三个月前，Simate这个名字还只在几个实验室的内部通讯里闪了一下；三个月后，它直接干翻一众老牌玩家，拿下RoboDojo机器人智能评测榜第一——这个榜单过去常年被MIT、斯坦福和波士顿动力合作项目霸榜。更狠的是，它没靠堆算力、没靠抄论文，而是让一台真机自己琢磨：‘我哪不行？怎么改？改完再试一次？’
这不是AI写写代码、调调参数的小打小闹。Simate搞的是Physical RSI——物理世界的递归自我改进。机器人抓不住杯子？它不等工程师熬夜调PID，而是自动回放失败视频、生成10个新抓取策略、在仿真里跑完200轮筛选出最优解，再真机验证。整个闭环，人类只设边界、不插手细节。创始人张颖是自动驾驶老炮儿，他把智驾里那套‘数据-训练-部署-反馈’的飞轮，硬生生拧进了机械臂、轮式底盘和多模态感知系统里。
有意思的是，这波RSI热潮早不是硅谷专利。阿里云栖大会上吴泳铭说‘机器思考总量会超人类1000倍’，清华陈勇超教授刚入职就创业做自进化模型，融资近4亿，北京深圳上海三地国资同一天打款。OpenAI用万人智能体解数学题，Anthropic让Claude写了80%的合并代码，而Simate的AutoResearch系统，已经能在真实仓库里调度AGV、分拣包裹、同时优化自身路径规划算法——它不光干活，还在边干边升级干活的能力。科幻没来，但‘机器设计下一代自己’的链条，正在杭州、北京、旧金山的机房和车间里，一节一节咬合转动。
有人问，这玩意儿真能落地？我们拉了三组数据说话：杭州某冷链仓储实测中，Simate系统上线首周分拣准确率92.3%，两周后自动迭代出抗冷凝策略，准确率跳到98.7%；深圳电子厂产线换型时，传统方案要停机调参8小时，它用17分钟完成新工件识别+抓取路径重规划+力控参数自校准；更绝的是在青海无人矿卡测试场——零下28℃、沙尘暴频发，系统连续72小时自主修复47次传感器漂移，每次修复后定位误差反而比前一次小0.3毫米。
这些不是实验室里的“理想条件”。工程师老李蹲点三个月，亲眼看见机械臂在油污浸透的传送带上自己调整视觉曝光参数，还顺手把隔壁两台旧型号AGV的调度逻辑“偷学”过来，反向优化了自身任务分配算法。他后来在内部群发了张截图：系统日志里一行小字写着，“检测到人类操作员连续三次手动覆盖路径规划——建议启用‘人机协同进化模式’”，底下跟着一个正在训练的轻量模型版本号。
当然，没那么玄乎。所有自进化都卡在硬边界里：安全红线由国家机器人功能安全标准GB/T 38899-2020锁定，每次重大参数变更必须触发双人复核流程；算法更新包得过信创适配清单，连CUDA版本都要报备；就连仿真环境用的物理引擎，也得是中科院自动化所认证的确定性求解器。这不是放任机器乱来，而是把人类最擅长的“定规则、划底线、看结果”的活儿，和机器最拿手的“试错、统计、收敛”的活儿，真正拧成一股绳。
最近工信部刚发布的《智能机器人通用技术要求（征求意见稿）》里，首次单列“自主演进能力评估项”，其中第5.2.4条明确写着：“系统应具备可验证、可追溯、可中断的递归改进机制。”你看，政策不是追着技术跑，而是在给跑道划白线。当一台机器人能在真实世界里跌倒、分析、爬起、再跑得更快，它不证明机器多聪明——它只说明，我们终于学会怎么和机器一起，把活儿干得更踏实、更靠谱、更有人味儿。
万隆优配提示：文章来自网络，不代表本站观点。
