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，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。 因此，Physical RSI 面临的核心问题是： 能否让机器人智能不再完全依附于人类工程师的疲劳战术，拥有自主发现能力瓶颈、主动生成验证假设并持续迭代自身物理智能的闭环能力？ 围绕这一命题，各路玩家开始寻找破局点， 成立不久的初创团队 Simate（Silicon Mate，硅基伙伴）便是其中一家。 正如其名字所寄托的愿景 ——「Silicon evolving with humanity」，Simate 希望让硅基智能成为与人类共同探索、共同演进的伙伴。 Simate 创始人张颖曾任头部自动驾驶公司的核心技术负责人，推动一段式端到端智驾方案达到国内领先水平。 自动驾驶作为目前最接近大规模真实世界部署的 Physical AI 场景之一，其积累的数据闭环、高频迭代和工程验证经验，也成为探索机器人智能进化的重要基础。 近日官方披露，成立仅三个月， Simate 的 AutoResearch 自动研究系统在机器人智能评测榜单 RoboDojo 取得第一名， 并通过真机展示记忆、高精度操作、复杂长程执行与泛化能力。 这一成绩背后，是 Simate 围绕 AI for Physical AI 构建的 Physical RSI 研发体系的一次工程验证。 通过 AutoResearch，Simate 探索了「人机共驾弱 RSI」的实现路径：由人类研究者定义目标和约束，Agent 参与实验探索、方案优化和反馈迭代。 这似乎释放出一个信号：RSI 的探索正在从数字智能进一步延伸至物理智能，AI 不再只是帮助机器人执行任务，也开始尝试参与推动机器人能力本身的提升…… 从数字智能到物理智能： Physical RSI 为何成为下一步探索方向？ 过去几年，大模型的发展让 AI 逐渐具备更强的推理和生成能力，与此同时，机器人领域也开始进入基础模型时代：VLA 架构的普及、大规模机器人数据集开源，以及世界模型的逐步演进，让机器人开始具备更加通用的感知和行动能力。 但机器人仍然面临一个核心挑战： 如何持续提升自身能力。 相比数字世界，机器人无法通过简单修改代码获得反馈，它需要真实环境交互、物理数据采集、模型训练、机器人部署、失败分析、再次优化。而在传统机器人研发流程中，大量工作依然依赖人类：研究人员提出假设、设计实验方案、采集训练数据、训练模型、部署测试、分析失败。 这一流程的问题在于：机器人智能的提升速度，很大程度上受到人类研究效率限制。当每一次算法改进、数据调整和实验验证，都需要研究人员亲自推动时，物理智能的进化周期很难快速缩短。 因此，Physical AI 需要的已经不仅是一个参数量更大、架构更精巧的单点模型，而是一套能够把「做研究」这一行为本身系统化、代码化和自动化的进化框架。 这也是 Physical RSI 提出的背景： 让 AI 参与物理智能研究过程，让机器人能力提升从一次次人工迭代，走向持续进化闭环。 AutoResearch 登顶 RoboDojo： 弱 RSI 阶段的工程验证 面对物理世界的复杂性，Simate 并没有直接提出完全脱离现实的全自动化研究系统，而是选择从更现实的路径开始：人机共驾的弱 RSI（Human-in-the-loop RSI）。 在这一设定中，人类研究员与自动化系统确立了全新的协作边界： 人类研究员仍然掌握研究方向，负责提出研究假设、设定目标，划定边界条件与安全物理约束； AutoResearch 则负责自动化研究环节，在统