Dari Juara Persepsi Otomotif ke Pendiri Awomo: Jalan Yu Kaicheng Menuju Concept World Model

Yu Kaicheng tidak sedang menolak persepsi komputer, data dalam jumlah besar, atau prinsip penskalaan model. Pergeserannya berangkat dari kesimpulan yang lebih spesifik: setelah AI mampu menghasilkan pengamatan visual yang tampak realistis, membuat model merender setiap piksel dapat menjadi perantara yang mahal dan tidak selalu berguna untuk mengendalikan dunia fisik.

Alternatif yang ia dorong melalui Awomo adalah menjadikan keadaan prediktif itu sendiri lebih terstruktur. Alih-alih terus menggambar ulang video, model berupaya menyimpan representasi tentang objek, keadaan, hubungan, tindakan, serta perubahan sebab-akibat. Dengan begitu, agen dapat menyusun ulang konsep-konsep tersebut dan merencanakan kemungkinan masa depan di ruang laten. 110

Dari AutoML dan Alibaba ke Westlake University

Yu, atau 于开丞, memulai karier akademiknya di bidang automatic machine learning (AutoML)—bidang yang berupaya membuat mesin menemukan cara belajar secara otomatis. Setelah itu, ia bergabung dengan Alibaba DAMO Academy melalui program talenta Alibaba Star dan beralih ke persepsi untuk kendaraan otonom.

Salah satu karya yang paling dikenal adalah BEVFusion. Kerangka ini menggabungkan informasi dari kamera dan LiDAR—sensor yang menggunakan pantulan laser untuk memetakan lingkungan—ke dalam representasi bird’s-eye view (BEV), atau pandangan dari atas yang menyatukan informasi geometris dan visual dalam ruang fisik yang sama. Karya tersebut kemudian menjadi kontribusi yang banyak dikutip dalam fusi multisensor. 10

Yu bergabung dengan Westlake University pada 2023 dan membentuk Autonomous Intelligence Lab (AutoLab). Pada tahap awal, timnya meneliti model dunia generatif untuk kendaraan otonom. Menurut profil dan laporan terkait, tim tersebut kemudian meraih posisi teratas di jalur kendaraan otonom ECCV pada 2024 dan memimpin peringkat Fail2Drive pada 2026. 10

Namun, keberhasilan itu justru memperjelas pertanyaan berikutnya: jika model sudah dapat menghasilkan visual yang meyakinkan, apakah menggambar ulang seluruh detail visual merupakan cara paling efisien untuk memprediksi konsekuensi tindakan?

Bagi Yu, pertanyaan terpenting dalam model dunia bukan hanya “seperti apa keadaan berikutnya?”, melainkan “apa yang berubah jika agen melakukan tindakan tertentu?”. Untuk menjawabnya, merekonstruksi seluruh citra dapat menjadi jalan memutar yang mahal dibandingkan langsung memodelkan keadaan dan kausalitas yang relevan dengan tugas. 110

Apa yang dimaksud dengan Concept World Model?

Pada akhir 2024, tim tersebut dilaporkan beralih dari generasi piksel ke ruang laten matematis yang dipelajari secara end-to-end. Ruang ini dirancang untuk menguraikan sebuah adegan menjadi sejumlah konsep fisik dan relasi yang dapat digunakan kembali, kemudian menyusunnya menjadi prediksi keadaan berikutnya—termasuk kombinasi yang mungkin belum pernah muncul secara utuh dalam data pelatihan. 1

Dalam konteks ini, istilah implisit bukan berarti modelnya tidak terstruktur. Klaim Awomo adalah bahwa ruang laten tersebut seharusnya memuat konsep yang bermakna secara fisik, seperti:

• entitas atau objek;
• posisi dan hubungan spasial;
• keadaan objek;
• tindakan;
• perubahan kausal.

Jadi, model tidak sekadar menyimpan versi ringkas dari sebuah gambar. Ia ditujukan untuk merepresentasikan bagaimana objek dan keadaan saling berhubungan serta bagaimana keduanya berubah ketika tindakan dilakukan. 111

Manfaat yang ingin dicapai adalah compositional generalization, yakni kemampuan menggeneralisasi dengan menggabungkan konsep yang telah dipelajari secara terpisah. Jika model memahami “cangkir”, “jatuh”, “tangan”, dan “pintu” sebagai konsep yang berhubungan, secara teori model dapat menghadapi kombinasi baru tanpa membutuhkan contoh lengkap untuk setiap skenario.

Inilah alasan Yu menilai penambahan data VLA—model yang menghubungkan penglihatan, bahasa, dan tindakan—atau penambahan demonstrasi secara terus-menerus pada akhirnya dapat mengalami hasil yang makin menurun untuk kecerdasan fisik. Menambah contoh belum tentu membuat model memahami struktur kausal di balik contoh tersebut. 1

Hubungannya dengan JEPA

Gagasan Awomo berada dalam keluarga besar model prediksi ruang laten seperti JEPA (Joint Embedding Predictive Architecture) yang dikaitkan dengan Yann LeCun. Prinsip umumnya adalah memprediksi representasi keadaan berikutnya, bukan merekonstruksi setiap piksel dari pengamatan. 1

Perbedaan yang diklaim Awomo terletak pada pertanyaan tentang isi ruang laten itu. Menurut Yu, JEPA tidak secara spesifik menentukan apa yang harus diwakili oleh variabel laten. Proposal Concept World Model Awomo mencoba menjawabnya dengan kosakata konsep fisik yang dapat dikomposisikan.

Pembedaan tersebut masih merupakan hipotesis riset. Belum ada bukti independen yang cukup untuk menyimpulkan bahwa struktur konsep Awomo pasti lebih unggul daripada pendekatan laten lainnya. 1

Bukti awal: menjanjikan, tetapi belum lengkap

Awomo melaporkan eksperimen internal pada 2025. Dalam laporan tersebut, mekanisme penguraian dan pengaitan konsep disebut meningkatkan tingkat keberhasilan pada tugas-tugas kompleks dibandingkan sejumlah baseline pembelajaran imitasi dan pembelajaran penguatan, sekaligus menurunkan biaya prediksi. 1

Akan tetapi, laporan publik yang tersedia tidak memuat protokol eksperimen lengkap, ukuran model, distribusi tugas, angka keberhasilan, interval kepercayaan, studi ablasi, kode, atau replikasi independen. Karena itu, besarnya keunggulan yang diklaim masih belum cukup dibuktikan secara publik. 1

Contoh yang digunakan untuk menjelaskan manfaat pendekatan ini adalah situasi ketika agen harus menangkap cangkir yang jatuh sambil menutup pintu. Contoh tersebut menggambarkan tujuan Concept World Model: memodelkan beberapa perubahan keadaan yang berlangsung bersamaan beserta batasan kausalnya, alih-alih memilih pola dari kumpulan demonstrasi yang pernah dilihat.

Namun, contoh itu sebaiknya dibaca sebagai ilustrasi atas klaim dan motivasi Yu, bukan sebagai hasil benchmark yang telah terverifikasi. 1

Dari laboratorium menjadi Awomo

Riset tersebut kemudian dikomersialkan melalui Westlake Digital Intelligence Technology (Hangzhou) Co., Ltd., dengan merek Awomo. Perusahaan ini terdaftar di Distrik Xihu, Hangzhou, pada 8 Januari 2026. Awomo menyatakan fokusnya adalah physical AI, atau kecerdasan buatan untuk memahami dan bertindak di dunia fisik, dengan sasaran kendaraan otonom, robotika, peralatan industri, perangkat keras pintar, serta pembuatan data simulasi. 11

Laporan mengenai perusahaan menyebut inti awal tim terdiri atas Yu dan kepala ilmuwan yang disebut Tong, sebelum berkembang dari AutoLab di Westlake University. Sebutan bahwa para anggota tim merupakan “orang-orang jenius yang terus membuktikan diri” merupakan bahasa promosi, bukan ukuran kepegawaian yang dapat diverifikasi secara independen. 1

Pada sisi pendanaan, Awomo mengumumkan total pendanaan tahap seed dan angel lebih dari 100 juta yuan. Investor yang disebut mencakup InnoFund, Dongfang Jiafu Fund, Zhengxuan Investment, Tianqi Capital, Westlake Innovation Fund, dan Jinma Investment. 13

Debut publik Awomo-v0.1

Liputan Agustus 2026 memperkenalkan Awomo-v0.1 sebagai versi publik pertama dari upaya Concept World Model tersebut. Evaluasinya dikaitkan dengan RoboTwin 2.0, sebuah kerangka simulasi dan pembuatan data untuk menguji manipulasi robot dua lengan secara lebih tangguh. 13

Kemunculan di RoboTwin 2.0 menunjukkan bahwa Awomo mulai memiliki arena evaluasi publik. Namun, hal itu belum otomatis membuktikan kemampuan generalisasi pada robot nyata, aspek keselamatan, ataupun keunggulan atas pendekatan terkemuka lainnya.

Untuk menilai klaim tersebut secara kuat, publik masih membutuhkan skor benchmark yang lengkap, baseline yang seragam, rincian model dan tugas, serta hasil pemindahan kemampuan dari simulasi ke dunia nyata. Untuk saat ini, perjalanan Yu Kaicheng lebih tepat dipahami sebagai pergeseran dari “membuat AI melihat dan menghasilkan dunia” menuju upaya membuat AI menyimpan konsep tentang bagaimana dunia bekerja—sebuah arah yang menarik, tetapi masih harus dibuktikan melalui evaluasi terbuka dan replikasi independen.