Yu Kaicheng, d’Alibaba à Awomo : pourquoi il veut dépasser les modèles du monde en pixels

Le virage de Yu Kaicheng ne constitue pas un rejet de la perception visuelle ni des jeux de données à grande échelle. Il part d’un constat plus ciblé : une fois qu’un système sait produire des observations visuellement plausibles, continuer à générer chaque pixel peut devenir une étape intermédiaire coûteuse et peu utile pour la décision. Son alternative consiste à faire de l’état prédictif lui-même une structure organisée de concepts physiques — objets, états, relations, actions et transformations causales — afin que l’agent puisse les recombiner et planifier dans un espace latent, sans devoir constamment restituer une vidéo. 110

Du parcours AutoML à la remise en question du pixel

• Yu Kaicheng (于开丞) a commencé par la recherche en apprentissage automatique des modèles — AutoML — avant de rejoindre l’Académie DAMO d’Alibaba dans le cadre du programme Alibaba Star. Il s’est ensuite consacré à la perception pour la conduite autonome. Son travail sur BEVFusion a réuni les informations de caméras et de capteurs LiDAR dans une représentation commune en vue aérienne, destinée à préserver à la fois la géométrie et les informations sémantiques. Cette contribution à la fusion multisensorielle est décrite comme largement citée. 10
• En 2023, il a rejoint l’université Westlake, en Chine, et créé le laboratoire AutoLab. L’équipe s’est d’abord intéressée aux modèles génératifs du monde pour la conduite autonome. Selon les profils et articles contemporains, elle a ensuite remporté une épreuve de conduite autonome à l’ECCV en 2024 et pris la tête du classement Fail2Drive en 2026. 10
• Cette trajectoire a nourri une conclusion pragmatique : rendre une scène visuellement réaliste ne signifie pas que la reconstruction intégrale de l’image est le bon objet de calcul pour prévoir les conséquences d’une action. Si la question utile est « que se passe-t-il si j’agis ainsi ? », générer tous les détails visuels peut détourner des ressources de l’état pertinent pour la tâche et de la causalité. 110

Le pari du « monde conceptuel »

À la fin de 2024, l’équipe aurait abandonné la génération directe de pixels au profit d’un espace latent mathématique appris de bout en bout. L’objectif est de décomposer une scène en un ensemble fini de concepts physiques et de relations réutilisables, puis de recomposer ces éléments pour prédire l’état suivant — y compris des associations qui n’étaient jamais apparues telles quelles dans les données d’entraînement. 1

Dans cette approche, « implicite » ne veut donc pas dire « informe » ou « dépourvu de structure ». La thèse d’Awomo est que l’état latent doit encoder des entités, des relations spatiales, l’état des objets, des actions et des transitions causales, plutôt que de se limiter à une version compressée d’une image. 111

Le bénéfice recherché est la généralisation compositionnelle. Un agent qui a appris séparément les concepts pertinents pourrait raisonner face à une nouvelle combinaison de ces concepts, au lieu d’avoir besoin d’un exemple pour chaque scénario complet. C’est aussi la raison pour laquelle Yu estime que l’ajout continu de données VLA — modèles associant vision, langage et action — ou de démonstrations finit par produire des gains décroissants pour l’intelligence physique. 1

Une parenté avec JEPA, mais une réponse différente

La proposition s’inscrit dans la même grande famille que le JEPA défendu par Yann LeCun : prédire une représentation de l’environnement plutôt que reconstruire directement les pixels. 1

La différence revendiquée par Awomo est à la fois sémantique et architecturale. Selon Yu, JEPA laisse ouverte la question de ce que doivent contenir les variables latentes. Le « monde conceptuel », lui, chercherait à y inscrire un vocabulaire explicite de concepts physiques pouvant être combinés. Cette distinction reste toutefois une hypothèse de recherche : les éléments publics disponibles ne suffisent pas encore à établir indépendamment un avantage systématique. 1

Ce que montrent les premiers éléments — et ce qu’ils ne montrent pas

Awomo rapporte des expériences internes réalisées en 2025. D’après ces résultats, la décomposition et l’association de concepts auraient amélioré la réussite sur des tâches complexes par rapport à des références fondées sur l’apprentissage par imitation et l’apprentissage par renforcement, tout en diminuant le coût de prédiction. 1

Mais les informations publiques disponibles ne donnent ni protocole expérimental complet, ni taille des modèles, ni répartition des tâches, ni taux de réussite détaillés, ni intervalles de confiance, ni études d’ablation, ni code, ni réplication indépendante. L’ampleur exacte de l’avantage annoncé reste donc insuffisamment étayée publiquement. 1

L’exemple d’un agent qui rattraperait une tasse en train de tomber tout en fermant une porte illustre l’ambition du projet : représenter ensemble plusieurs transitions d’état et leurs contraintes causales, plutôt que choisir une action à partir de motifs observés dans une banque de démonstrations. Il s’agit d’un exemple destiné à motiver la démarche de Yu, et non d’un résultat de benchmark vérifié. 1

La création d’Awomo et son financement

La recherche a été transformée en entreprise sous le nom de Westlake Digital Intelligence Technology (Hangzhou) Co., Ltd., avec la marque Awomo. La société a été enregistrée dans le district de Xihu, à Hangzhou, le 8 janvier 2026. Elle affirme développer des briques d’IA physique pour la conduite autonome, la robotique, les équipements industriels, les appareils intelligents et la production de données de simulation. 11

Selon les articles disponibles, le premier noyau réunissait Yu et Tong, son directeur scientifique, avant de s’élargir à partir de l’équipe d’AutoLab de Westlake. La formule présentant les nouvelles recrues comme des « génies ayant constamment fait leurs preuves » relève du discours promotionnel et ne constitue pas un indicateur indépendant et vérifiable des compétences de l’équipe. 1

Awomo a annoncé un financement cumulé supérieur à 100 millions de yuans lors de ses tours d’amorçage et de pré-amorçage. Les investisseurs cités sont InnoFund, Dongfang Jiafu Fund, Zhengxuan Investment, Tianqi Capital, Westlake Innovation Fund et Jinma Investment. 13

Awomo-v0.1 : une première vitrine publique

Les articles publiés en août 2026 ont présenté Awomo-v0.1 comme la première version publique de cette recherche sur le monde conceptuel. Ils mentionnent également une évaluation sur RoboTwin 2.0, un cadre de simulation et de génération de données destiné à tester la robustesse de la manipulation robotique bimanuelle. 13

Cette présentation fournit un premier terrain d’évaluation public, mais elle ne démontre pas à elle seule la généralisation à des robots réels, la sûreté du système ou sa supériorité sur les solutions concurrentes. Pour juger solidement la proposition, il faudrait disposer de scores détaillés, de références standardisées et de résultats de transfert de la simulation vers le monde réel.

Le parcours de Yu est ainsi moins celui d’un chercheur qui renierait ses travaux antérieurs que celui d’un ingénieur de la perception arrivé à la limite d’une certaine intuition : davantage de données et de calcul peuvent améliorer les apparences, sans nécessairement fournir à une machine une compréhension exploitable des conséquences physiques. Awomo tente de déplacer le centre de gravité du problème — de l’image à l’état du monde — mais la validation indépendante de cette promesse reste encore à construire.