于开丞的技術轉向，並唔係由「識睇」變成「唔理數據」，而係重新思考：對一個要喺現實世界採取行動的 AI 來講，生成一段睇落逼真的影片，係咪真係最有效率的預測方式？

佢提出的答案係：未必。當模型已經可以合成合理的視覺觀察，繼續花大量計算資源逐格還原畫面，可能只係繞遠路。更直接的方法，係令模型預測的狀態本身就包含物件、狀態、關係、動作同因果變化，讓智能體可以喺潛在空間入面重組概念、比較行動後果，再作出規劃。110

由 AutoML、阿里星到自動駕駛感知

于开丞早期研究自動機器學習（AutoML），之後以「阿里星」身份加入阿里巴巴達摩院，轉向自動駕駛視覺感知。他參與的 BEVFusion，將鏡頭同 LiDAR（光學雷達）的資訊融合到共同的鳥瞰圖（BEV）物理表徵空間，成為多傳感器融合方向廣受引用的工作。10

呢段經歷令佢直接接觸到自動駕駛最現實的一面：數據規模同標註成本可以推動模型進步，但單靠不斷增加數據同算力，未必能夠解決機器人或車輛理解物理互動的問題。

2023 年，于开丞加入西湖大學，組建自主智能實驗室 AutoLab，最初仍然以生成式模型探索自動駕駛世界模型。其後，團隊在 2024 年贏得 ECCV 自動駕駛賽道，並於 2026 年登上 Fail2Drive 排名首位；相關成績見於同期報道。10

但有趣的是，正正係喺取得亮眼成績之後，團隊開始質疑生成像素本身係咪值得成為世界模型的核心目標。

點解「生成逼真畫面」可能只係昂貴繞路？

世界模型的關鍵問題，唔單止係「下一格畫面會係點」，而係「如果我做某個動作，環境會變成點」。如果目標係預測行動後果及支援決策，模型未必要每次都重建所有光影、紋理同背景細節。

以一個簡單例子講，智能體要接住跌落嚟的杯，同時關埋一度門。真正重要的資訊，係杯的運動、手的位置、門的狀態、兩個動作之間的時間關係，以及動作會唔會互相干擾；未必係畫面每一粒像素的精準變化。110

於开丞的判斷係，影片生成可以帶來視覺真實感，但視覺真實感並不等於物理理解。若然模型已經理解世界，卻仍要花大量算力反覆「畫返個世界」，就可能將預測工作放咗喺一個過於昂貴、又未必最貼近任務的中間目標上。110

2024 年底轉向：由像素空間走入概念空間

據報道，團隊於 2024 年底由像素生成轉向端到端學習的數學潛在空間。呢個方向後來被稱為「概念世界模型」（Concept World Model）。它唔再直接生成下一格圖像，而係嘗試將場景拆解成有限數量、可以重用及組合的物理概念，再預測下一個狀態。1

所謂「隱式」，唔代表個模型入面乜都冇結構。Awomo 的主張係，潛在狀態應該承載一套同物理世界有關的概念，例如：

• 場景入面的實體及物件；
• 物件之間的空間關係；
• 物件當前的狀態；
• 智能體可以採取的動作；
• 動作引起的狀態轉移及因果變化。111

用呢種方式，模型唔需要見過每一個完整情境，先至識得處理它。只要佢分別學識「杯」、「跌落」、「伸手」、「關門」等概念，以及它們之間的關係，就有機會將概念重新組合，推演出訓練資料中未曾完整出現的組合。這正是團隊所強調的組合式泛化（compositional generalization）。1

同 JEPA 有咩關係？分別又喺邊？

呢條路線同 Yann LeCun 提出的 JEPA，屬於同一個較大的潛在表徵預測家族：模型預測的是表徵或狀態，而唔係將所有像素重新畫一次。1

Awomo 所講的分別，主要係「潛在空間入面究竟放乜」。於开丞認為，JEPA 的核心概念留有一個開放問題：潛在變量應該代表咩內容？Awomo 就提出，答案可以係一套可組合的物理概念，包括實體、空間、狀態、動作同因果關係。1

不過，呢個係 Awomo 的研究假設及架構主張，唔可以當成已經由獨立研究確立的優勢。要證明它優於其他潛在空間方法，仍然需要公開、可重現的實驗比較。

2025 年內部測試顯示咩？證據又有幾足？

Awomo 報告指，2025 年內部實驗中，加入概念拆解及概念關聯機制後，模型在複雜任務的成功率較模仿學習及強化學習基線有所提升，同時降低了預測成本。1

但目前公開報道並未交代完整實驗方案，包括：

• 模型規模及訓練細節；
• 任務分佈及測試條件；
• 實際成功率數字；
• 信賴區間及統計檢驗；
• 消融實驗；
• 公開程式碼；
• 獨立團隊重現結果。

所以，現階段可以確認的是團隊曾經觀察到正面內部結果，但未足以公開判定優勢到底有幾大。1

於开丞用「一邊接跌杯、一邊關門」去說明概念模型的潛在好處：模型需要同時掌握多個正在發生的狀態轉變，以及它們之間的因果限制，而唔係單純由示範資料庫揀一個最相似的動作模式。1

呢個例子係技術路線的動機說明，唔係已經獲得驗證的 benchmark 成績。換句話講，概念世界模型要真正證明自己，仍然要面對長時序推理、陌生組合、感知不完整，以及由模擬環境轉移到真實機械人的測試。

點解於开丞認為 VLA 同「加示範」會遇到樽頸？

VLA（Vision-Language-Action）模型通常將視覺、語言指令同動作對接，透過大量示範學習「見到某種情況應該點做」。呢個方法可以有效處理已知任務，但於开丞認為，當任務組合、物件狀態及環境變化不斷增加，單純再加入數據或示範，可能會出現回報遞減。

原因係，示範通常描述的是完整情境；現實世界卻充滿從未完整示範過的組合。概念式方法希望將情境拆成可以重用的元素，再於推理時重新組合。理論上，這能減少「每種新情況都要重新收集一批示範」的需要。1

但「理論上可以組合」同「真實世界一定泛化到」之間，仍然有一段距離。概念是否真的對應物理規律、模型能否保持長期一致性，以及遇到錯誤時能否自我修正，都要靠更完整的實驗去回答。

研究如何變成 Awomo？

相關研究其後公司化為西湖數智科技（杭州）有限公司，英文品牌為 Awomo，於 2026 年 1 月 8 日在杭州市西湖區註冊。公司表示，業務聚焦 Physical AI（物理智能），應用範圍包括自動駕駛、機械人、工業智能設備、智能硬件，以及仿真數據生成。11

報道指，公司最初由於开丞及首席科學家 Tong 組成核心，之後由西湖大學 AutoLab 團隊逐步擴大。1 團隊成員被形容為「持續證明過自己的小天才」；但呢句屬於宣傳式描述，唔係可以獨立核實的人員能力指標。1

Awomo 其後公布完成種子輪及天使輪系列融資，累計金額超過 1 億元人民幣。公布的投資方包括英諾基金、東方嘉富基金、正軒投資、天啟資本、西湖創新基金及金螞投資。13

Awomo-v0.1 的首次公開亮相

2026 年 8 月的報道將 Awomo-v0.1 形容為概念世界模型路線的首個公開版本，並提到團隊在 RoboTwin 2.0 上進行評估。RoboTwin 2.0 是一個面向雙臂機械人操作的仿真數據生成及評測框架，重點在於測試複雜操作的穩健性。13

不過，在 RoboTwin 2.0 出現，最多只代表它有一個早期公開評測場景，並不等於已經證明模型可以泛化到真實機械人、符合安全要求，或者勝過其他主流方案。要作出較可靠的判斷，仍需要公開 benchmark 分數、清晰的基線設定、完整消融結果，以及由仿真轉移到真實世界的測試。

一句講晒：佢推翻的唔係數據，而係數據的中間表示

于开丞的路線轉變，與其話係由「數據驅動」轉去「反數據」，不如話係重新定義數據應該服務甚麼目標。BEVFusion 時代，重點係將不同傳感器放入共同物理空間，改善感知及標註效率；概念世界模型則再行前一步，嘗試令模型直接學習世界狀態如何變化。

如果呢條路線成功，AI 需要記住的就唔係每一段影片的所有像素，而係一套可以拆開、重組、推演的物理概念。但截至目前，Awomo 的公開證據仍主要來自團隊及相關報道，距離獨立、可重現及真實世界驗證，仲有一段路要行。

于开丞的技術轉向，並唔係由「識睇」變成「唔理數據」，而係重新思考：對一個要喺現實世界採取行動的 AI 來講，生成一段睇落逼真的影片，係咪真係最有效率的預測方式？

佢提出的答案係：未必。當模型已經可以合成合理的視覺觀察，繼續花大量計算資源逐格還原畫面，可能只係繞遠路。更直接的方法，係令模型預測的狀態本身就包含物件、狀態、關係、動作同因果變化，讓智能體可以喺潛在空間入面重組概念、比較行動後果，再作出規劃。110

由 AutoML、阿里星到自動駕駛感知

于开丞早期研究自動機器學習（AutoML），之後以「阿里星」身份加入阿里巴巴達摩院，轉向自動駕駛視覺感知。他參與的 BEVFusion，將鏡頭同 LiDAR（光學雷達）的資訊融合到共同的鳥瞰圖（BEV）物理表徵空間，成為多傳感器融合方向廣受引用的工作。10

呢段經歷令佢直接接觸到自動駕駛最現實的一面：數據規模同標註成本可以推動模型進步，但單靠不斷增加數據同算力，未必能夠解決機器人或車輛理解物理互動的問題。

2023 年，于开丞加入西湖大學，組建自主智能實驗室 AutoLab，最初仍然以生成式模型探索自動駕駛世界模型。其後，團隊在 2024 年贏得 ECCV 自動駕駛賽道，並於 2026 年登上 Fail2Drive 排名首位；相關成績見於同期報道。10

但有趣的是，正正係喺取得亮眼成績之後，團隊開始質疑生成像素本身係咪值得成為世界模型的核心目標。

點解「生成逼真畫面」可能只係昂貴繞路？

世界模型的關鍵問題，唔單止係「下一格畫面會係點」，而係「如果我做某個動作，環境會變成點」。如果目標係預測行動後果及支援決策，模型未必要每次都重建所有光影、紋理同背景細節。

以一個簡單例子講，智能體要接住跌落嚟的杯，同時關埋一度門。真正重要的資訊，係杯的運動、手的位置、門的狀態、兩個動作之間的時間關係，以及動作會唔會互相干擾；未必係畫面每一粒像素的精準變化。110

於开丞的判斷係，影片生成可以帶來視覺真實感，但視覺真實感並不等於物理理解。若然模型已經理解世界，卻仍要花大量算力反覆「畫返個世界」，就可能將預測工作放咗喺一個過於昂貴、又未必最貼近任務的中間目標上。110

2024 年底轉向：由像素空間走入概念空間

據報道，團隊於 2024 年底由像素生成轉向端到端學習的數學潛在空間。呢個方向後來被稱為「概念世界模型」（Concept World Model）。它唔再直接生成下一格圖像，而係嘗試將場景拆解成有限數量、可以重用及組合的物理概念，再預測下一個狀態。1

所謂「隱式」，唔代表個模型入面乜都冇結構。Awomo 的主張係，潛在狀態應該承載一套同物理世界有關的概念，例如：

• 場景入面的實體及物件；
• 物件之間的空間關係；
• 物件當前的狀態；
• 智能體可以採取的動作；
• 動作引起的狀態轉移及因果變化。111

用呢種方式，模型唔需要見過每一個完整情境，先至識得處理它。只要佢分別學識「杯」、「跌落」、「伸手」、「關門」等概念，以及它們之間的關係，就有機會將概念重新組合，推演出訓練資料中未曾完整出現的組合。這正是團隊所強調的組合式泛化（compositional generalization）。1

同 JEPA 有咩關係？分別又喺邊？

呢條路線同 Yann LeCun 提出的 JEPA，屬於同一個較大的潛在表徵預測家族：模型預測的是表徵或狀態，而唔係將所有像素重新畫一次。1

Awomo 所講的分別，主要係「潛在空間入面究竟放乜」。於开丞認為，JEPA 的核心概念留有一個開放問題：潛在變量應該代表咩內容？Awomo 就提出，答案可以係一套可組合的物理概念，包括實體、空間、狀態、動作同因果關係。1

不過，呢個係 Awomo 的研究假設及架構主張，唔可以當成已經由獨立研究確立的優勢。要證明它優於其他潛在空間方法，仍然需要公開、可重現的實驗比較。

2025 年內部測試顯示咩？證據又有幾足？

Awomo 報告指，2025 年內部實驗中，加入概念拆解及概念關聯機制後，模型在複雜任務的成功率較模仿學習及強化學習基線有所提升，同時降低了預測成本。1

但目前公開報道並未交代完整實驗方案，包括：

• 模型規模及訓練細節；
• 任務分佈及測試條件；
• 實際成功率數字；
• 信賴區間及統計檢驗；
• 消融實驗；
• 公開程式碼；
• 獨立團隊重現結果。

所以，現階段可以確認的是團隊曾經觀察到正面內部結果，但未足以公開判定優勢到底有幾大。1

於开丞用「一邊接跌杯、一邊關門」去說明概念模型的潛在好處：模型需要同時掌握多個正在發生的狀態轉變，以及它們之間的因果限制，而唔係單純由示範資料庫揀一個最相似的動作模式。1

呢個例子係技術路線的動機說明，唔係已經獲得驗證的 benchmark 成績。換句話講，概念世界模型要真正證明自己，仍然要面對長時序推理、陌生組合、感知不完整，以及由模擬環境轉移到真實機械人的測試。

點解於开丞認為 VLA 同「加示範」會遇到樽頸？

VLA（Vision-Language-Action）模型通常將視覺、語言指令同動作對接，透過大量示範學習「見到某種情況應該點做」。呢個方法可以有效處理已知任務，但於开丞認為，當任務組合、物件狀態及環境變化不斷增加，單純再加入數據或示範，可能會出現回報遞減。

原因係，示範通常描述的是完整情境；現實世界卻充滿從未完整示範過的組合。概念式方法希望將情境拆成可以重用的元素，再於推理時重新組合。理論上，這能減少「每種新情況都要重新收集一批示範」的需要。1

但「理論上可以組合」同「真實世界一定泛化到」之間，仍然有一段距離。概念是否真的對應物理規律、模型能否保持長期一致性，以及遇到錯誤時能否自我修正，都要靠更完整的實驗去回答。

研究如何變成 Awomo？

相關研究其後公司化為西湖數智科技（杭州）有限公司，英文品牌為 Awomo，於 2026 年 1 月 8 日在杭州市西湖區註冊。公司表示，業務聚焦 Physical AI（物理智能），應用範圍包括自動駕駛、機械人、工業智能設備、智能硬件，以及仿真數據生成。11

報道指，公司最初由於开丞及首席科學家 Tong 組成核心，之後由西湖大學 AutoLab 團隊逐步擴大。1 團隊成員被形容為「持續證明過自己的小天才」；但呢句屬於宣傳式描述，唔係可以獨立核實的人員能力指標。1

Awomo 其後公布完成種子輪及天使輪系列融資，累計金額超過 1 億元人民幣。公布的投資方包括英諾基金、東方嘉富基金、正軒投資、天啟資本、西湖創新基金及金螞投資。13

Awomo-v0.1 的首次公開亮相

2026 年 8 月的報道將 Awomo-v0.1 形容為概念世界模型路線的首個公開版本，並提到團隊在 RoboTwin 2.0 上進行評估。RoboTwin 2.0 是一個面向雙臂機械人操作的仿真數據生成及評測框架，重點在於測試複雜操作的穩健性。13

不過，在 RoboTwin 2.0 出現，最多只代表它有一個早期公開評測場景，並不等於已經證明模型可以泛化到真實機械人、符合安全要求，或者勝過其他主流方案。要作出較可靠的判斷，仍需要公開 benchmark 分數、清晰的基線設定、完整消融結果，以及由仿真轉移到真實世界的測試。

一句講晒：佢推翻的唔係數據，而係數據的中間表示

于开丞的路線轉變，與其話係由「數據驅動」轉去「反數據」，不如話係重新定義數據應該服務甚麼目標。BEVFusion 時代，重點係將不同傳感器放入共同物理空間，改善感知及標註效率；概念世界模型則再行前一步，嘗試令模型直接學習世界狀態如何變化。

如果呢條路線成功，AI 需要記住的就唔係每一段影片的所有像素，而係一套可以拆開、重組、推演的物理概念。但截至目前，Awomo 的公開證據仍主要來自團隊及相關報道，距離獨立、可重現及真實世界驗證，仲有一段路要行。