Da BEVFusion al “concept world model”: la scommessa di Yu Kaicheng sull’AI fisica

Il cambio di rotta di Yu Kaicheng non nasce da un rifiuto della percezione visiva o dei grandi dataset. È piuttosto la conclusione che, quando un modello sa già generare osservazioni realistiche, ricostruire ogni pixel può diventare un passaggio intermedio costoso e poco utile per controllare un robot o un veicolo.

L’alternativa proposta da Yu è spostare il centro della previsione: non un video plausibile, ma uno stato interno organizzato come un inventario di concetti fisici — oggetti, proprietà, relazioni, azioni e cambiamenti causali — che l’agente possa ricombinare e usare per pianificare. 110

Dalla ricerca in AutoML alla guida autonoma

Yu Kaicheng (于开丞) ha iniziato la sua carriera accademica nell’automatic machine learning, o AutoML: sistemi capaci di ottimizzare in modo automatico parte dei processi con cui si progettano e addestrano i modelli.

Dopo il dottorato è entrato nella DAMO Academy di Alibaba attraverso il programma Alibaba Star, passando alla ricerca sulla percezione per la guida autonoma. Tra i suoi lavori più noti figura BEVFusion, che porta le informazioni provenienti da LiDAR e telecamere in una rappresentazione condivisa dall’alto, la cosiddetta bird’s-eye view. L’obiettivo è conservare insieme geometria e informazione semantica in uno spazio fisico comune, invece di trattare separatamente dati 3D e immagini. Il lavoro è stato descritto come un contributo ampiamente citato alla fusione multisensore. 10

Nel 2023 Yu è approdato a Westlake University, dove ha fondato l’AutoLab, il laboratorio per l’intelligenza autonoma. In una prima fase il gruppo ha lavorato su world model generativi per la guida autonoma. Secondo i profili e i resoconti disponibili, il team ha poi ottenuto risultati di rilievo nelle competizioni di guida autonoma, tra cui il primo posto in una competizione ECCV nel 2024 e in classifica Fail2Drive nel 2026. 10

Proprio questa esperienza avrebbe portato Yu a riconsiderare l’approccio che aveva contribuito a sviluppare: se la domanda decisiva è “che cosa succede se compio questa azione?”, generare fotogramma dopo fotogramma l’intera scena può essere una deviazione onerosa rispetto alla previsione dello stato rilevante e delle sue conseguenze. 110

Che cos’è il “concept world model”

Alla fine del 2024 il gruppo ha riferito di aver abbandonato la generazione diretta dei pixel per concentrarsi su uno spazio latente matematico, appreso end-to-end. L’idea è scomporre una scena in un insieme finito di concetti fisici e relazioni riutilizzabili, per poi ricomporli nella previsione dello stato successivo — anche quando la combinazione completa non era presente nei dati di addestramento. 1

In questo contesto, “implicito” non significa necessariamente privo di struttura. La tesi di Awomo è che lo spazio latente debba rappresentare entità, posizioni e relazioni spaziali, stato degli oggetti, azioni e transizioni causali, anziché limitarsi a comprimere l’immagine in una forma più piccola. 111

Il vantaggio atteso è la generalizzazione composizionale. Un sistema che abbia appreso separatamente il concetto di “oggetto fragile”, quello di “movimento rapido” e quello di “ostacolo” potrebbe, in teoria, ragionare su una nuova combinazione senza aver bisogno di vedere esempi di ogni scenario completo.

È qui che Yu colloca il limite degli approcci basati sull’aumento continuo dei dati VLA — modelli che collegano visione, linguaggio e azione — e delle dimostrazioni. A suo giudizio, aggiungere esempi può offrire rendimenti decrescenti quando il problema non è riconoscere una sequenza già vista, ma comprendere come più eventi interagiscano nello stesso momento. 1

Il rapporto con JEPA

La proposta si colloca nella stessa ampia famiglia dei modelli predittivi latenti associati a Yann LeCun e alla linea JEPA: prevedere una rappresentazione del futuro invece di ricostruire direttamente tutti i pixel dell’osservazione. 1

La differenza rivendicata da Awomo riguarda soprattutto il contenuto e l’architettura dello spazio latente. Secondo Yu, JEPA lascia aperta la domanda su che cosa debbano rappresentare concretamente le variabili latenti; il concept world model cerca invece di definire un vocabolario componibile di concetti fisici.

Si tratta però, allo stato delle informazioni disponibili, di un’ipotesi di ricerca e di progettazione. Non è ancora una superiorità dimostrata in modo indipendente. 1

Che cosa mostrano gli esperimenti — e che cosa non mostrano

Awomo ha riferito di esperimenti interni condotti nel 2025 in cui la scomposizione e l’associazione dei concetti avrebbero migliorato il successo su compiti complessi rispetto a baseline di imitation learning e reinforcement learning, riducendo al contempo il costo della predizione. 1

La documentazione pubblica disponibile non include però un protocollo sperimentale completo, dimensioni dei modelli, distribuzione dei task, tassi numerici di successo, intervalli di confidenza, studi di ablazione, codice o replicazioni indipendenti. Per questo, l’entità effettiva del vantaggio dichiarato resta insufficientemente documentata pubblicamente. 1

L’esempio usato per illustrare l’obiettivo è quello di un agente che deve afferrare una tazza mentre chiude una porta. Un modello concettuale dovrebbe rappresentare insieme la caduta della tazza, il movimento della mano, la chiusura della porta e i vincoli causali tra questi eventi, invece di scegliere una risposta soltanto perché simile a una dimostrazione già incontrata.

L’esempio chiarisce la motivazione della ricerca, ma non va interpretato come il risultato verificato di un benchmark. 1

Da laboratorio a startup

La ricerca è stata trasformata in impresa con la costituzione di Westlake Digital Intelligence Technology (Hangzhou) Co., Ltd., con il marchio Awomo. La società risulta registrata nel distretto di Xihu, a Hangzhou, l’8 gennaio 2026, e dichiara di voler sviluppare tecnologie di Physical AI per guida autonoma, robotica, apparecchiature industriali, hardware intelligente e generazione di dati di simulazione. 11

I primi membri del gruppo vengono descritti come provenienti dall’AutoLab di Westlake University. Il nucleo iniziale sarebbe stato formato da Yu e dal chief scientist Tong, per poi allargarsi ad altri ricercatori. L’espressione “geni che hanno dimostrato con continuità il proprio valore”, attribuita alla descrizione del team, è tuttavia un linguaggio promozionale e non una metrica verificabile in modo indipendente. 1

Awomo ha inoltre annunciato finanziamenti cumulativi superiori a 100 milioni di yuan tra round seed e angel. Tra gli investitori citati figurano InnoFund, Dongfang Jiafu Fund, Zhengxuan Investment, Tianqi Capital, Westlake Innovation Fund e Jinma Investment. 13

Il primo debutto pubblico di Awomo-v0.1

La copertura dell’agosto 2026 ha presentato Awomo-v0.1 come la prima versione resa pubblica del progetto sul concept world model, citando una valutazione su RoboTwin 2.0, framework simulato e benchmark per la manipolazione robotica bimanuale robusta. 13

La presenza su questo banco di prova offre un primo punto di confronto pubblico, ma non dimostra da sola la capacità di generalizzare su robot reali, la sicurezza del sistema o una superiorità rispetto alle alternative più avanzate. Per arrivare a conclusioni solide servirebbero punteggi completi e riproducibili, baseline standardizzate e risultati di trasferimento dalla simulazione al mondo reale.

La scommessa di Yu, dunque, non è semplicemente sostituire un algoritmo con un altro. È cambiare l’oggetto che l’AI deve imparare a prevedere: non l’aspetto completo del mondo, ma l’evoluzione dei concetti fisici che contano per agire al suo interno.