiên cứu, thử nghiệm bên ngoài và gọi vốn được thúc đẩy đồng bộ. Tốc độ này thực sự khiến người ta muốn xem bước tiếp theo là gì.

Nhóm cũng đã đưa ra thông báo: đã hình thành tư duy kỹ thuật hướng tới khả năng tổng quát hóa zero-shot cho các tác vụ phức tạp, dự kiến sẽ ra mắt kết quả giai đoạn vào cuối năm nay.

Theo quan điểm của họ, việc GPT-6 bắt đầu tham gia vào các thao tác trong thế giới vật lý là một tiến trình đã được dự đoán trước, và những đột phá của Physical AI có thể đến nhanh hơn so với tưởng tượng của thế giới bên ngoài. Họ hy vọng sẽ tiếp tục vượt qua sự phụ thuộc vào việc thích ứng từng tác vụ và hậu huấn luyện, thúc đẩy Physical AI đón nhận "khoảnh khắc GPT-3" của riêng mình.

Ba công trình nghiên cứu bao gồm mô hình và nghiên cứu tự động hóa cũng sẽ lần lượt được công bố thông qua các bài báo và báo cáo kỹ thuật, các kết quả liên quan dự kiến sẽ được mã nguồn mở theo từng giai đoạn.

Tốc độ R&D này, cùng với việc liệu nó có thể duy trì được hay không, đã trở thành điều đáng chú ý nhất tiếp theo của Simate.

Vậy, mô hình đầu tiên rốt cuộc đã làm được gì? Và AI đã tham gia vào nghiên cứu như thế nào?

Simate-beta: Hệ thống vật lý nhanh đa năng hướng tới tổng quát hóa zero-shot

Điều mà Simate cuối cùng muốn tiếp cận là AI vật lý đa năng với khả năng Zero-Shot (không mẫu) và Few-Shot (ít mẫu).

Trong một môi trường hoàn toàn mới và xa lạ, hệ thống không nên cứ mỗi khi thêm một tác vụ mới lại phải thu thập một loạt dữ liệu, huấn luyện lại mô hình và điều chỉnh lại kỹ thuật.

Đây chính là đường đua nóng nhất và cũng đầy thách thức nhất của AI vật lý hiện nay – nơi trăm hoa đua nở, mỗi bên đều thể hiện tài năng riêng.

Và giải pháp ở giai đoạn hiện tại mà Simate đưa ra được gọi là: Hệ thống vật lý nhanh đa năng.

Hay còn gọi là Hệ thống 1 (System 1).

Hãy lấy con người chúng ta làm ví dụ:

Đối mặt với những chỉ dẫn phức tạp như "giúp tôi dọn dẹp bàn", chúng ta cần "Hệ thống 2" để hiểu ý định và phân tách các bước;

Nhưng khi tay đã vươn tới chiếc cốc, việc tiếp theo là nên tinh chỉnh sang trái vài milimet hay lệch sang phải một chút, những phản ứng hành động ở cấp độ mili giây này không thể nào dựa vào tư duy sâu sắc trong từng bước được.

AI vật lý cũng vậy.

Một "hệ thống chậm" đa năng chịu trách nhiệm lập kế hoạch cấp cao và suy luận phức tạp, trong khi một "hệ thống nhanh" đủ mạnh mẽ sẽ chịu trách nhiệm cảm nhận thế giới vật lý đang thay đổi không ngừng trước mắt và xuất ra hành động với tốc độ cực nhanh.

Simate đã chọn phương án thứ hai –

Tăng quy mô tham số của hệ thống nhanh, khám phá sự xuất hiện của khả năng tổng quát hóa zero-shot, thách thức giới hạn về quy mô và năng lực của các mô hình có thể triển khai tại thiết bị đầu cuối (edge).

Một hệ thống vật lý nhanh đa năng.

Bài gốc còn tiếp — xem tiếp tại bài gốc ↗