उत्तरप्रकाशित15 स्रोत
यू काइचेंग का AI मोड़: पिक्सल बनाने से भौतिक अवधारणाओं को समझने तक
यू काइचेंग ने कैमरा और LiDAR डेटा को एक साझा Bird’s Eye View भौतिक निरूपण में जोड़ने वाले BEVFusion जैसे काम से शुरुआत की। [10][19] 2023 में Westlake University में AutoLab बनाने के बाद उनकी टीम ने पहले जनरेटिव ऑटोनॉमस ड्राइविंग वर्ल्ड मॉडल पर काम किया, लेकिन बाद में पिक्सल रेंडरिंग को नियंत्रण और निर्णय के लिए महंग...
प्रकाशितकर्ताGPT-5.6 Luna से संपादितGPT Image 1.5 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- यू काइचेंग ने कैमरा और LiDAR डेटा को एक साझा Bird’s Eye View भौतिक निरूपण में जोड़ने वाले BEVFusion जैसे काम से शुरुआत की। [10][19]
- 2023 में Westlake University में AutoLab बनाने के बाद उनकी टीम ने पहले जनरेटिव ऑटोनॉमस ड्राइविंग वर्ल्ड मॉडल पर काम किया, लेकिन बाद में पिक्सल रेंडरिंग को नियंत्रण और निर्णय के लिए महंगा मध्यवर्ती लक्ष्य माना। [10]
- 2024 के अंत में टीम ने पिक्सल जनरेशन से हटकर ऐसा latent space प्रस्तावित किया जिसमें वस्तुएं, अवस्थाएं, स्थानिक संबंध, क्रियाएं और कारणात्मक बदलाव जैसे संयोज्य भौतिक कॉन्सेप्ट हों। [1][11]
- Awomo के 2025 के आंतरिक प्रयोगों में इमिटेशन लर्निंग और रिइनफोर्समेंट लर्निंग बेसलाइन की तुलना में जटिल कार्यों पर बेहतर सफलता और कम prediction cost का दावा किया गया, लेकिन सार्वजनिक रूप से विस्तृत प्रोटोकॉल और स्वतंत...
AI संकेत
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
यू काइचेंग का बदलाव डेटा, कंप्यूटर विजन या perception को खारिज करने की कहानी नहीं है। उनका निष्कर्ष यह है कि जब कोई मॉडल पहले से विश्वसनीय दृश्य बना सकता है, तब नियंत्रण और निर्णय के लिए हर पिक्सल को दोबारा रेंडर करना एक महंगा और अनावश्यक मध्यवर्ती कदम हो सकता है।
उनका विकल्प है कि मॉडल की predictive state को भौतिक अवधारणाओं की एक संरचित सूची की तरह बनाया जाए—वस्तुएं, उनकी अवस्थाएं, स्थानिक संबंध, क्रियाएं और कारणात्मक बदलाव। इसके बाद एजेंट वीडियो के हर फ्रेम को बनाने के बजाय latent space में संभावित भविष्य और कार्य-परिणामों पर विचार कर सकेगा। 1
10
AutoML से ऑटोनॉमस ड्राइविंग तक
यू काइचेंग ने शुरुआत AutoML—यानी ऐसी तकनीकों—से की जिनका उद्देश्य मशीनों को यह सीखने में मदद करना है कि उन्हें खुद कैसे सीखना चाहिए। पीएचडी के बाद वह Alibaba DAMO Academy में Alibaba Star कार्यक्रम के जरिए शामिल हुए और ऑटोनॉमस-ड्राइविंग perception पर काम करने लगे। 10
उनका चर्चित काम BEVFusion कैमरा और LiDAR—लेज़र-आधारित दूरी-सेंसर—की सूचनाओं को साझा Bird’s-Eye View यानी ऊपर से देखे गए मानचित्र जैसे भौतिक representation में मिलाता है। इस विचार ने अलग-अलग सेंसरों से मिली ज्यामितीय और दृश्य जानकारी को एक साझा स्थान में लाने की कोशिश की और बहु-सेंसर fusion क्षेत्र में व्यापक ध्यान पाया। 10
यह काम उस दौर की data-driven सोच से जुड़ा था: अधिक डेटा, अधिक annotation और अधिक computing power से मॉडल को बेहतर बनाने की कोशिश। BEVFusion का एक व्यावहारिक लक्ष्य annotation की लागत घटाना और ऑटोनॉमस-ड्राइविंग के लिए बड़े पैमाने पर उपयोगी डेटा तैयार करना भी था।
2023 के बाद आया निर्णायक मोड़
2023 में यू Westlake University पहुंचे और Autonomous Intelligence Lab यानी AutoLab की स्थापना की। शुरुआत में टीम ने generative autonomous-driving world models पर काम किया—ऐसे मॉडल जो भविष्य के दृश्य या driving scenarios उत्पन्न कर सकें। टीम ने इसके बाद 2024 में ECCV के ऑटोनॉमस-ड्राइविंग ट्रैक में शीर्ष प्रदर्शन किया और 2026 में Fail2Drive ranking में भी पहला स्थान हासिल किया, जैसा कि समकालीन रिपोर्टों में बताया गया है। 10
लेकिन बेहतर दृश्य बनाना और बेहतर निर्णय लेना एक ही बात नहीं है। यू के अनुसार, वीडियो generation ने visual realism को संभव बनाया, पर इससे यह साबित नहीं होता कि prediction और planning के लिए हर अगला pixel बनाना ही सबसे सही computational target है। असली सवाल अक्सर यह होता है: “अगर एजेंट यह action करे, तो दुनिया की relevant state कैसे बदलेगी?”
यदि लक्ष्य किसी वाहन, रोबोट या उपकरण के अगले कदम का अनुमान लगाना है, तो पूरी तस्वीर का बारीक पुनर्निर्माण task-relevant state और causality से ध्यान हटा सकता है। यहीं से उनकी टीम ने पिक्सल-आधारित रास्ते पर पुनर्विचार शुरू किया। 1
10
कॉन्सेप्ट वर्ल्ड मॉडल क्या है?
2024 के अंत में टीम ने implicit route अपनाया। प्रस्तावित मॉडल पिक्सल उत्पन्न करने के बजाय एक सीखे हुए गणितीय latent space में भौतिक अवधारणाओं का representation बनाने की कोशिश करता है। इसका उद्देश्य किसी scene को सीमित संख्या में दोबारा इस्तेमाल किए जा सकने वाले concepts और relations में विभाजित करना है, फिर उन्हें जोड़कर अगली state का अनुमान लगाना है—यहां तक कि उन संयोजनों का भी जो training data में पूरे रूप में कभी दिखाई नहीं दिए हों। 1
यहां “implicit” का अर्थ अव्यवस्थित या अर्थहीन representation नहीं है। Awomo का दावा है कि latent state में entities, spatial relations, object states, actions और causal transitions जैसी अवधारणाएं होनी चाहिए। यानी यह केवल compressed image embedding नहीं, बल्कि भौतिक दुनिया के काम करने के तरीके का task-oriented आंतरिक मॉडल होना चाहिए। 1
11
इस दृष्टिकोण का मुख्य लक्ष्य compositional generalization है। उदाहरण के लिए, यदि मॉडल ने अलग-अलग रूप से “कप गिरना”, “हाथ बढ़ाना”, “दरवाजा बंद करना” और “बाधा से बचना” सीखा है, तो सिद्धांततः वह इन concepts के नए संयोजन पर भी reasoning कर सकता है। उसे हर संभावित पूरे scenario के उदाहरण अलग-अलग दिखाने की आवश्यकता कम हो सकती है।
इसी आधार पर यू का तर्क है कि Physical AI में केवल VLA—Vision-Language-Action—डेटा या demonstrations बढ़ाते रहना अंततः सीमित लाभ दे सकता है। यदि मॉडल के पास underlying concepts और उनके संबंधों की पर्याप्त समझ नहीं है, तो वह नए physical situations में training patterns से आगे नहीं बढ़ पाएगा। 1
JEPA से समानता और अंतर
यह विचार Yann LeCun के JEPA परिवार की व्यापक latent-prediction सोच से जुड़ता है। JEPA में मॉडल pixels को फिर से बनाने के बजाय representation के स्तर पर भविष्य की prediction करने की कोशिश करता है। 1
Awomo की बताई गई विशिष्टता semantic और architectural है। यू के अनुसार, JEPA यह सवाल खुला छोड़ता है कि latent variables के भीतर वास्तव में क्या होना चाहिए। कॉन्सेप्ट वर्ल्ड मॉडल इस स्थान को composable physical concepts—जैसे वस्तुएं, संबंध, अवस्थाएं और actions—से भरने का प्रस्ताव रखता है।
हालांकि, यह अंतर अभी एक research hypothesis है। उपलब्ध सार्वजनिक सामग्री से यह स्वतंत्र रूप से सिद्ध नहीं होता कि यह architecture हर परिस्थिति में JEPA या अन्य latent-world-model approaches से बेहतर है। 1
2025 के प्रयोग: उत्साहजनक दावा, सीमित सार्वजनिक प्रमाण
Awomo ने बताया कि 2025 के आंतरिक प्रयोगों में concept decomposition और association से जटिल tasks पर सफलता, imitation-learning और reinforcement-learning baselines की तुलना में बेहतर हुई। साथ ही prediction cost घटने का भी दावा किया गया। 1
लेकिन सार्वजनिक रिपोर्टों में इन प्रयोगों का पूरा protocol, model size, task distribution, संख्यात्मक success rates, confidence intervals, ablation studies, code या स्वतंत्र replication उपलब्ध नहीं है। इसलिए इस लाभ का वास्तविक आकार सार्वजनिक रूप से अभी पर्याप्त रूप से प्रमाणित नहीं माना जा सकता। 1
यू जिस उदाहरण का उपयोग करते हैं—एक हाथ से दरवाजा बंद करते हुए गिरते हुए कप को पकड़ना—वह इस विचार का उद्देश्य स्पष्ट करता है। ऐसे काम में कई state transitions एक साथ चलती हैं और उनके बीच causal constraints होते हैं। कॉन्सेप्ट-आधारित मॉडल का लक्ष्य इन्हें एक साथ represent करना है, न कि demonstration corpus में देखे गए किसी एक pattern को चुन लेना।
फिर भी, इस उदाहरण को motivating claim की तरह पढ़ना चाहिए, verified benchmark result की तरह नहीं। 1
शोध से कंपनी तक: Awomo का गठन
इस शोध को Westlake Digital Intelligence Technology (Hangzhou) Co., Ltd. के रूप में commercialize किया गया, जिसका brand Awomo है। कंपनी Hangzhou के Xihu District में 8 जनवरी 2026 को registered हुई। Awomo के अनुसार उसका लक्ष्य Physical AI के लिए बुनियादी तकनीक तैयार करना है, जिसका उपयोग autonomous driving, robotics, industrial equipment, intelligent hardware और simulation-data generation में हो सकता है। 11
कंपनी की तकनीकी दिशा “Latent-First” है—अर्थात पहले latent physical space में दुनिया की relevant state और उसके बदलावों को model करना। कंपनी का कहना है कि वह ऐसे systems बनाना चाहती है जो space, objects, states, actions और causal relations को समझकर prediction, planning, action और self-correction कर सकें। 11
रिपोर्टों के अनुसार, शुरुआती core team में यू और chief scientist Tong शामिल थे, जिसके बाद Westlake AutoLab से जुड़े शोधकर्ताओं का विस्तार हुआ। सहयोगियों के लिए “लगातार खुद को साबित कर चुके छोटे जीनियस” जैसी अभिव्यक्ति promotional language है; इसे स्वतंत्र रूप से मापे जा सकने वाले personnel metric के रूप में नहीं पढ़ना चाहिए। 1
100 मिलियन RMB से अधिक की शुरुआती funding
Awomo ने seed और angel चरणों की funding मिलाकर 100 मिलियन RMB से अधिक जुटाने की घोषणा की। बताए गए निवेशकों में InnoFund, Dongfang Jiafu Fund, Zhengxuan Investment, Tianqi Capital, Westlake Innovation Fund और Jinma Investment शामिल हैं। 13
यह funding कंपनी को research prototype से आगे बढ़कर Physical AI के कई संभावित क्षेत्रों में technology stack बनाने का अवसर देती है। लेकिन funding का आकार अपने-आप में तकनीकी सफलता, commercial deployment या वास्तविक दुनिया में generalization का प्रमाण नहीं है।
Awomo-v0.1 और RoboTwin 2.0 पर शुरुआती सार्वजनिक प्रस्तुति
अगस्त 2026 की coverage में Awomo-v0.1 को कॉन्सेप्ट-वर्ल्ड-मॉडल पहल का पहला सार्वजनिक संस्करण बताया गया। इसमें RoboTwin 2.0 का संदर्भ दिया गया, जो robust bimanual manipulation के लिए simulation और benchmark framework है। ऐसे testbed में दो-भुजा वाले रोबोटों के जटिल manipulation tasks के लिए विविध simulated data और standardized evaluation उपलब्ध कराने की कोशिश की जाती है। 1
3
यह प्रस्तुति Awomo को शुरुआती सार्वजनिक evaluation venue तो देती है, लेकिन इससे real-robot generalization, safety या leading alternatives पर श्रेष्ठता सिद्ध नहीं होती। ठोस आकलन के लिए benchmark scores, स्पष्ट baselines, ablation results और simulation से वास्तविक robots तक transfer के परिणाम सार्वजनिक करने होंगे।
असली दांव क्या है?
यू काइचेंग का तर्क मूलतः यह है कि Physical AI को दुनिया की शक्ल की नकल करने से आगे बढ़कर दुनिया के काम करने के तरीके को model करना होगा। पिक्सल-जनरेशन दृश्य रूप से प्रभावशाली हो सकती है, लेकिन किसी रोबोट या वाहन के लिए अधिक महत्वपूर्ण प्रश्न यह है कि वस्तुएं कहां हैं, उनकी अवस्था क्या है, कौन-सा action संभव है और उस action के बाद क्या बदलेगा।
Awomo का कॉन्सेप्ट वर्ल्ड मॉडल इसी दिशा में एक महत्वाकांक्षी प्रस्ताव है: latent space को केवल छिपे हुए features का संग्रह न मानकर composable physical concepts की भाषा बनाना। इसका वादा बेहतर generalization और कम prediction cost है। इसकी सबसे बड़ी परीक्षा अब सार्वजनिक, दोहराए जा सकने वाले प्रयोग और वास्तविक दुनिया में विश्वसनीय प्रदर्शन होंगे।
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"यू काइचेंग का AI मोड़: पिक्सल बनाने से भौतिक अवधारणाओं को समझने तक" का संक्षिप्त उत्तर क्या है?
यू काइचेंग ने कैमरा और LiDAR डेटा को एक साझा Bird’s Eye View भौतिक निरूपण में जोड़ने वाले BEVFusion जैसे काम से शुरुआत की। [10][19]
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
यू काइचेंग ने कैमरा और LiDAR डेटा को एक साझा Bird’s Eye View भौतिक निरूपण में जोड़ने वाले BEVFusion जैसे काम से शुरुआत की। [10][19] 2023 में Westlake University में AutoLab बनाने के बाद उनकी टीम ने पहले जनरेटिव ऑटोनॉमस ड्राइविंग वर्ल्ड मॉडल पर काम किया, लेकिन बाद में पिक्सल रेंडरिंग को नियंत्रण और निर्णय के लिए महंगा मध्यवर्ती लक्ष्य माना। [10]
मुझे अभ्यास में आगे क्या करना चाहिए?
2024 के अंत में टीम ने पिक्सल जनरेशन से हटकर ऐसा latent space प्रस्तावित किया जिसमें वस्तुएं, अवस्थाएं, स्थानिक संबंध, क्रियाएं और कारणात्मक बदलाव जैसे संयोज्य भौतिक कॉन्सेप्ट हों। [1][11]