Simate-beta får 33,95 på RoboDojos simulationsrangliste

Simate-beta er Simate’s første generelle fysiske AI-hurtigsystem – en model til robotstyring, der er udviklet til at reagere hurtigt i den fysiske verden. På RoboDojos rangliste for simulering står en Simate-beta-indsendelse med 33,95 point og en succesrate på 27,96 %. Indsendelsen er bidraget af Simate. Virksomheden har også vist systemet på fysiske robotter, men hverken ranglistescoren eller udvalgte demonstrationer fortæller i sig selv, hvor pålideligt systemet vil klare sig på tværs af hverdagens opgaver og miljøer.

Hvad RoboDojo-resultatet viser – og ikke viser

RoboDojo beskrives som et benchmark, der vurderer generelle robotmodeller til manipulation i både simulering og den virkelige verden. Simate-beta-resultatet på ranglisten er specifikt en simuleringsmåling – ikke en score fra test med fysiske robotter.

Det er værd at holde de to ting adskilt: Ranglistescoren er et benchmarkresultat, mens Simate’s demonstrationer viser systemet i brug på fysiske robotter. Omtalen af demonstrationerne fremhæver hukommelse, tilpasning til opgaver, lange handlingsforløb og præcisionsmanipulation. Det viser, hvilke evner Simate forsøger at udvikle, men dokumenterer ikke i sig selv, at systemet fungerer bredt uden for de viste opgaver. 5

Et hurtigsystem til responsiv styring

Simate beskriver sin tilgang som et hurtigsystem, der kombinerer fysisk 4D-opfattelse med hukommelse. Virksomhedens mål er at understøtte responsiv styring, potentielt direkte på enheden, og på længere sigt lade hurtigsystemet arbejde sammen med langsommere ræsonnering om mere komplekse opgaver. 15

Tanken er at følge, hvordan omgivelserne ændrer sig over tid, og samtidig bevare nyttig information om, hvor langt en opgave er nået – uden at miste evnen til at reagere på nye forhold. Det er den ambition, der binder RoboDojo-resultatet og demonstrationerne sammen: Simate præsenterer dem som tidlige tegn på et system, der skal kunne opfatte, huske og handle. De beviser dog ikke i sig selv, at evnerne kan overføres til ukendte situationer. 10

AutoResearch skal hjælpe med at udvikle robotmodeller

Simate kalder sin bredere tilgang for “Physical RSI”. Målet er at forbinde modeludvikling, dataarbejde, eksperimenter, evaluering og afprøvning på fysiske robotter i en tilbagevendende forskningsproces. AutoResearch skal lade AI-agenter hjælpe med at foreslå og afprøve forskningsidéer, mens mennesker fastlægger mål og rammer og vurderer resultaterne. Simate beskriver beta som et tidligt produkt af denne proces, hvor mennesker fortsat er med til at styre arbejdet. 1112

Virksomheden siger også, at dens egen infrastruktur forbinder træning, inferens – det vil sige, at modellen bruger det, den har lært – og evaluering, og at den understøtter flere forskningsspor parallelt. Simate beskriver Sinfra som en løsning, der også dækker simulering. Den praktiske pointe er, at et samlet forskningssetup kan gøre det lettere at teste idéer og bruge resultaterne i næste forsøg. Den tilgængelige omtale dokumenterer dog ikke uafhængigt, hvor meget det forbedrer modellens ydeevne. 1115

Erfaring i teamet – og planer for næste skridt

Ifølge omtalen kombinerer Simate-teamet erfaring med at få autonom kørsel ud i praksis med forskningsbaggrunde inden for blandt andet world models og styring af fysiske robotter. Det er relevant for virksomhedens mål om at udvikle modeller, der både kan lære om den fysiske verden og betjene hardware. Teamets erfaring er dog ikke det samme som uafhængig dokumentation af modellens præstationer. 512

Simate siger, at virksomheden planlægger at offentliggøre et foreløbigt resultat om nulskudsgeneralisering til komplekse opgaver inden udgangen af 2026. Derefter skal der følge forskningsartikler eller tekniske rapporter om modellen og automatiseret forskning samt open source-udgivelser i etaper. Det er annoncerede planer – ikke resultater eller udgivelser, der allerede foreligger. 11

Indtil videre er det mest præcise billede derfor et lovende, men virksomhedsformidlet tidligt resultat: en opført simulationsscore, separate demonstrationer med fysiske robotter og en forskningsproces, der skal gøre det hurtigere at afprøve idéer. Det næste vigtige grundlag for vurderingen bliver detaljeret teknisk dokumentation og resultater, der viser, hvordan modellen klarer sig ud over ranglisteindsendelsen og de udvalgte demonstrationer.