Tiga Rilis AI Robotik Li Auto: Apa Peran ME-Brain, ME-VLM, dan ME-U0?

Li Auto memaparkan tiga rilis embodied AI—AI yang dirancang untuk memahami lingkungan dan mendukung tindakan fisik—pada 22 September 2026. Ketiganya menggambarkan jalur dari mengamati keadaan, menalar, hingga menghasilkan tindakan. Namun, rilis tersebut belum membuktikan bahwa seluruh komponennya telah diuji secara independen sebagai satu robot otonom yang berjalan pada perangkat yang sama. 35

Tiga komponen, tiga peran

ME-Brain-1.0 adalah konsep sistem yang oleh Li Auto dijelaskan melalui memori, kognisi, dan tindakan. Menurut laporan tentang peluncurannya, modul terkait memori dapat berjalan pada M100, sebuah system-on-chip (SoC) atau chip yang menggabungkan sejumlah fungsi komputasi, untuk membuat dan mengambil kembali memori di perangkat. Itu tidak berarti seluruh ME-Brain berjalan secara lokal pada chip tersebut. 35

MachEmbodied-VLM (ME-VLM) menangani pemahaman visual dan bahasa serta koordinasi agen AI. Laporan teknisnya menjelaskan pelatihan untuk tugas robotik dan agen multimodal, termasuk penggunaan pengamatan serta umpan balik untuk menilai hasil dan memperbaiki keputusan. Li Auto dilaporkan menyediakan versi besar 35B-A3B berbasis mixture-of-experts dan versi 4B yang ditujukan untuk perangkat tepi. 15

MachEmbodied-U0 (ME-U0) dirancang untuk menjembatani pemahaman dengan pembuatan tindakan. Rancangan Mixture-of-Transformers yang dilaporkan menghubungkan bagian model yang menafsirkan tugas dan keadaan sekitar dengan bagian yang menghasilkan tindakan. Mengetahui apa yang perlu dilakukan, dengan kata lain, belum sama dengan mampu melakukannya secara andal. Ketiga rilis ini dipaparkan sebagai komponen yang saling melengkapi, bukan bukti bahwa semuanya sudah diuji bersama dalam satu penerapan otonom. 25

Cara membaca angka pengujiannya

Dalam tabel perbandingan Li Auto yang dilaporkan, ME-VLM versi besar meraih rata-rata sekitar 70,9 pada rangkaian uji robotik dan 72,5 pada rangkaian uji agen AI. Versi 4B berada di urutan kedua dalam perbandingan perusahaan tersebut. Tanpa kondisi pengujian yang lengkap dan pengulangan oleh pihak independen, angka-angka itu tidak bisa dipakai sebagai ukuran umum keandalan robot. 5

Untuk ME-U0, Li Auto melaporkan skor 17,66 di RoboDojo serta rata-rata tingkat keberhasilan 99,1% di LIBERO dan 81,8% di LIBERO-Plus. Hasil LIBERO diperoleh setelah model diadaptasi menggunakan supervisi yang disediakan masing-masing tolok ukur. Jadi, hasil tersebut bukan bukti keberhasilan tanpa penyesuaian pada tugas fisik yang belum pernah dihadapi. 3

Data pelatihan dan batas klaim M100

Li Auto menyebut telah memilih sekitar 4.200 jam data untuk prapelatihan ME-U0 dari kumpulan awal yang berisi sekitar 5.700 jam data robot dan 3.920 jam video sudut pandang orang pertama. Gabungan sumber itu dapat memperluas ragam situasi visual yang dipelajari model, tetapi jumlah jamnya saja tidak menunjukkan seberapa baik kemampuan tersebut berpindah ke robot atau lingkungan baru. 3

Pada ME-VLM versi 4B, para penulis laporan teknis menyebut kompresi token visual, kuantisasi W4A8, dan optimasi perangkat keras serta lunak untuk menjalankan model di M100. Mereka melaporkan latensi prefill—salah satu tahap awal pemrosesan masukan—turun dari 400 menjadi 188 milidetik. Itu bukan pengukuran waktu total sejak robot melihat perubahan sampai menyelesaikan respons fisik. Materi yang tersedia juga belum menunjukkan bahwa model 35B-A3B atau seluruh gabungan ME-Brain dan ME-U0 berjalan bersama pada satu M100. 15

Demo menunjukkan apa, dan belum menunjukkan apa?

Liputan peluncuran menggambarkan demonstrasi menggenggam objek selama sekitar satu jam dan rangkaian membuat kopi sekitar empat menit yang terdiri dari 15 langkah. Keduanya memperlihatkan tugas yang dipilih Li Auto untuk ditampilkan, tetapi tidak menetapkan tingkat keberhasilan ketika objek, pencahayaan, gangguan, atau kondisi pemakaian jangka panjang ditentukan secara independen. Materi yang tersedia pun tidak mendukung kesimpulan pihak ketiga yang lebih spesifik mengenai kegagalan dalam demo tersebut. 3

Pengujian berikutnya yang paling menjawab pertanyaan adalah evaluasi sistem terintegrasi dengan prosedur yang jelas dan dapat diulang secara independen: mengukur keberhasilan tugas, pemulihan saat gagal, serta latensi penuh dari persepsi hingga tindakan pada perangkat keras yang disebutkan. Sampai itu dilakukan, skor tolok ukur dan hasil prefill M100 tetap merupakan bukti yang berbeda-beda—bukan satu putusan akhir tentang kemampuan robot serbaguna. 135