จากนักวิจัยออโตไพลอตสู่ผู้ตั้งคำถามกับโลกโมเดลแบบใช้ข้อมูลมหาศาล

จุดเปลี่ยนของอวี๋ ไคเฉิงไม่ได้เกิดจากการปฏิเสธงานด้านการรับรู้ภาพหรือพลังของข้อมูลขนาดใหญ่ แต่เกิดจากข้อสรุปว่า เมื่อ AI สามารถสร้างภาพที่ดูสมจริงได้แล้ว การพยากรณ์ระดับพิกเซลอาจไม่ใช่ตัวแทนปัญหาที่เหมาะสมที่สุดสำหรับการควบคุมและการตัดสินใจ

ทางเลือกของเขาคือทำให้ “สถานะที่ใช้พยากรณ์” เป็นโครงสร้างที่บรรจุแนวคิดทางกายภาพอย่างเป็นระบบ ไม่ว่าจะเป็นวัตถุ สถานะ ความสัมพันธ์ การกระทำ และการเปลี่ยนแปลงเชิงเหตุผล จากนั้นให้เอเจนต์นำแนวคิดเหล่านี้มาประกอบใหม่และวางแผนในพื้นที่แฝง แทนที่จะต้องเรนเดอร์วิดีโอขึ้นมาใหม่อย่างต่อเนื่อง 110

จาก AutoML และ Alibaba สู่จุดหักเห

• อวี๋ (于开丞) เริ่มต้นจากงาน AutoML หรือการทำให้ระบบเรียนรู้วิธีเลือกและปรับอัลกอริทึมด้วยตัวเอง ก่อนเข้าร่วม Alibaba DAMO Academy ผ่านโครงการ Alibaba Star และหันมาทำวิจัยด้านการรับรู้สำหรับรถยนต์ไร้คนขับ
• ผลงาน BEVFusion ของเขาผสานข้อมูลจากกล้องและ LiDAR เข้าสู่ตัวแทนสภาพแวดล้อมแบบมองจากด้านบน หรือ bird’s-eye view ซึ่งเป็นพื้นที่ทางกายภาพร่วมสำหรับการรับรู้หลายเซนเซอร์ รายงานร่วมสมัยอธิบายว่างานนี้เป็นผลงานด้านการหลอมรวมข้อมูลหลายเซนเซอร์ที่ได้รับการอ้างถึงอย่างกว้างขวาง 10
• ในปี 2023 เขาเข้าร่วมมหาวิทยาลัยเวสต์เลกและก่อตั้งห้องปฏิบัติการ Autonomous Intelligence Lab หรือ AutoLab โดยระยะแรกมุ่งพัฒนา world model สำหรับการขับขี่อัตโนมัติที่สามารถสร้างข้อมูลได้ ต่อมาทีมคว้าอันดับหนึ่งในแทร็กยานยนต์ไร้คนขับของ ECCV ในปี 2024 และขึ้นอันดับหนึ่งของตาราง Fail2Drive ในปี 2026 ตามรายงานประวัติของทีม 10

ประสบการณ์ดังกล่าวนำไปสู่บทเรียนสำคัญในมุมมองของอวี๋ นั่นคือ การสร้างวิดีโอช่วยให้ภาพดูสมจริงขึ้น แต่ไม่ได้แปลว่าการสร้างรายละเอียดทุกพิกเซลคือสิ่งที่ระบบควรใช้คำนวณเพื่อพยากรณ์และตัดสินใจเสมอไป หากคำถามที่สำคัญคือ “ถ้าลงมือทำแล้วจะเกิดอะไรขึ้น” การสร้างภาพทั้งหมดขึ้นมาใหม่อาจเป็นทางอ้อมที่มีต้นทุนสูง และทำให้ระบบห่างจากสถานะที่เกี่ยวข้องกับงานและเหตุปัจจัยมากขึ้น 110

Concept World Model คืออะไร

ช่วงปลายปี 2024 ทีมจึงเปลี่ยนจากแนวทางที่เน้นการสร้างพิกเซลไปสู่พื้นที่แฝงทางคณิตศาสตร์ที่เรียนรู้แบบ end-to-end แนวคิดนี้พยายามแยกฉากหนึ่งออกเป็นแนวคิดและความสัมพันธ์ทางกายภาพจำนวนจำกัด ซึ่งสามารถนำกลับมาใช้ซ้ำและประกอบเข้าด้วยกันเพื่อคาดการณ์สถานะถัดไป รวมถึงการผสมผสานที่ไม่เคยปรากฏเป็นฉากสมบูรณ์ในข้อมูลฝึกมาก่อน 1

คำว่า “implicit” หรือ “โดยนัย” ในที่นี้จึงไม่ได้หมายความว่าเป็นตัวแทนที่ไร้โครงสร้าง ข้อเสนอของ Awomo คือสถานะแฝงควรเข้ารหัสแนวคิดอย่างเอนทิตี ความสัมพันธ์เชิงพื้นที่ สถานะของวัตถุ การกระทำ และการเปลี่ยนแปลงเชิงเหตุผล ไม่ใช่เป็นเพียงเวกเตอร์ภาพที่ถูกบีบอัดให้เล็กลงเท่านั้น 111

ผลลัพธ์ที่ทีมคาดหวังคือการทำให้โมเดล “เหมารวมเชิงองค์ประกอบ” ได้ดีขึ้น กล่าวคือ หาก AI เรียนรู้แนวคิดที่เกี่ยวข้องแยกกันแล้ว ก็ควรนำแนวคิดเหล่านั้นไปใช้กับการรวมกันรูปแบบใหม่ได้ โดยไม่จำเป็นต้องมีตัวอย่างของทุกสถานการณ์แบบครบชุด นี่เป็นเหตุผลที่อวี๋มองว่าการเพิ่มข้อมูล VLA หรือเพิ่มตัวอย่างสาธิตเพียงอย่างเดียวอาจให้ผลตอบแทนลดลงเมื่อโจทย์ขยับไปสู่ความฉลาดทางกายภาพ 1

คล้าย JEPA แต่พยายามตอบว่า “พื้นที่แฝงมีอะไรอยู่”

แนวทางนี้อยู่ในตระกูลเดียวกับการพยากรณ์ในพื้นที่แฝงของ Yann LeCun และแนวคิด JEPA ในภาพกว้าง นั่นคือพยากรณ์ตัวแทนของสถานะ แทนการสร้างภาพระดับพิกเซลกลับคืนมา 1

ความแตกต่างที่ Awomo เสนออยู่ที่ความหมายและสถาปัตยกรรม อวี๋มองว่า JEPA ยังไม่ได้ระบุอย่างชัดเจนว่าตัวแปรในพื้นที่แฝงควรประกอบด้วยอะไร ขณะที่ Concept World Model ตั้งเป้าสร้างคลังแนวคิดทางกายภาพที่นำมาประกอบใหม่ได้ อย่างไรก็ตาม นี่เป็นสมมติฐานด้านการวิจัยของ Awomo และยังไม่ใช่ข้อได้เปรียบที่ได้รับการยืนยันโดยอิสระ 1

หลักฐานที่มี และสิ่งที่ยังตอบไม่ได้

Awomo เปิดเผยผลทดลองภายในปี 2025 ว่า เมื่อเพิ่มกลไกการแยกและเชื่อมโยงแนวคิด โมเดลทำงานซับซ้อนได้สำเร็จมากขึ้นเมื่อเทียบกับฐานเปรียบเทียบจาก imitation learning และ reinforcement learning อีกทั้งใช้ต้นทุนการพยากรณ์ต่ำลง 1

แต่รายงานสาธารณะที่มีอยู่ในชุดข้อมูลนี้ยังไม่ได้เปิดเผยรายละเอียดสำคัญ เช่น วิธีทดลองฉบับเต็ม ขนาดโมเดล การกระจายของงาน อัตราความสำเร็จเชิงตัวเลข ช่วงความเชื่อมั่น การทดลองตัดองค์ประกอบ หรือโค้ดสำหรับการทำซ้ำ ดังนั้น ขนาดของข้อได้เปรียบที่อ้างจึงยังมีหลักฐานสาธารณะไม่เพียงพอ 1

ตัวอย่างที่อวี๋ยกขึ้นมา—การรับแก้วที่กำลังตกพร้อมกับปิดประตู—สะท้อนประโยชน์ที่แนวคิดนี้ต้องการให้เกิดขึ้น ระบบควรแทนการเปลี่ยนแปลงหลายอย่างที่เกิดขึ้นพร้อมกัน รวมถึงข้อจำกัดด้านเหตุและผลของแต่ละการกระทำไว้ร่วมกัน แทนการเลือกคำตอบจากรูปแบบที่เคยเห็นในคลังตัวอย่างสาธิต อย่างไรก็ดี ตัวอย่างนี้ควรอ่านในฐานะข้อเสนอเพื่ออธิบายแนวคิด ไม่ใช่ผลการทดสอบมาตรฐานที่ได้รับการยืนยันแล้ว 1

จากห้องแล็บสู่บริษัท Awomo

งานวิจัยดังกล่าวถูกนำไปพัฒนาเชิงพาณิชย์ในชื่อ Westlake Digital Intelligence Technology (Hangzhou) Co., Ltd. หรือแบรนด์ Awomo บริษัทจดทะเบียนในเขตซีหู เมืองหางโจว เมื่อวันที่ 8 มกราคม 2026 และระบุว่ามุ่งสร้างเทคโนโลยี Physical AI สำหรับรถยนต์ไร้คนขับ หุ่นยนต์ อุปกรณ์อุตสาหกรรม ฮาร์ดแวร์อัจฉริยะ และการสร้างข้อมูลจำลอง 11

รายงานระบุว่าแกนเริ่มต้นของบริษัทประกอบด้วยอวี๋และ Tong หัวหน้านักวิทยาศาสตร์ ก่อนขยายทีมจาก AutoLab ของมหาวิทยาลัยเวสต์เลก คำบรรยายสมาชิกทีมว่าเป็น “อัจฉริยะรุ่นเล็กที่พิสูจน์ตัวเองมาอย่างต่อเนื่อง” เป็นภาษาส่งเสริมการตลาด ไม่ใช่ตัวชี้วัดบุคลากรที่ตรวจสอบได้โดยอิสระ 1

Awomo ประกาศว่าระดมทุนรอบ Seed และ Angel รวมกันมากกว่า 100 ล้านหยวน นักลงทุนที่ระบุชื่อ ได้แก่ InnoFund, Dongfang Jiafu Fund, Zhengxuan Investment, Tianqi Capital, Westlake Innovation Fund และ Jinma Investment 13

การเปิดตัวต่อสาธารณะครั้งแรก

รายงานในเดือนสิงหาคม 2026 นำเสนอ Awomo-v0.1 ในฐานะเวอร์ชันสาธารณะครั้งแรกของความพยายามพัฒนา Concept World Model และกล่าวถึงการประเมินบน RoboTwin 2.0 ซึ่งเป็นกรอบงานและชุดข้อมูลจำลองสำหรับการสร้างข้อมูลและทดสอบการควบคุมหุ่นยนต์สองแขนที่มีความทนทาน 13

การปรากฏตัวบน RoboTwin 2.0 ทำให้ Awomo มีเวทีประเมินผลต่อสาธารณะในระยะเริ่มต้น แต่ยังไม่เพียงพอที่จะยืนยันว่าโมเดลสามารถถ่ายโอนไปใช้กับหุ่นยนต์จริงได้ทั่วไป มีความปลอดภัย หรือเหนือกว่าทางเลือกชั้นนำ การตรวจสอบที่แข็งแรงกว่านี้จำเป็นต้องมีคะแนนทดสอบที่เปิดเผย ฐานเปรียบเทียบที่เป็นมาตรฐาน และผลการถ่ายโอนจากสภาพจำลองสู่โลกจริง