AnswersPublished15 sources
Yu Kaicheng chce, by AI przewidywała świat, zamiast go odtwarzać piksel po pikselu
Yu Kaicheng nie odrzucił percepcji ani dużych zbiorów danych. Uznał, że generowanie pikseli może być kosztownym etapem pośrednim, jeśli model potrafi już tworzyć wiarygodne obserwacje.
Opublikowane przezEdytowane za pomocą GPT-5.6 LunaObrazy wygenerowane za pomocą GPT Image 1.5
Research answer
Key takeaways
- Yu Kaicheng nie odrzucił percepcji ani dużych zbiorów danych. Uznał, że generowanie pikseli może być kosztownym etapem pośrednim, jeśli model potrafi już tworzyć wiarygodne obserwacje.
- Awomo chce, by model przewidywał uporządkowany stan świata: obiekty, ich właściwości, relacje przestrzenne, działania i zmiany przyczynowe — zamiast rekonstruować każdą klatkę obrazu.
- Wewnętrzne eksperymenty z 2025 roku miały wskazywać na wyższą skuteczność i niższy koszt predykcji, lecz publicznie brakuje pełnego protokołu, wyników liczbowych i niezależnej replikacji.
AI Prompt
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
Od AutoML i BEVFusion do modeli świata
Droga Yu Kaichenga (于开丞) zaczęła się od automatycznego uczenia maszynowego, czyli AutoML. Później, jako uczestnik programu Alibaba Star, dołączył do Alibaba DAMO Academy i zajął się percepcją dla autonomicznej jazdy. Jego najbardziej rozpoznawalne prace obejmują BEVFusion — system łączący dane z kamer i lidaru we wspólnej reprezentacji widoku z lotu ptaka (BEV), która zachowuje zarówno informacje geometryczne, jak i semantyczne. Praca ta stała się szeroko cytowanym wkładem w rozwój fuzji wielu sensorów. 10
W 2023 roku Yu przeszedł do Westlake University, gdzie utworzył laboratorium AutoLab. Początkowo zespół rozwijał generatywne modele świata dla autonomicznej jazdy. Według późniejszych relacji laboratorium wygrało w 2024 roku tor autonomicznej jazdy podczas ECCV, a w 2026 roku zajęło pierwsze miejsce w rankingu Fail2Drive. 10
To właśnie doświadczenia z pracy nad systemami opartymi na danych doprowadziły Yu do zmiany kierunku. W jego ujęciu generowanie wideo może zapewnić realistyczny wygląd sceny, ale nie oznacza jeszcze, że odtwarzanie każdego piksela jest właściwym obiektem obliczeń dla predykcji i podejmowania decyzji. Jeśli najważniejsze pytanie brzmi: „co się stanie, gdy wykonam konkretne działanie?”, pełne renderowanie obrazu może być kosztownym objazdem wokół stanu istotnego dla zadania i jego przyczynowości. 1
10
Na czym polega „konceptualny model świata” Awomo?
Pod koniec 2024 roku zespół miał przejść od generowania pikseli do kompleksowo uczonej, matematycznej przestrzeni ukrytej. W tej przestrzeni scena ma być rozkładana na skończony zbiór wielokrotnego użytku pojęć fizycznych i relacji, a następnie składana na nowo w przewidywany stan przyszły — także w konfiguracjach, których model nie widział wcześniej w całości. 1
„Niejawny” nie oznacza tu jednak bezładny ani pozbawiony znaczenia. Według koncepcji Awomo stan ukryty powinien kodować między innymi:
- obiekty i ich właściwości,
- relacje przestrzenne,
- stany obiektów,
- działania,
- przejścia przyczynowe.
Ma to być coś więcej niż skompresowane przedstawienie obrazu. Celem jest stworzenie kompozycyjnego słownika pojęć, z którego agent może budować przewidywania, planować i oceniać następstwa działań w przestrzeni ukrytej. 1
11
Najważniejszą obiecywaną korzyścią jest generalizacja kompozycyjna. Jeżeli system nauczy się osobno pojęć „spadający przedmiot”, „zamknięcie drzwi” i „przechwycenie obiektu”, powinien — przynajmniej w założeniu — potrafić połączyć je w nową sytuację bez konieczności oglądania przykładów każdej możliwej kombinacji. Z tego powodu Yu uważa, że samo dokładanie danych VLA — łączących obraz, język i działanie — oraz kolejnych demonstracji w końcu przynosi coraz mniejsze korzyści dla rozwoju inteligencji fizycznej. 1
Czym ta koncepcja różni się od JEPA?
Podejście Awomo należy do tej samej szerokiej rodziny metod przewidujących reprezentacje ukryte co JEPA, czyli Joint Embedding Predictive Architecture rozwijanej przez Yanna LeCuna. W obu przypadkach założenie jest podobne: model ma przewidywać reprezentację przyszłego stanu, a nie rekonstruować wszystkie piksele. 1
Awomo twierdzi jednak, że jego wyróżnikiem jest jasno określona zawartość przestrzeni ukrytej. W interpretacji Yu JEPA pozostawia otwarte pytanie, co dokładnie powinny reprezentować zmienne latentne. „Konceptualny model świata” ma natomiast wprost dążyć do zakodowania kompozycyjnego zestawu pojęć fizycznych.
To nadal hipoteza badawcza, a nie niezależnie potwierdzona przewaga. Sama różnica w architekturze i deklarowanym poziomie semantycznym nie dowodzi jeszcze, że metoda Awomo będzie lepiej działać w rzeczywistych zadaniach.
Co pokazują dotychczasowe dowody?
Awomo informowało o wewnętrznych eksperymentach przeprowadzonych w 2025 roku. Według tych doniesień rozkładanie scen na pojęcia i kojarzenie ich ze sobą poprawiało skuteczność w złożonych zadaniach w porównaniu z bazowymi metodami uczenia przez naśladowanie i uczenia ze wzmocnieniem, przy jednoczesnym obniżeniu kosztu predykcji. 1
Publicznie dostępne materiały nie zawierają jednak pełnego protokołu eksperymentów, rozmiarów modeli, rozkładu zadań, dokładnych współczynników sukcesu, przedziałów ufności, badań ablacyjnych, kodu ani niezależnej replikacji. Skala deklarowanej przewagi pozostaje więc niewystarczająco udokumentowana w źródłach publicznych. 1
Przykład łapania spadającej filiżanki podczas jednoczesnego zamykania drzwi dobrze pokazuje zamierzony kierunek. Model powinien wspólnie reprezentować kilka równoległych zmian stanu i ich ograniczenia przyczynowe, zamiast wybierać reakcję na podstawie wzorców poznanych w zbiorze demonstracji. To jednak ilustracja motywacji Yu, a nie zweryfikowany wynik benchmarku. 1
Od laboratorium do firmy
Badania zostały skomercjalizowane jako Westlake Digital Intelligence Technology (Hangzhou) Co., Ltd., działająca pod marką Awomo. Firma została zarejestrowana 8 stycznia 2026 roku w dzielnicy Xihu w Hangzhou. Deklaruje koncentrację na fizycznej sztucznej inteligencji — Physical AI — dla autonomicznej jazdy, robotyki, urządzeń przemysłowych, inteligentnego sprzętu oraz generowania danych symulacyjnych. 11
Według relacji początkowy trzon zespołu tworzyli Yu i główny naukowiec Tong, a później firma rozrosła się wokół ludzi wywodzących się z westlake’owskiego AutoLab. Określenie współpracowników jako „małych geniuszy, którzy konsekwentnie udowodnili swoją wartość” ma charakter promocyjny i nie jest niezależnie weryfikowalną oceną kadry. 1
Awomo ogłosiło, że łączna wartość finansowania z rund zalążkowych i anielskich przekroczyła 100 mln juanów. Wśród wymienionych inwestorów znalazły się InnoFund, Dongfang Jiafu Fund, Zhengxuan Investment, Tianqi Capital, Westlake Innovation Fund oraz Jinma Investment. 13
Pierwsza publiczna prezentacja Awomo-v0.1
W materiałach opublikowanych w sierpniu 2026 roku Awomo-v0.1 przedstawiono jako pierwszą publiczną wersję projektu konceptualnego modelu świata. Wspomniano również o ocenie na RoboTwin 2.0 — symulowanym frameworku i zbiorze danych służącym do badania odpornej manipulacji robotycznej z użyciem obu ramion. 1
3
To zapewnia projektowi wczesne, publiczne środowisko ewaluacji, ale samo w sobie nie potwierdza jeszcze uogólniania na prawdziwe roboty, bezpieczeństwa ani przewagi nad wiodącymi alternatywami. Rzetelna ocena wymagałaby ujawnienia wyników benchmarków, ustandaryzowanych metod bazowych i rezultatów transferu z symulacji do świata rzeczywistego.
Najkrócej mówiąc, Yu nie porzucił skalowania dlatego, że przestał wierzyć w dane. Doszedł raczej do wniosku, że dla fizycznej inteligencji kluczowe może być nie to, ile obrazów model potrafi wygenerować, lecz czy potrafi utrzymywać użyteczny model obiektów, relacji, działań i przyczynowości. Awomo próbuje tę tezę zamienić w produkt — jednak na rozstrzygające dowody skuteczności trzeba jeszcze poczekać.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Yu Kaicheng chce, by AI przewidywała świat, zamiast go odtwarzać piksel po pikselu"?
Yu Kaicheng nie odrzucił percepcji ani dużych zbiorów danych. Uznał, że generowanie pikseli może być kosztownym etapem pośrednim, jeśli model potrafi już tworzyć wiarygodne obserwacje.
What are the key points to validate first?
Yu Kaicheng nie odrzucił percepcji ani dużych zbiorów danych. Uznał, że generowanie pikseli może być kosztownym etapem pośrednim, jeśli model potrafi już tworzyć wiarygodne obserwacje. Awomo chce, by model przewidywał uporządkowany stan świata: obiekty, ich właściwości, relacje przestrzenne, działania i zmiany przyczynowe — zamiast rekonstruować każdą klatkę obrazu.
What should I do next in practice?
Wewnętrzne eksperymenty z 2025 roku miały wskazywać na wyższą skuteczność i niższy koszt predykcji, lecz publicznie brakuje pełnego protokołu, wyników liczbowych i niezależnej replikacji.