AntwortenVeröffentlicht15 Quellen
Vom BEVFusion-Pionier zum Kritiker des datengetriebenen Skalierens
Yu Kaichengs Wechsel weg von der Pixelgenerierung ist laut eigener Darstellung keine Absage an Wahrnehmung oder große Datenmengen, sondern eine Kritik daran, für Steuerung jedes Bilddetail rekonstruieren zu müssen. Awomos Konzept Weltmodell soll Objekte, Zustände, räumliche Beziehungen, Handlungen und kausale Veränd...
Veröffentlicht vonBearbeitet mit GPT-5.6 LunaBilder erstellt mit GPT Image 1.5
Forschungsantwort
Wichtige Erkenntnisse
- Yu Kaichengs Wechsel weg von der Pixelgenerierung ist laut eigener Darstellung keine Absage an Wahrnehmung oder große Datenmengen, sondern eine Kritik daran, für Steuerung jedes Bilddetail rekonstruieren zu müssen.
- Awomos Konzept Weltmodell soll Objekte, Zustände, räumliche Beziehungen, Handlungen und kausale Veränderungen in einem strukturierten latenten Raum abbilden.
- Interne Experimente aus dem Jahr 2025 sollen Vorteile gegenüber Baselines aus Imitations und Reinforcement Learning gezeigt haben; öffentlich fehlen jedoch wichtige Details zur unabhängigen Überprüfung.
- Das 2026 in Hangzhou gegründete Unternehmen meldete mehr als 100 Millionen Yuan an Seed und Angel Finanzierung und stellte Awomo v0.1 öffentlich mit Bezug auf RoboTwin 2.0 vor.
KI-Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Westlake University researcher and Awomo founder Yu Kaicheng evolve from an Alibaba DAMO Academy AutoML PhD and Alibaba Star—whose B. Article summary: Yu’s shift was not a rejection of perception or large scale data; it was a conclusion that pixel level generation is an inefficient intermediate target for control once a system can already synthesize plausible observati. Topic tags: general web, chatgpt, agents, ai, workflow. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
Yu Kaichengs Kurswechsel ist weniger eine Abkehr von Daten und visueller Wahrnehmung als eine neue Antwort auf die Frage, was ein Weltmodell eigentlich vorhersagen sollte. Wenn ein System bereits plausible Bilder und Videos erzeugen kann, hält Yu die pixelgenaue Rekonstruktion für einen teuren Umweg auf dem Weg zu Planung und Kontrolle. Seine Alternative: Der vorhergesagte Zustand soll selbst eine strukturierte Sammlung physischer Konzepte sein – etwa Objekte, Zustände, Beziehungen, Handlungen und kausale Veränderungen. Ein Agent könnte diese Bausteine im latenten Raum neu kombinieren, statt fortlaufend die gesamte visuelle Welt zu rendern. 1
10
Vom AutoML-Forscher zum Autonomie-Spezialisten
Yu Kaicheng (于开丞) forschte zunächst im Bereich Automated Machine Learning (AutoML), also an Verfahren, mit denen Systeme Lernverfahren und Modellkonfigurationen möglichst selbstständig optimieren. Nach seiner Promotion wechselte er als „Alibaba Star“ zur Alibaba DAMO Academy und arbeitete dort an visueller Wahrnehmung für das autonome Fahren. 10
Zu seinen bekanntesten Arbeiten zählt BEVFusion. Das Verfahren führt Informationen aus Kameras und LiDAR-Sensoren – also Laserscannern zur dreidimensionalen Umgebungserfassung – in einer gemeinsamen Bird’s-Eye-View-Darstellung zusammen. Diese Perspektive bildet die Umgebung aus der Vogelperspektive in einem einheitlichen physikalischen Raum ab und wurde als viel zitierter Beitrag zur Multisensorfusion beschrieben. 10
2023 wechselte Yu an die Westlake University und gründete dort das Autonomous Intelligence Lab, kurz AutoLab. Zunächst arbeitete das Team an generativen Weltmodellen für das autonome Fahren. Laut zeitgenössischer Berichterstattung gewann es 2024 eine autonome Fahrspur bei der ECCV und führte 2026 das Fail2Drive-Ranking an. 10
Gerade diese Erfahrungen führten zu einer unbequemen Frage: Wenn ein Modell die relevanten Veränderungen der Welt verstehen und die Folgen einer Handlung abschätzen soll, warum sollte es dafür jedes einzelne Pixel einer Videosequenz neu erzeugen? In Yus Darstellung machte die visuelle Generierung Realismus möglich – sie bestimmte aber nicht automatisch, welche Rechenaufgabe für Vorhersage und Entscheidungsfindung die sinnvollste ist. 1
10
Die Idee hinter dem „Concept World Model“
Ende 2024 wechselte das Team nach eigener Darstellung von der Pixelgenerierung zu einem durchgängig lernbaren mathematischen latenten Raum. Die Szene soll darin in eine begrenzte Zahl wiederverwendbarer physischer Konzepte und Beziehungen zerlegt werden. Anschließend können diese Elemente zu einem vorhergesagten Folgezustand zusammengesetzt werden – auch dann, wenn die konkrete Kombination im Training nie vollständig vorkam. 1
„Implizit“ bedeutet in diesem Zusammenhang also nicht „beliebig“ oder „unstrukturiert“. Awomos Anspruch ist vielmehr, dass der latente Zustand eine zusammensetzbare Sprache für die physische Welt enthält: Entitäten, räumliche Beziehungen, Objektzustände, Handlungen und Übergänge mit Ursache und Wirkung. Das Modell soll nicht bloß ein komprimiertes Bild-Embedding speichern. 1
11
Der erwartete Vorteil heißt kompositionelle Generalisierung. Hat ein System einzelne Konzepte und ihre Beziehungen getrennt gelernt, könnte es daraus eine neue Konstellation ableiten, ohne für jede vollständige Situation ein eigenes Demonstrationsbeispiel zu benötigen. Genau hier sieht Yu eine Grenze des bloßen Hinzufügens von VLA-Daten und weiteren Demonstrationen. VLA steht für „Vision-Language-Action“: Modelle dieser Art verbinden visuelle Wahrnehmung und Sprache mit konkreten Handlungen. Für physische Intelligenz, so Yus These, bringen immer mehr Beispiele irgendwann nur noch abnehmende Zusatzgewinne. 1
Nähe zu JEPA – und der behauptete Unterschied
Die Idee gehört zur gleichen großen Familie wie Yann LeCuns JEPA („Joint Embedding Predictive Architecture“): Vorhergesagt wird eine Repräsentation, nicht die vollständige Pixeloberfläche. 1
Awomos behaupteter Unterschied liegt darin, was diese Repräsentation inhaltlich enthalten soll. Nach Yus Einschätzung lässt JEPA offen, wie die Variablen im latenten Raum semantisch zu interpretieren sind. Das Konzept-Weltmodell soll dagegen ausdrücklich ein kombinierbares Vokabular physischer Konzepte aufbauen. Das ist eine wissenschaftliche Hypothese und bislang kein unabhängig belegter Vorteil. 1
Was die bisherigen Belege zeigen – und was nicht
Awomo berichtete von internen Experimenten aus dem Jahr 2025. Demnach verbesserten die Zerlegung und Verknüpfung von Konzepten die Erfolgsrate bei komplexen Aufgaben gegenüber Baselines aus Imitationslernen und Reinforcement Learning, während zugleich die Kosten der Vorhersage sanken. 1
Die öffentlich verfügbaren Berichte nennen allerdings kein vollständiges Versuchsprotokoll, keine Modellgrößen, keine genaue Aufgabenverteilung, keine numerischen Erfolgsraten oder Konfidenzintervalle. Auch Angaben zu Ablationsstudien, veröffentlichtem Code oder unabhängigen Replikationen fehlen. Die Größenordnung des behaupteten Vorteils ist daher öffentlich bislang nicht ausreichend belegt. 1
Ein Beispiel macht die Zielrichtung anschaulich: Ein Roboter soll eine fallende Tasse auffangen und gleichzeitig eine Tür schließen. Ein Konzeptmodell soll mehrere gleichzeitig ablaufende Zustandsänderungen und ihre kausalen Bedingungen gemeinsam abbilden, statt lediglich ein ähnliches Muster aus einem Demonstrationsdatensatz abzurufen. Dieses Beispiel beschreibt Yus Motivation – es ist kein verifiziertes Benchmark-Ergebnis. 1
Von der Universitätsforschung zum Unternehmen Awomo
Aus der Forschung entstand die Westlake Digital Intelligence Technology (Hangzhou) Co., Ltd., die unter dem Namen Awomo auftritt. Das Unternehmen wurde am 8. Januar 2026 im Hangzhouer Bezirk Xihu registriert. Nach eigenen Angaben entwickelt es Basistechnologien für „Physical AI“, also künstliche Intelligenz, die in Fahrzeugen, Robotern, Industrieanlagen und anderen Geräten in der realen Welt handeln soll. Als Einsatzfelder nennt Awomo autonomes Fahren, allgemeine Robotik, intelligente Industrieausrüstung, intelligente Hardware und die Erzeugung von Simulationsdaten. 11
Berichten zufolge bildeten zunächst Yu und der wissenschaftliche Leiter Tong den Kern des Teams, das aus AutoLab hervorging. Die Beschreibung weiterer Mitarbeiter als „durchgehend selbstbewiesene Genies“ ist dabei als werbliche Formulierung einzuordnen, nicht als unabhängig überprüfbare Kennzahl zur Qualität des Personals. 1
Awomo gab eine kumulierte Finanzierung aus Seed- und Angel-Runden von mehr als 100 Millionen Yuan bekannt. Als Investoren wurden InnoFund, Dongfang Jiafu Fund, Zhengxuan Investment, Tianqi Capital, Westlake Innovation Fund und Jinma Investment genannt. 13
Der erste öffentliche Auftritt von Awomo-v0.1
Die Berichterstattung vom August 2026 stellte Awomo-v0.1 als erste öffentlich präsentierte Version des Konzepts vor. Als frühe Evaluationsumgebung wurde RoboTwin 2.0 genannt – ein Simulations- und Benchmark-Framework für robuste Manipulationsaufgaben mit zwei Roboterarmen. 1
3
Damit verfügt die Methode über einen ersten öffentlich genannten Testkontext. Bewiesen sind dadurch jedoch weder eine zuverlässige Übertragung auf reale Roboter noch Sicherheit oder eine Überlegenheit gegenüber führenden Alternativen. Dafür wären offengelegte Benchmarkwerte, standardisierte Vergleichsmodelle und Ergebnisse aus realen Umgebungen erforderlich.
Der eigentliche Anspruch von Yu und Awomo ist deshalb klar, aber noch offen: Physische Intelligenz soll nicht primär darin bestehen, die Welt möglichst überzeugend zu malen. Sie soll die entscheidenden Dinge darin als verknüpfbare Zustände verstehen – und daraus ableiten, was als Nächstes passiert, wenn ein Agent handelt.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „Vom BEVFusion-Pionier zum Kritiker des datengetriebenen Skalierens“?
Yu Kaichengs Wechsel weg von der Pixelgenerierung ist laut eigener Darstellung keine Absage an Wahrnehmung oder große Datenmengen, sondern eine Kritik daran, für Steuerung jedes Bilddetail rekonstruieren zu müssen.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Yu Kaichengs Wechsel weg von der Pixelgenerierung ist laut eigener Darstellung keine Absage an Wahrnehmung oder große Datenmengen, sondern eine Kritik daran, für Steuerung jedes Bilddetail rekonstruieren zu müssen. Awomos Konzept Weltmodell soll Objekte, Zustände, räumliche Beziehungen, Handlungen und kausale Veränderungen in einem strukturierten latenten Raum abbilden.
Was soll ich als nächstes in der Praxis tun?
Interne Experimente aus dem Jahr 2025 sollen Vorteile gegenüber Baselines aus Imitations und Reinforcement Learning gezeigt haben; öffentlich fehlen jedoch wichtige Details zur unabhängigen Überprüfung.