설립 3개월 만에 시메이트, 로보도조 순위표 1위 차지

창립된 지 3개월 된 베이징의 스타트업 ‘Simate’가 범용 로봇 조작 분야에서 널리 주목받는 벤치마크인 ‘RoboDojo’에서 최고 점수를 기록했는데, 이 회사의 창립자에 따르면 이 모델은 인간 연구자만의 노력보다는 주로 다른 AI 시스템들에 의해 설계되었다고 한다. ‘Simate-beta’는 로보도조(RoboDojo)에서 평균 점수 33.95점과 과제 성공률 27.96%를 기록하며, 리더보드에 오른 다른 모든 참가자를 앞섰으며, 이 벤치마크를 위해 별도의 과제별 튜닝을 거치지 않았습니다.

시메이트는 자율주행 시스템 분야의 전직 핵심 기술 책임자인 장잉(Zhang Ying)이 이끌고 있으며, 그는 회사의 기본 접근 방식을 “물리적 AI를 위한 AI(AI for Physical AI)”라고 설명한 바 있다. 이는 자동화된 연구 시스템을 활용해 인간 엔지니어링 팀만으로는 감당할 수 없는 속도로 로봇 지능 모델을 설계, 테스트 및 개선하는 것을 의미한다. 이 회사는 3개월 전 설립 이후 여러 차례의 자금 조달 라운드를 진행했으며, 각 라운드의 기업 가치는 수억 위안에 달한다. 이러한 속도는 기업의 생애 주기 중 가장 초기 단계이자 검증되지 않은 단계임에도 불구하고, 현재 중국에서 물리적 AI 연구를 위해 얼마나 많은 자본이 몰리고 있는지를 반영한다.

Simate는 베이징에 본사를 두고 있으며, 일반적으로 ‘물리적 AI’ 또는 ‘구현형 AI’라고 불리는 분야의 초기 단계에서 활동하고 있다. 즉, 텍스트 및 이미지 생성을 주도하는 대규모 언어 모델과는 달리, 로봇이 물리적 세계를 인지하고 행동할 수 있게 해주는 기초 모델을 구축하는 것이다. 이 회사의 핵심 제품인 ‘시파이(Sipai)’는 ‘시메이트-베타(Simate-beta)’를 포함한 조작 모델 제품군으로, 회사가 ‘신프라(Sinfra)’라고 부르는 인프라 계층에서 구동된다. ‘로보도조(RoboDojo)’의 성과는 이 접근 방식이 자금력이 더 풍부한 연구실들과 경쟁할 만큼 충분히 효과적이라는 점을 보여주는 첫 번째 공개적인 증거다.

인간 연구팀보다 더 빠르게 반복 개발을 수행하도록 구축된 자동화된 연구 파이프라인

Simate가 대부분의 모델 출시와 차별화되는 점은 벤치마크 점수 그 자체뿐만 아니라, 회사가 밝힌 바와 같이 그 점수를 도출해 낸 과정에 있습니다. Simate는 세 가지 상호 연결된 시스템을 구축했습니다. SiPAI는 모델 아키텍처를 인간뿐만 아니라 자동화된 분석이 이해할 수 있도록 만드는 모듈형 프레임워크입니다.

이를 작성한 주체; 논문, 코드 저장소, 기존 실험 및 내부 데이터에서 실시간 맥락을 추출하여 AI 에이전트가 자체적으로 모델 변경 사항을 제안하고 실행할 수 있도록 하는 시스템인 AutoResearch; 또한, 수많은 실험 후보를 병렬 시뮬레이션에서 실행한 후 가장 유망한 후보들만을 실제 로봇 테스트로 승격시키는 AI 네이티브 인프라 계층으로, 이는 RobotAIGeek이 SimFoundry의 훈련 데이터 자동화 기사에서 다룬 자동화된 데이터 파이프라인과 유사하게 시뮬레이션과 실제 간의 격차를 해소하는 접근 방식입니다.

실질적으로 이는 AutoResearch 내의 AI 에이전트가 모델 아키텍처를 수정하고, 훈련 구성을 조정하며, 실험을 실행하고, 목표 지표에 따라 결과를 평가한 뒤 다음 단계로 무엇을 시도할지 결정할 수 있음을 의미하며, 인간 연구자는 각 실험을 직접 작성하는 대신 전략적 방향만을 설정하면 됩니다. Simate는 이를 로봇 공학에 적용된 재귀적 자기 개선(RSI)의 스펙트럼으로 정의하며, AI가 일상적인 실험 실행을 보조하는 약한 형태부터, AI 주도적 반복이 연구 루프의 대부분을 처리하되 인간이 추구할 기능과 결과를 적용하기에 충분히 신뢰할 수 있는 시점을 통제하는 강한 형태까지를 아우릅니다.

이 회사는 현재 MIT, 캘텍, 칭화대학교, 베이징대학교의 참가자들을 포함한 외부 연구자들에게 AutoResearch를 개방하며, 내부 도구로 시작된 것을 공유 연구 플랫폼으로 전환하고 있다. 이러한 조치는 과학적 측면만큼이나 상업적으로도 중요합니다. 외부 연구실들이 AutoResearch를 자체 실험 레이어로 채택한다면, Simate의 자동화된 연구 접근 방식은 한 기업의 내부 주장이 아닌 업계의 기준점이 될 것입니다. 이는 초기 오픈소스 모델 훈련 프레임워크가 한 세대의 AI 연구실들이 업무를 조직하는 방식을 형성했던 것과 마찬가지입니다.

Simate 베타 버전의 진정한 차별점

이 모델은

이 모델 자체는 회사가 ‘4차원 물리적 지각’과 ‘계층적 시간 기억’이라고 부르는 두 가지 기능을 기반으로 구축되었습니다. 첫 번째 기능은 장면을 단순히 패턴 매칭이 필요한 평면 이미지로 취급하는 대신, 물체의 무게, 마찰력, 무게 중심과 같은 물리적 특성에 대한 실질적인 인식을 모델에 부여하기 위한 것이다. 두 번째 기능은 각 동작을 마치 백지 상태에서 시작하는 것처럼 취급하는 대신, 길고 여러 단계로 구성된 작업 전반에 걸쳐 모델이 맥락을 유지할 수 있도록 하기 위한 것이다.

공개 시연에서는 Simate-beta를 사용하는 로봇 팔이 차를 끓이는 등의 작업을 수행하는 모습이 보여집니다. 이 작업 순서에서는 이미 완료된 단계를 기억하고, 다양한 용기와 도구를 집어 들 때마다 그립과 힘을 조절하며, 중간 단계가 계획대로 진행되지 않았을 때 매끄럽게 회복해야 합니다. 이正是 바로 범용 조작 모델들이 역사적으로 어려움을 겪어 온 분야입니다. 업계 전반에서는 단일 기술에 대한 짧은 시연이 흔한 반면, 작은 오류에 대해 현실적인 복구 능력을 갖추고 긴 작업 순서 전반에 걸쳐 안정적인 성능을 유지하는 모델은 여전히 드뭅니다. RoboDojo는 기억력, 정밀도, 장기적 실행 능력, 일반화 능력을 단일한 종합 과제 완료 점수가 아닌 별개의 능력 차원으로 평가함으로써 이 두 가지 주장을 구분하기 위해 구축되었으며, 이것이 바로 RoboDojo에서 선두 점수를 기록하는 것이 더 좁은 범위의 단일 기술 벤치마크에서 리더보드 1위를 차지하는 것보다 더 큰 의미를 갖는 이유 중 하나다.

Simate-beta와 리더보드의 나머지 모델들 사이의 격차는 미미한 수준이 아니라 주목할 만큼 큽니다. Simate가 등재되기 2주 전, 리더보드의 시뮬레이션 트랙에서 가장 높은 점수를 기록한 모델은 LiberAI가 제출한 Liber-0 Preview로, 평균 점수 30.74점, 성공률 25.52%를 기록했으며, 리더보드에서 GPT-6-Astra로 알려진 모델은 28.97점과 22.48%를 기록했습니다. 최근 참가한 다른 두 모델인 DeepSeek-Flash와 GPT-5.5로 명명된 모델은 이 보드의 더 까다로운 평가 설정에서 3.0 미만의 점수와 1% 미만의 성공률을 기록했는데, 이는

모델이 훈련 분포를 벗어나면 성능이 급격히 떨어집니다. Simate-beta의 33.95%와 27.96%는 평균 점수 기준에서 2위 모델보다 약 3점 가까이 앞선 수치이며, 회사 측에 따르면 이는 RoboDojo의 과제 세트에 모델을 특별히 튜닝하지 않고 달성한 결과라고 한다.

모델 뒤에 숨은 자율주행 인재의 이동

장잉(Zhang Ying)의 배경은 이 이야기에서 구조적으로 더 흥미로운 부분입니다. 자율주행 분야는 센서 노이즈 하에서의 실시간 인식, 불확실성 하에서의 계획 수립, 단순한 데모가 아닌 실험실 밖에서도 안정적으로 작동해야 하는 시스템 구축 등, 신체화된 AI와 밀접하게 연관된 문제들을 수년간 해결해 온 엔지니어 세대를 배출했습니다. 장잉의 팀은 지도 기반에서 지도 없는 방식, 그리고 엔드투엔드 학습에 이르는 세 가지 아키텍처 세대를 거쳐 테슬라의 ‘완전 자율 주행(Full Self-Driving)’ 시스템에 필적하는 주행 스택을 구축한 것으로 알려져 있으며, 이를 통해 AutoResearch가 현재 자동화하려고 시도하고 있는 바로 그 반복적이고 데이터 중심의 모델 개발에 대한 직접적인 경험을 쌓았습니다.

시마테(Simate)의 다른 핵심 인재 영입 사례들도 동일한 패턴을 보여줍니다. 세계 모델(world models) 연구에 주력하는 연구실을 이끌고 있는 홍콩과학기술대학교의 장팡넝(Zhan Fangneng) 조교수와, 이전에 메타(Meta)가 인수한 휴머노이드 로봇 제어에 중점을 둔 물리적 AI 스타트업에서 근무했던 연구원 지마제유(Ji Mazeyu)는 모두 해당 분야를 처음부터 시작하기보다는 인접 연구 분야에서 범용 조작 분야로 이동해 왔습니다. 이러한 이동 현상은 시메이트에만 국한된 것이 아닙니다. 자율주행 분야 투자 사이클이 성숙기에 접어들고, 신체 기반 AI(embodied AI) 분야로 쏟아지는 새로운 자본에 비해 투자 속도가 둔화됨에 따라, 수많은 베테랑 엔지니어들이 자율주행 기업에서 휴머노이드 및 조작 로봇 공학 분야로 꾸준히 이동하고 있습니다. 이들은 순수 로봇 공학 연구팀에 종종 부족한 생산 공학적 전문성을 가져오고 있으며, 이러한 변화는

RobotAIGeek이 제시한 ‘세계 모델 시대’의 경제학에 대한 분석은, Simate를 고립된 사건이 아닌 더 광범위한 흐름 속에서 이해하고자 하는 독자들에게 유용한 참고 자료가 됩니다.

창립 3개월 만에 리더보드 1위를 차지한 성과를 왜 신중하게 해석해야 하는가

창업 3개월 만에 달성한 RoboDojo 점수는 확실히 빠른 성과이지만, 동시에 초기 단계의 결과이기도 하다. 변화가 빠른 벤치마크의 리더보드 점수는 경쟁사들이 동일한 테스트 스위트에 맞춰 자체 모델을 조정함에 따라 종종 몇 주 안에 추월당하며, 벤치마크 1위 달성만으로는 해당 모델이 유료 고객의 공장 현장이나 가정에서 — 조명, 물건들이 어지럽게 널려 있고 물체의 종류도 다양해 벤치마크의 표준화된 과제 세트보다 통제하기 훨씬 어렵습니다. Simate는 상용 배포 사례, 유료 고객 또는 생산 일정을 공개하지 않았으며, 이번 발표는 비즈니스적 성과라기보다는 연구 및 인재 영입을 위한 이정표에 가깝습니다.

주목해야 할 더 지속 가능한 주장은 이 특정 점수가 아니라, AutoResearch가 실제로 누적 효과를 내는지 여부입니다. AI 지원 반복 과정을 통해 Simate가 파운데이션 모델 개발에 흔히 수년씩 걸리는 주기가 아닌, 몇 달마다 의미 있게 개선된 모델을 출시할 수 있다면, 이 회사의 경쟁력은 특정 아키텍처 아이디어가 아닌 연구 속도에서 비롯될 것이며, 이러한 종류의 경쟁력은 경쟁사들이 빠르게 모방하기 어려운 경향이 있다. 반대로, 쉬운 최적화 방안이 모두 소진된 후 자동화된 파이프라인에서 수익이 감소한다면, 선점자로서 달성한 벤치마크 점수만으로는 이미 자체 자동화 연구 도구를 구축 중인 자금력이 훨씬 더 풍부한 연구소들과 경쟁하는 회사를 지탱하기 어려울 것이다. 연말까지 논문 발표와 오픈소스 기여를 약속한 이 회사의 행보가 어떤 패턴이 전개되고 있는지 확인하는 첫 번째 실질적인 시험대가 될 것이다.

조달 팀과

연구 경쟁에 직접 참여하기보다는 내재형 AI 시장을 지켜보는 자동화 분야 구매자들에게 있어, 실질적으로 얻을 수 있는 교훈은 ‘급할 것 없이 기다리는 것’이지 ‘서두르는 것’이 아닙니다. 공개된 고객사도, 발표된 안전성 검증 결과도, 제조 파트너도 없는 벤치마크 선두 기업은 주시해야 할 신호일 뿐, 아직 최종 후보 목록에 올릴 공급업체는 아닙니다. 3~6개월 후에 다시 살펴봐야 할 더 유용한 질문은, 시메이트(Simate)가 연구 속도를 시스템 통합업체가 실제로 라이선스를 취득하고 배포할 수 있는 모델로 전환할 수 있는지 여부입니다. 리더보드 순위 결과와 실용 가능한 상용 제품 사이의 그 간극이야말로, 지난 2년 동안 급부상했던 대부분의 물리적 AI 스타트업들이 주춤했던 지점이기 때문입니다.

이 분석은 2026년 9월 27일 기준 Simate의 RoboDojo 결과에 대한 회사 성명, 기술 시연 및 공개 보고서를 종합한 것입니다. 본 내용은 일반적인 정보 제공을 목적으로 하며, 투자 또는 전문적인 조언을 구성하지 않습니다.

헤로 이미지 출처: Simate.