RespostasPublicado15 fontes
Yu Kaicheng troca a geração de pixels por um modelo de mundo baseado em conceitos físicos
Yu Kaicheng ajudou a desenvolver o BEVFusion, que unifica dados de LiDAR e câmeras em uma representação comum para a percepção 3D, antes de migrar para a pesquisa de modelos de mundo. A proposta da Awomo abandona a previsão direta de pixels e tenta representar objetos, estados, relações, ações e mudanças causais em...
Publicado porEditado com GPT-5.6 LunaImagens geradas com GPT Image 1.5
Resposta de pesquisa
Principais conclusões
- Yu Kaicheng ajudou a desenvolver o BEVFusion, que unifica dados de LiDAR e câmeras em uma representação comum para a percepção 3D, antes de migrar para a pesquisa de modelos de mundo.
- A proposta da Awomo abandona a previsão direta de pixels e tenta representar objetos, estados, relações, ações e mudanças causais em um espaço latente estruturado.
- A equipe afirma ter observado ganhos em tarefas complexas e menor custo de previsão em experimentos internos de 2025, mas os resultados públicos ainda não trazem protocolo completo nem replicação independente.
- Criada em Hangzhou em janeiro de 2026, a Awomo anunciou mais de 100 milhões de yuans em rodadas seed e anjo e apresentou o Awomo v0.1 em avaliações com o RoboTwin 2.0.
Prompt de IA
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
A mudança de Yu Kaicheng não representa uma rejeição à percepção computacional nem aos grandes volumes de dados. O ponto central é outro: depois que um sistema consegue gerar observações visualmente plausíveis, continuar prevendo cada pixel pode ser um intermediário caro demais para controlar um robô ou um veículo. A alternativa defendida por Yu é fazer com que o próprio estado preditivo seja uma estrutura de conceitos físicos — objetos, estados, relações, ações e transformações causais — que o agente possa recombinar e usar para planejar em um espaço latente, sem precisar renderizar continuamente um vídeo. 1
10
Da AutoML à virada nos modelos de mundo
Yu Kaicheng (于开丞) começou sua trajetória acadêmica pesquisando AutoML, ou aprendizado de máquina automatizado. Depois, entrou na Alibaba DAMO Academy pelo programa Alibaba Star e passou a trabalhar com percepção para direção autônoma. Seu trabalho no BEVFusion combinou informações de câmeras e LiDAR em uma representação comum de vista aérea — uma espécie de mapa do ambiente observado de cima — para preservar simultaneamente informações geométricas e semânticas. Relatos posteriores descrevem a contribuição como um trabalho amplamente citado em fusão de sensores. 10
Em 2023, Yu ingressou na Westlake University e criou o laboratório AutoLab. No início, a equipe investigava modelos generativos de mundo para direção autônoma. Segundo o perfil contemporâneo consultado, o grupo venceu uma competição de direção autônoma da ECCV em 2024 e liderou o ranking do Fail2Drive em 2026. 10
Esses resultados, porém, levaram a uma pergunta mais incômoda: se um modelo já consegue produzir imagens realistas, isso significa que ele aprendeu o que realmente importa para agir no mundo físico? Na visão de Yu, não necessariamente. Para responder à pergunta “o que muda se eu fizer determinada ação?”, reconstruir todos os detalhes visuais pode desviar computação do estado relevante para a tarefa e das relações de causa e efeito. 1
10
O que é o “modelo de mundo conceitual”
No fim de 2024, a equipe teria trocado a geração de pixels por um espaço latente matemático aprendido de ponta a ponta. A ideia é decompor uma cena em um conjunto finito de conceitos físicos reutilizáveis e relações entre eles. Esses elementos poderiam então ser recombinados para prever o próximo estado do ambiente, inclusive em combinações que não apareceram completas nos dados de treinamento. 1
Nesse contexto, “implícito” não quer dizer desorganizado ou sem conteúdo interpretável. A afirmação da Awomo é que o espaço latente deve codificar entidades, relações espaciais, estados dos objetos, ações e transições causais — e não ser apenas uma versão comprimida de uma imagem. 1
11
A promessa é a generalização composicional. Um agente que aprendeu separadamente os conceitos de “objeto escorregando”, “mão alcançando” e “porta se fechando” poderia raciocinar sobre uma combinação nova desses elementos, sem precisar receber exemplos de cada cenário completo. É por isso que Yu argumenta que simplesmente ampliar dados de modelos VLA — sistemas que conectam visão, linguagem e ação — ou acumular mais demonstrações tende a produzir retornos decrescentes na inteligência física. 1
A relação com o JEPA de Yann LeCun
A proposta está na mesma família ampla de métodos de previsão em espaço latente associada ao JEPA, de Yann LeCun: em vez de reconstruir diretamente os pixels, o modelo prevê uma representação do estado futuro. 1
A diferença reivindicada pela Awomo é semântica e arquitetural. Na leitura de Yu, o JEPA deixa em aberto o que exatamente suas variáveis latentes devem representar. O “modelo de mundo conceitual” tenta responder a essa questão com um vocabulário combinável de conceitos físicos.
Essa distinção ainda deve ser tratada como uma hipótese de pesquisa, e não como uma vantagem comprovada de forma independente. 1
O que os experimentos mostram — e o que ainda falta mostrar
A Awomo relatou experimentos internos realizados em 2025 nos quais mecanismos de decomposição e associação de conceitos teriam melhorado o sucesso em tarefas complexas em comparação com referências de aprendizado por imitação e aprendizado por reforço, além de reduzir o custo de previsão. 1
Mas os relatos públicos disponíveis não apresentam o protocolo experimental completo, o tamanho dos modelos, a distribuição das tarefas, as taxas numéricas de sucesso, os intervalos de confiança, os estudos de ablação, o código ou uma replicação independente. Portanto, a dimensão real da vantagem alegada permanece insuficientemente comprovada publicamente. 1
O exemplo de pegar um copo que está caindo enquanto fecha uma porta ajuda a explicar a ambição da abordagem. Em vez de escolher uma reação com base em padrões inteiros vistos em um conjunto de demonstrações, o sistema deveria representar simultaneamente várias mudanças de estado e as restrições causais entre elas. Por enquanto, esse exemplo deve ser entendido como uma ilustração da tese de Yu, não como um resultado de benchmark verificado. 1
Da pesquisa à empresa Awomo
A pesquisa foi transformada na Westlake Digital Intelligence Technology (Hangzhou) Co., Ltd., conhecida comercialmente como Awomo. A empresa foi registrada no distrito de Xihu, em Hangzhou, em 8 de janeiro de 2026. Segundo a própria companhia, seu foco é a inteligência física — ou Physical AI — aplicada a direção autônoma, robótica, equipamentos industriais, hardware inteligente e geração de dados para simulação. 11
Reportagens descrevem o núcleo inicial como formado por Yu e pelo cientista-chefe Tong, com expansão a partir da equipe do AutoLab da Westlake. A descrição de alguns colegas como “gênios que provaram consistentemente seu próprio valor” é linguagem promocional e não uma métrica independente e verificável sobre o quadro de funcionários. 1
A Awomo anunciou mais de 100 milhões de yuans em financiamento acumulado nas rodadas seed e anjo. Entre os investidores citados estão InnoFund, Dongfang Jiafu Fund, Zhengxuan Investment, Tianqi Capital, Westlake Innovation Fund e Jinma Investment. 13
A primeira apresentação pública
A cobertura de agosto de 2026 apresentou o Awomo-v0.1 como a primeira versão pública do projeto de modelo de mundo conceitual. O material também mencionou avaliações no RoboTwin 2.0, uma estrutura de simulação e geração de dados voltada à manipulação robótica bimanual robusta. 1
3
Essa apresentação estabelece um primeiro ambiente público de avaliação, mas não comprova, por si só, generalização para robôs reais, segurança ou superioridade diante das principais alternativas. Para sustentar essas conclusões, ainda seriam necessários resultados de benchmark divulgados, linhas de base padronizadas e evidências de transferência para o mundo físico.
A trajetória de Yu, portanto, não é a de alguém que simplesmente abandonou o uso de dados em larga escala. É a de um pesquisador que ajudou a impulsionar uma abordagem orientada por dados na percepção autônoma e passou a questionar se a geração visual deveria continuar sendo o centro do raciocínio físico. A Awomo aposta que, para agir melhor, uma máquina precisa prever menos a aparência do mundo e representar melhor como seus elementos se relacionam e mudam.
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "Yu Kaicheng troca a geração de pixels por um modelo de mundo baseado em conceitos físicos"?
Yu Kaicheng ajudou a desenvolver o BEVFusion, que unifica dados de LiDAR e câmeras em uma representação comum para a percepção 3D, antes de migrar para a pesquisa de modelos de mundo.
Quais são os pontos-chave para validar primeiro?
Yu Kaicheng ajudou a desenvolver o BEVFusion, que unifica dados de LiDAR e câmeras em uma representação comum para a percepção 3D, antes de migrar para a pesquisa de modelos de mundo. A proposta da Awomo abandona a previsão direta de pixels e tenta representar objetos, estados, relações, ações e mudanças causais em um espaço latente estruturado.
O que devo fazer a seguir na prática?
A equipe afirma ter observado ganhos em tarefas complexas e menor custo de previsão em experimentos internos de 2025, mas os resultados públicos ainda não trazem protocolo completo nem replicação independente.