Yu Kaicheng vil lære AI at forstå verden – ikke bare gengive den

Yu Kaichengs teknologiske drejning kan bedst beskrives som en ændring af, hvad AI bør forudsige. Han afviser ikke perception, skalering eller store datamængder. Hans pointe er snarere, at pixel-for-pixel-generering kan være en ineffektiv mellemstation, når målet er at træffe beslutninger i den fysiske verden.

I stedet vil han have, at modellen forudsiger en struktureret tilstand bestående af fysiske begreber – eksempelvis objekter, deres tilstande, rumlige relationer, handlinger og kausale ændringer. På den måde skal en agent kunne kombinere begreber og planlægge i et latent rum uden hele tiden at skulle gengive en video af fremtiden. 110

Fra AutoML til autonom kørsel

Yu (于开丞) begyndte sin forskning inden for automatisk maskinlæring, AutoML. Efter sin ph.d. kom han til Alibaba DAMO Academy gennem talentprogrammet Alibaba Star og arbejdede med visuel perception til selvkørende biler.

Et af hans mest kendte bidrag er BEVFusion, som samler data fra LiDAR – en lasersensor, der måler omgivelsernes geometri – og kameraer i en fælles bird’s-eye-view-repræsentation. Det giver modellen et samlet fysisk perspektiv på omgivelserne og blev et bredt citeret arbejde inden for multisensorfusion.

I 2023 gik Yu til Westlake University, hvor han opbyggede Autonomous Intelligence Lab, også kaldet AutoLab. Teamet begyndte med generative verdensmodeller til autonom kørsel. Ifølge den samtidige omtale vandt gruppen en ECCV-konkurrence inden for autonom kørsel i 2024 og toppede senere Fail2Drive-ranglisten i 2026. 10

Det afgørende spørgsmål blev imidlertid ikke, om modellen kunne fremstille realistiske billeder og videoer. Det blev, om det overhovedet var den rigtige beregningsopgave. Hvis en agent skal svare på »Hvad sker der, hvis jeg udfører denne handling?«, kan det være en dyr omvej først at rekonstruere alle visuelle detaljer i scenen. 110

Hvad er en konceptverdensmodel?

I slutningen af 2024 skiftede teamet ifølge rapporteringen fra pixelgenerering til en end-to-end-lært latent repræsentation. Ideen er at opdele en scene i et begrænset antal genanvendelige fysiske begreber og relationer og derefter sætte dem sammen igen for at forudsige den næste tilstand – også når den samlede kombination ikke tidligere har optrådt i træningsdataene. 1

»Implicit« betyder derfor ikke nødvendigvis ustruktureret. Awomos påstand er, at det latente rum bør indeholde noget mere meningsfuldt end en komprimeret billedrepræsentation. Det skal forsøge at rumme en model af entiteter, rumlige forhold, objekters tilstand, handlinger og overgange med årsagssammenhæng. 111

Den forventede gevinst er kompositionel generalisering. En agent, der har lært begreberne »kop«, »fald«, »lukke« og »dør« hver for sig, bør i princippet kunne håndtere en ny kombination af dem uden at have set præcis den samme situation i en demonstrationssamling.

Det er også baggrunden for Yus skepsis over for blot at skalere VLA-modeller – modeller, der kobler syn og sprog til handling – med endnu flere data og demonstrationer. Hans argument er, at den strategi på et tidspunkt giver mindre udbytte, hvis modellen ikke samtidig lærer de underliggende fysiske begreber og deres relationer. 1

Ligheder med JEPA – og den påståede forskel

Tilgangen ligger i samme brede familie som Yann LeCuns JEPA, eller Joint Embedding Predictive Architecture. I stedet for at rekonstruere pixels forsøger modellen at forudsige en repræsentation af den næste tilstand. 1

Awomos påståede forskel er først og fremmest semantisk og arkitektonisk. Yu mener, at JEPA-rammen ikke i sig selv afgør, hvad de latente variable konkret skal indeholde. Konceptverdensmodellen forsøger derimod eksplicit at definere et sammensætteligt »ordforråd« af fysiske begreber.

Det er dog vigtigt at skelne mellem en forskningshypotese og en dokumenteret fordel. De offentligt tilgængelige oplysninger viser endnu ikke uafhængigt, at Awomos valg af latent struktur giver bedre generalisering end JEPA eller andre konkurrerende metoder. 1

Hvad viste de interne forsøg?

Awomo har rapporteret, at interne forsøg i 2025 viste højere succesrater på komplekse opgaver end baselines baseret på imitation learning og reinforcement learning, samtidig med at forudsigelsesomkostningen blev reduceret. Ifølge rapporteringen var det især mekanismerne til at nedbryde og forbinde koncepter, der gav forbedringen. 1

Men de offentlige beskrivelser indeholder ikke en komplet forsøgsprotokol. Der mangler blandt andet oplysninger om modelstørrelser, opgavefordeling, konkrete succesrater, konfidensintervaller, ablationer, offentlig kode og uafhængig reproduktion. Størrelsen på den påståede fordel er derfor utilstrækkeligt dokumenteret offentligt. 1

Eksemplet med at gribe en kop, der falder, samtidig med at man lukker en dør, illustrerer den ønskede egenskab: Modellen skal kunne håndtere flere samtidige tilstandsændringer og deres kausale begrænsninger i fællesskab. Eksemplet bør dog læses som Yus motivation for tilgangen – ikke som et verificeret benchmarkresultat. 1

Fra universitetslaboratorium til Awomo

Forskningen blev kommercialiseret gennem Westlake Digital Intelligence Technology (Hangzhou) Co., Ltd., der bruger brandet Awomo. Virksomheden blev registreret i Hangzhous Xihu-distrikt den 8. januar 2026. Den siger, at den arbejder med fysisk AI til autonom kørsel, robotter, industrielt udstyr, intelligent hardware og generering af simuleringsdata. 511

Ifølge rapporteringen bestod den første kerne af Yu og den videnskabelige chef Tong, hvorefter flere medlemmer fra Westlake AutoLab kom til. Beskrivelsen af kollegerne som »genier, der igen og igen har bevist deres værd«, er virksomhedens eller interviewets promoverende formulering – ikke en uafhængigt målbar egenskab ved teamet. 1

Awomo har oplyst, at virksomheden samlet har rejst mere end 100 millioner yuan i seed- og angel-runder. Blandt de nævnte investorer er InnoFund, Dongfang Jiafu Fund, Zhengxuan Investment, Tianqi Capital, Westlake Innovation Fund og Jinma Investment. 13

Den første offentlige præsentation

I omtalen fra august 2026 blev Awomo-v0.1 præsenteret som den første offentlige version af arbejdet med konceptverdensmodellen. Her blev også henvist til evaluering på RoboTwin 2.0, en simuleret ramme og et benchmark for robust manipulation med to robotarme. 13

Det giver projektet en tidlig offentlig evalueringsarena, men dokumenterer ikke i sig selv, at systemet generaliserer til fysiske robotter, er sikkert eller overgår de førende alternativer. En stærkere vurdering kræver offentliggjorte benchmarkresultater, standardiserede sammenligninger og resultater fra overførsel til den virkelige verden.

Det centrale brud med den tidligere tilgang

Yus karriere følger dermed en usædvanlig kurve: Først var han med til at gøre multisensorisk perception og datadrevne systemer mere effektive. Senere arbejdede hans team med generative verdensmodeller, der kunne fremstille realistiske observationer. Det var netop denne erfaring, der ifølge hans egen forklaring førte til spørgsmålet om, hvorvidt realistisk gengivelse var et mål i sig selv.

Awomos svar er en latent, konceptbaseret model af verden: mindre fokus på at »tegne« det næste øjeblik og mere fokus på at forudsige, hvordan objekter, handlinger og årsagssammenhænge ændrer sig. Om denne idé kan levere robust fysisk intelligens, er endnu åbent. Men den markerer et klart skifte fra at skalere gengivelsen af verden til at forsøge at strukturere dens regler.