Когда Юй Кайчэн впервые начал говорить о моделях мира в 2023 году, реакцией было то, что эта область слишком далека, граничащая с фантастикой. Однако спустя три года, на фоне активности таких фигур, как Фэй-Фэй Ли и Ян ЛеКун, а также привлечения миллиардов новых участников, модели мира стали центральной темой в сфере физического искусственного интеллекта.
Юй, который к тому моменту уже был чемпионом мира на треке автономного вождения ECCV и занимал первое место в бенчмарке Fail2Drive, принял решение, которое кажется наименее интуитивным для исследователя: он отказался от той самой методики, которая принесла ему эти титулы.
Его карьерный путь начался в DAMO Academy компании Alibaba, где он присоединился в качестве Alibaba Star после получения докторской степени по AutoML. Его работа BEVFusion, объединяющая данные LiDAR и камеры в единое физическое пространство, стала одной из наиболее цитируемых работ в области мультисенсорного восприятия и заметным достижением на NeurIPS 2022.
После работы в DAMO в 2023 году он перешел в Westlake University, чтобы создать AutoLab, где он занимался разработкой генеративных моделей мира для автономного вождения. Работа по внедрению с ведущим китайским производителем автомобилей помогла развеять старые предположения. Юй пришел к выводу, что если модель способна генерировать реалистичные данные, значит, она уже частично понимает мир, и дальнейшее рендеринг пикселей является лишь дорогостоящим отступлением.
В конце 2024 года команда сменила направление на имплицитный подход. Модель перестала отрисовывать пиксели; вместо этого она начала строить представления физических концепций в абстрактном математическом латентном пространстве, разбивать сцены на конечный набор составных концепций и комбинировать их для обработки ситуаций, которые никогда полностью не встречались в обучающих данных. Юй сравнивает это с имплицитным подходом ЛеКуна JEPA, но с иным ответом на вопрос о содержимом латентного пространства: здесь используются составные физические концепции, изученные сквозным образом.
Внутренние эксперименты, проведенные в 2025 году, продемонстрировали значительное повышение показателя успеха в сложных задачах по сравнению с базовыми моделями имитационного и обучения с подкреплением, при этом сохраняя более низкую стоимость прогнозирования.
В январе 2026 года Юй вывел свои исследования из лаборатории в компанию Awomo, базирующуюся в Ханчжоу. Изначально основателями были только Юй и главный научный сотрудник Тун; через пять месяцев к ним присоединилась группа, которую Юй описывает как «последовательно самопроверяющие гении». Awomo успешно закрыла раунд посевного и ангельского финансирования на сумму свыше 100 миллионов юаней, получив поддержку от InnoFund, Dongfang Jiafu Fund, Zhengxuan Investment, Tianqi Capital, Westlake Innovation Fund и Jinma Investment.
Основная ставка Awomo заключается в том, что предел масштабирования, который Юй помогал создавать ранее, не распространяется на физический интеллект. Модель типа VLA, дообученная на большем количестве демонстраций, не сможет внезапно понять новую планировку фабрики. Вместо этого модель, научившаяся декомпозировать сцену на концепции, может перекомпоновывать их на лету: например, ловить падающую чашку, одновременно закрывая дверь, вместо механического завершения одной подзадачи перед началом следующей. Первая версия, Awomo-v0.1, уже была протестирована на тестовом полигоне RoboTwin 2.0.
Воплощенный ИИ (Embodied AI) стал самой громкой гонкой в области робототехники в 2026 году. На выставке WAIC в прошлом месяце демонстрации человекоподобных роботов, которые танцуют и дерутся, уступили место показам роботов, работающих на реальных производственных линиях, выполняя задачи по сборке, сортировке и подбору деталей на полномасштабных копиях фабрик.
Инвесторы активно следили за этим направлением: в первой половине 2026 года более 300 сделок в сфере воплощенного ИИ и смежных цепочек поставок в Китае превысили 90 миллиардов юаней. Кроме того, количество сотрудников, занятых в ролях, связанных с воплощенным ИИ, увеличилось в четыре раза всего за первые четыре месяца.
Однако за всей этой активностью скрывается общая проблема — данные. Модели, чья вычислительная мощность ограничена, и алгоритмы, чьи возможности ограничены, теперь сталкиваются с тем, что именно данные ограничивают потенциал развития. Роботы не могут автоматически усваивать накопленный интернет-контент, такой как текст, изображения и видео. Им необходим иной массив информации: понимание трения между материалами, сил, возникающих при работе с разными весами, а также причинно-следственная связь между захватом и объектом — вся тонкая физика, которую веб-сайты не предоставляют.
По мнению отраслевых экспертов, глобальный запас высококачественных данных для манипуляций составляет всего несколько сотен тысяч часов, тогда как для поддержки универсального робота, вероятно, потребуется десятки миллионов часов.
Телеоперация позволяет собирать данные высокой точности, но это дорогостоящий процесс. Видеосъемка от первого лица масштабируется дешево, однако ей не хватает детализации по суставам, силам и траекториям. Чистая симуляция же терпит неудачу при переносе из виртуальной среды в реальный мир. Основатель и генеральный директор WUWENAI, Лю Шэнсян, который ранее руководил проектами по данным и тестированию автономного вождения в Baidu, рассматривает эти методы не как альтернативы, а как единый конвейер.
Система включает многомодальные комплексы сбора данных в реальных условиях для постоянного получения данных о физическом взаимодействии. Параллельно генеративная мировая модель расширяет сценарии и крайние случаи в симуляции, а оба элемента непрерывно используются для обучения и дальнейшего производства данных. WUWENAI называет это «замкнутой системой слияния виртуального и реального данных», которая построена на трех составляющих: Фабрике Данных, Мировой Модели и Мировом Симуляторе, который обеспечивает обучение, оценку и обратную связь в больших масштабах.
Лю считает, что компания выходит за рамки просто платформы для снабжения данными. Как только высокоточный мировой симулятор сможет надежно воспроизводить реальную физику, робот сможет выполнить маневр уровня AlphaGo, провести миллионы недорогих циклов проб и ошибок в симуляции и перейти от имитационного обучения к обучению с подкреплением. WUWENAI начала поставлять этот стек Real2Sim2Real за несколько месяцев до недавнего приобретения SceniX компанией World Labs.
Лю подчеркивает параллель как сигнал для отрасли: мировые модели становятся инфраструктурой только тогда, когда они интегрированы с реальными данными, робототехнической симуляцией, масштабированным обучением и обратной связью из реального мира. Одних только видео и генерация 3D недостаточно.
Ставка компании носит структурный, а не продуктовый характер. Модели воплощенного ИИ ограничены не столько количеством параметров, сколько объемом потребляемых ими данных, и индустрия данных трансформируется от простого сбора сырых данных к созданию оркестрированной инфраструктуры. Следующее испытание для китайского стартапа WUWENAI заключается в том, сможет ли он стать компанией мирового класса в области физического ИИ-инфраструктуры на фоне таких гигантов, как World Labs, Tesla с Optimus и Google DeepMind, которые развивают свои собственные стеки параллельно. Дорога прокладывается в любом случае, и WUWENAI решила взять на себя задачу укладчика асфальта.
