于開丞的技術轉向，並不是對電腦視覺、感知系統或大規模資料的全盤否定。更準確地說，這是他在實際自動駕駛與世界模型研究中形成的一個判斷：當 AI 已經能夠合成看似合理的影像或影片，繼續把每一個像素都渲染出來，未必是控制與決策最有效率的預測目標。

他所提出的替代方案，是讓模型直接維護一個結構化的預測狀態：其中包含物體、狀態、空間關係、動作以及因果變化。如此一來，智能體可以在潛在空間中重組概念、預測行動後果，而不必每次都先生成完整影片。110

從 AutoML、阿里巴巴到西湖大學

于開丞早期研究自動機器學習（AutoML），之後以「阿里星」人才計畫成員身分加入阿里巴巴達摩院，轉向自動駕駛視覺感知研究。其代表性工作 BEVFusion，將攝影機與光達（LiDAR）資料統一到共同的鳥瞰視角（Bird’s-Eye View，BEV）表徵空間，藉此保留幾何與語義資訊，成為多感測器融合領域廣受引用的研究之一。10

2023 年，于開丞加入西湖大學並組建自主智能實驗室 AutoLab。團隊最初仍從生成式自動駕駛世界模型出發，探索如何利用影片與模擬資料預測環境變化。相關報導稱，團隊後來在 2024 年的 ECCV 自動駕駛賽道取得第一，並在 2026 年的 Fail2Drive 排名中位居前列。10

但在這條路線上持續推進後，團隊提出了一個看似簡單、實際上十分關鍵的問題：如果模型真正需要回答的是「我採取某個動作後，世界會怎樣改變」，那麼逐幀重建所有視覺細節，是否只是繞遠路？110

為什麼不再把像素當成主要預測對象？

像素級生成的優點是直觀：模型可以產生影像、影片或模擬畫面，讓人直接檢查結果是否逼真。但對機器人或自動駕駛系統而言，視覺真實感與可操作的物理理解並不是同一件事。

一個模型即使能生成相當逼真的畫面，也不代表它一定能可靠判斷：杯子何時會掉落、門的移動會不會影響手部軌跡，或某個動作會如何改變周遭物體。若目標是規劃與控制，模型真正需要的可能不是「下一幀長什麼樣」，而是「哪些實體發生了什麼狀態變化，以及這些變化如何受到動作與因果關係約束」。

因此，於開丞的說法不是「資料越多越沒有用」，而是認為資料與算力若主要被用來反覆渲染視覺外觀，可能無法等比例轉化為物理智能。110

什麼是概念世界模型？

2024 年底，團隊據報轉向隱式路線，提出「概念世界模型」（Concept World Model）。它不再把像素或影片畫面作為主要的生成對象，而是在抽象的數學潛在空間中，學習一組有限、可重複使用且能互相組合的物理概念。1

按照 Awomo 的描述，模型希望將複雜場景拆解為多個層次，例如：

• 場景中的實體與物體；
• 物體目前所處的狀態；
• 物體之間的空間關係；
• 智能體正在執行或準備執行的動作；
• 動作引發的狀態轉換與因果限制。111

這裡的「隱式」並不等於沒有結構，也不只是把影像壓縮成一個更小的向量。Awomo 的核心主張是：潛在狀態應該承載與物理世界有關、並且可以被重新組合的概念，而不只是視覺外觀的壓縮表示。111

其所期待的關鍵能力，是「組合式泛化」。如果模型分別學會了「杯子」「下落」「手部移動」「門的開合」等概念，理論上便可能在沒有看過完整示範的情況下，推演這些概念的新組合，而不必為每一種完整情境準備大量示範資料。1

與 JEPA 相似，但差異在於潛在空間裡放了什麼

這條路線與 Yann LeCun 提倡的 JEPA（Joint Embedding Predictive Architecture）同屬一個廣義方向：模型預測另一個表徵，而不是直接重建全部像素。1

Awomo 所主張的差異，主要在語義與架構層面。于開丞認為，JEPA 的基本框架並未預先回答「潛在變數應該代表什麼」；概念世界模型則試圖明確指定一套可組合的物理概念詞彙，讓模型以實體、狀態、關係與因果變化作為推演單位。1

不過，這目前仍是研究假設與技術主張，並非已由獨立研究充分證明的優勢。兩者都在潛在空間進行預測，真正的差異仍取決於概念是否能被穩定學習、是否具有可解釋性，以及能否在真實環境中轉化為更可靠的行動。1

2025 年內部實驗顯示了什麼？

Awomo 表示，2025 年的內部實驗顯示，在加入概念拆解與概念關聯機制後，模型在複雜任務上的成功率相較模仿學習與強化學習基線有所提升，同時預測成本較低。1

但目前公開報導並未提供完整的實驗設計、模型規模、任務分布、具體成功率、信賴區間、消融實驗、程式碼或獨立複現結果。因此，這些結果可以說明團隊觀察到初步訊號，卻還不足以判定技術優勢的實際幅度。1

「一邊關門、一邊接住掉落的杯子」是于開丞用來說明概念模型價值的例子。這類任務同時包含多個狀態變化與因果約束，理想上需要模型把它們放在同一個狀態空間中協同推演，而不是從示範資料裡尋找最接近的單一動作模式。1

但這個例子應被理解為技術路線的動機與直觀說明，而不是已經通過公開基準驗證的實驗結果。1

為何于開丞認為 VLA 與示範資料存在上限？

VLA 模型通常指把視覺、語言與動作連結起來的模型。這類系統可以透過更多資料與示範學習「看到什麼、聽到什麼，以及接下來應該怎麼做」。

于開丞的疑慮是，若模型主要依賴完整情境的示範，資料規模終究難以涵蓋物理世界中所有可能的物體組合、干擾因素與同時發生的事件。繼續增加資料可能在早期帶來明顯改善，但當模型需要面對訓練資料中沒有完整出現過的新組合時，單純擴大示範數量可能出現邊際效益下降。1

概念世界模型希望把學習目標從「記住完整場景與動作對」轉向「掌握可重組的概念及其變化規律」。若這一假設成立，模型便可能用較少的基本概念推演更多新情境；但它是否能在真實機器人上穩定實現，仍有待更完整的公開評測。

研究如何變成 Awomo？

這項研究後來被公司化為西湖數智科技（杭州）有限責任公司，英文品牌為 Awomo。公司於 2026 年 1 月 8 日在杭州市西湖區註冊，定位為物理智能（Physical AI）技術開發商，應用方向涵蓋自動駕駛、通用機器人、工業智能設備、智能硬體與仿真資料生成。11

相關報導稱，團隊最初由創辦人于開丞與首席科學家 Tong 組成，之後逐步從西湖大學 AutoLab 擴展。報導中將部分成員形容為「持續證明過自己的小天才」，但這屬於宣傳性描述，不能視為可獨立驗證的人才評估指標。1

2026 年 8 月，Awomo 宣布已完成種子輪與天使輪系列融資，累計金額超過人民幣 1 億元，投資方包括英諾基金、東方嘉富基金、正軒投資、天啟資本、西湖創新投資基金與金螞投資等。13

Awomo-v0.1 與 RoboTwin 2.0：初次公開亮相代表什麼？

2026 年 8 月的報導將 Awomo-v0.1 介紹為概念世界模型路線的首個公開版本，並提到其在 RoboTwin 2.0 上進行評測。RoboTwin 2.0 是一套面向強健雙臂機器人操作的仿真資料生成與基準框架，重點在於透過多樣化場景與統一測試協議，檢驗機器人的操作泛化能力。13

這次亮相代表 Awomo 開始提供可被外界關注的評測入口，但本身不能直接證明模型已具備真實機器人泛化能力、安全性，或相較主流方法的整體優勢。要判斷這條路線是否真正成立，仍需要公開基準分數、清楚的比較基線、完整實驗細節，以及從仿真環境轉移到真實世界的結果。

真正的問題：它能否把「概念」變成可靠行動？

于開丞的職涯恰好跨過了兩種看似不同、實際上前後相連的 AI 觀點：一端是透過感知融合與大規模資料提高自動駕駛系統的辨識能力；另一端則是試圖讓模型直接學習世界狀態如何因動作而變化。

從 BEVFusion 到概念世界模型，核心問題並沒有改變：AI 如何在不確定、連續變化的物理環境中作出可靠決策？改變的是答案的重心——從整合更多觀測、生成更逼真的畫面，轉向在潛在空間中維護更適合預測與規劃的狀態表示。

這個方向能否超越現有資料驅動方法，目前仍不能只靠公司自述或早期公開亮相下定論。它的價值，最終仍要由可重現的實驗、真實世界部署，以及面對未見情境時的穩定行動能力來回答。

于開丞的技術轉向，並不是對電腦視覺、感知系統或大規模資料的全盤否定。更準確地說，這是他在實際自動駕駛與世界模型研究中形成的一個判斷：當 AI 已經能夠合成看似合理的影像或影片，繼續把每一個像素都渲染出來，未必是控制與決策最有效率的預測目標。

他所提出的替代方案，是讓模型直接維護一個結構化的預測狀態：其中包含物體、狀態、空間關係、動作以及因果變化。如此一來，智能體可以在潛在空間中重組概念、預測行動後果，而不必每次都先生成完整影片。110

從 AutoML、阿里巴巴到西湖大學

于開丞早期研究自動機器學習（AutoML），之後以「阿里星」人才計畫成員身分加入阿里巴巴達摩院，轉向自動駕駛視覺感知研究。其代表性工作 BEVFusion，將攝影機與光達（LiDAR）資料統一到共同的鳥瞰視角（Bird’s-Eye View，BEV）表徵空間，藉此保留幾何與語義資訊，成為多感測器融合領域廣受引用的研究之一。10

2023 年，于開丞加入西湖大學並組建自主智能實驗室 AutoLab。團隊最初仍從生成式自動駕駛世界模型出發，探索如何利用影片與模擬資料預測環境變化。相關報導稱，團隊後來在 2024 年的 ECCV 自動駕駛賽道取得第一，並在 2026 年的 Fail2Drive 排名中位居前列。10

但在這條路線上持續推進後，團隊提出了一個看似簡單、實際上十分關鍵的問題：如果模型真正需要回答的是「我採取某個動作後，世界會怎樣改變」，那麼逐幀重建所有視覺細節，是否只是繞遠路？110

為什麼不再把像素當成主要預測對象？

像素級生成的優點是直觀：模型可以產生影像、影片或模擬畫面，讓人直接檢查結果是否逼真。但對機器人或自動駕駛系統而言，視覺真實感與可操作的物理理解並不是同一件事。

一個模型即使能生成相當逼真的畫面，也不代表它一定能可靠判斷：杯子何時會掉落、門的移動會不會影響手部軌跡，或某個動作會如何改變周遭物體。若目標是規劃與控制，模型真正需要的可能不是「下一幀長什麼樣」，而是「哪些實體發生了什麼狀態變化，以及這些變化如何受到動作與因果關係約束」。

因此，於開丞的說法不是「資料越多越沒有用」，而是認為資料與算力若主要被用來反覆渲染視覺外觀，可能無法等比例轉化為物理智能。110

什麼是概念世界模型？

2024 年底，團隊據報轉向隱式路線，提出「概念世界模型」（Concept World Model）。它不再把像素或影片畫面作為主要的生成對象，而是在抽象的數學潛在空間中，學習一組有限、可重複使用且能互相組合的物理概念。1

按照 Awomo 的描述，模型希望將複雜場景拆解為多個層次，例如：

• 場景中的實體與物體；
• 物體目前所處的狀態；
• 物體之間的空間關係；
• 智能體正在執行或準備執行的動作；
• 動作引發的狀態轉換與因果限制。111

這裡的「隱式」並不等於沒有結構，也不只是把影像壓縮成一個更小的向量。Awomo 的核心主張是：潛在狀態應該承載與物理世界有關、並且可以被重新組合的概念，而不只是視覺外觀的壓縮表示。111

其所期待的關鍵能力，是「組合式泛化」。如果模型分別學會了「杯子」「下落」「手部移動」「門的開合」等概念，理論上便可能在沒有看過完整示範的情況下，推演這些概念的新組合，而不必為每一種完整情境準備大量示範資料。1

與 JEPA 相似，但差異在於潛在空間裡放了什麼

這條路線與 Yann LeCun 提倡的 JEPA（Joint Embedding Predictive Architecture）同屬一個廣義方向：模型預測另一個表徵，而不是直接重建全部像素。1

Awomo 所主張的差異，主要在語義與架構層面。于開丞認為，JEPA 的基本框架並未預先回答「潛在變數應該代表什麼」；概念世界模型則試圖明確指定一套可組合的物理概念詞彙，讓模型以實體、狀態、關係與因果變化作為推演單位。1

不過，這目前仍是研究假設與技術主張，並非已由獨立研究充分證明的優勢。兩者都在潛在空間進行預測，真正的差異仍取決於概念是否能被穩定學習、是否具有可解釋性，以及能否在真實環境中轉化為更可靠的行動。1

2025 年內部實驗顯示了什麼？

Awomo 表示，2025 年的內部實驗顯示，在加入概念拆解與概念關聯機制後，模型在複雜任務上的成功率相較模仿學習與強化學習基線有所提升，同時預測成本較低。1

但目前公開報導並未提供完整的實驗設計、模型規模、任務分布、具體成功率、信賴區間、消融實驗、程式碼或獨立複現結果。因此，這些結果可以說明團隊觀察到初步訊號，卻還不足以判定技術優勢的實際幅度。1

「一邊關門、一邊接住掉落的杯子」是于開丞用來說明概念模型價值的例子。這類任務同時包含多個狀態變化與因果約束，理想上需要模型把它們放在同一個狀態空間中協同推演，而不是從示範資料裡尋找最接近的單一動作模式。1

但這個例子應被理解為技術路線的動機與直觀說明，而不是已經通過公開基準驗證的實驗結果。1

為何于開丞認為 VLA 與示範資料存在上限？

VLA 模型通常指把視覺、語言與動作連結起來的模型。這類系統可以透過更多資料與示範學習「看到什麼、聽到什麼，以及接下來應該怎麼做」。

于開丞的疑慮是，若模型主要依賴完整情境的示範，資料規模終究難以涵蓋物理世界中所有可能的物體組合、干擾因素與同時發生的事件。繼續增加資料可能在早期帶來明顯改善，但當模型需要面對訓練資料中沒有完整出現過的新組合時，單純擴大示範數量可能出現邊際效益下降。1

概念世界模型希望把學習目標從「記住完整場景與動作對」轉向「掌握可重組的概念及其變化規律」。若這一假設成立，模型便可能用較少的基本概念推演更多新情境；但它是否能在真實機器人上穩定實現，仍有待更完整的公開評測。

研究如何變成 Awomo？

這項研究後來被公司化為西湖數智科技（杭州）有限責任公司，英文品牌為 Awomo。公司於 2026 年 1 月 8 日在杭州市西湖區註冊，定位為物理智能（Physical AI）技術開發商，應用方向涵蓋自動駕駛、通用機器人、工業智能設備、智能硬體與仿真資料生成。11

相關報導稱，團隊最初由創辦人于開丞與首席科學家 Tong 組成，之後逐步從西湖大學 AutoLab 擴展。報導中將部分成員形容為「持續證明過自己的小天才」，但這屬於宣傳性描述，不能視為可獨立驗證的人才評估指標。1

2026 年 8 月，Awomo 宣布已完成種子輪與天使輪系列融資，累計金額超過人民幣 1 億元，投資方包括英諾基金、東方嘉富基金、正軒投資、天啟資本、西湖創新投資基金與金螞投資等。13

Awomo-v0.1 與 RoboTwin 2.0：初次公開亮相代表什麼？

2026 年 8 月的報導將 Awomo-v0.1 介紹為概念世界模型路線的首個公開版本，並提到其在 RoboTwin 2.0 上進行評測。RoboTwin 2.0 是一套面向強健雙臂機器人操作的仿真資料生成與基準框架，重點在於透過多樣化場景與統一測試協議，檢驗機器人的操作泛化能力。13

這次亮相代表 Awomo 開始提供可被外界關注的評測入口，但本身不能直接證明模型已具備真實機器人泛化能力、安全性，或相較主流方法的整體優勢。要判斷這條路線是否真正成立，仍需要公開基準分數、清楚的比較基線、完整實驗細節，以及從仿真環境轉移到真實世界的結果。

真正的問題：它能否把「概念」變成可靠行動？

于開丞的職涯恰好跨過了兩種看似不同、實際上前後相連的 AI 觀點：一端是透過感知融合與大規模資料提高自動駕駛系統的辨識能力；另一端則是試圖讓模型直接學習世界狀態如何因動作而變化。

從 BEVFusion 到概念世界模型，核心問題並沒有改變：AI 如何在不確定、連續變化的物理環境中作出可靠決策？改變的是答案的重心——從整合更多觀測、生成更逼真的畫面，轉向在潛在空間中維護更適合預測與規劃的狀態表示。

這個方向能否超越現有資料驅動方法，目前仍不能只靠公司自述或早期公開亮相下定論。它的價值，最終仍要由可重現的實驗、真實世界部署，以及面對未見情境時的穩定行動能力來回答。