Wang Naiyan, Leiter des L3-Bereichs von Xiaomi, ist aus dem Unternehmen ausgeschieden und wird sich künftig dem Unternehmertum im Bereich der Embodied Intelligence widmen.
Die besten KI-Gehirne strömen tatsächlich immer zu den herausforderndsten Schlachtfeldern.
Exklusiv von Quantum Bit / Intelligent Vehicle Reference erfahren: Dr. WANG Naiyan ist am 7. September offiziell von Xiaomi Automobile zurückgetreten.
Seine nächste Station ist die Embodied Intelligence.
Vom autonomen Fahren zur Embodied Intelligence, vom Lehren von Autos, den Weg zu sehen, zum Lehren von Robotern, die Welt zu verstehen – es scheint ein Wechsel der Wettbewerbsbahn zu sein, aber für WANG Naiyan ist es die Fortsetzung desselben Problems auf unterschiedlichen physischen Trägern, die zusammenfassende Darstellung und Umsetzung seiner über zehn Jahre unternehmerischen Tätigkeit und Überlegungen:
Wie soll KI in der realen Welt Entscheidungen treffen?
Diesmal beginnt WANG Naiyan, sein Verständnis auf der Ebene der grundlegenden Architektur umzusetzen.
WANG Naiyan verlässt Xiaomi und widmet sich der Embodied Intelligence
Der 7. September ist der Tag der offiziellen Markteinführung des ersten Reichweitenverlängerungsfahrzeugs von Xiaomi und auch der Ausgangspunkt, an dem Xiaomi seinen „Komfortbereich“ verlässt und seine systemische Fähigkeit als „Automobilhersteller“ in Bezug auf vollständigere Fahrzeugkategorien, Preisspannen, Energieformen usw. unter Beweis stellt.
Wie Quantum Bit / Intelligent Vehicle Reference erfahren hat, ist der 7. September auch der letzte Arbeitstag von WANG Naiyan bei Xiaomi Automobile.
Das heißt, genau wie Lei Jun hat WANG Naiyan am selben Tag den „Komfortbereich“ des autonomen Fahrgeschäfts verlassen und begonnen, sein KI-Verständnis, seine Erfahrungen und seine Fähigkeit, kontinuierlich neuen Wert zu schaffen, in allgemeineren Aufgaben der physischen Welt zu validieren –
Das neue Unternehmen konzentriert sich auf die Richtung des Gehirns der Embodied Intelligence, also die Kernwahrnehmungs-, Entscheidungs- und Planungsfähigkeit von Robotern.
Gleichzeitig schließt es die Möglichkeit nicht aus, eigene Körper zu entwickeln.
Auf Teamebene haben wir erfahren, dass WANG Naiyan ein schlankes Gründungsteam aufbaut, dessen Kernmitglieder mehrere ehemalige Mitarbeiter aus seiner Zeit bei TuSimple umfassen.
Dieses Team hat den gesamten unternehmerischen Prozess von 0 auf 1 mit ihm durchlebt, wurde langfristig in komplexen industriellen Szenarien getestet, hat sehr geringe Einarbeitungskosten und eine klare Kampfkraft.
Die Kapitalseite hat schnell reagiert. Es wird berichtet, dass mehrere führende Fonds großes Interesse zeigen und derzeit intensiv mit dem Team von WANG Naiyan in Kontakt stehen.
Embodied Intelligence ist nicht nur ein beliebtes Gebiet, sondern auch eine der sichersten langfristigen Richtungen im aktuellen KI-Bereich. Talente wie WANG Naiyan, die akademischen Einfluss, Erfahrungen in der industriellen Umsetzung und eine vollständige unternehmerische Laufbahn vereinen, sind genau die Objekte, nach denen das Kapital strebt.
Wer ist WANG Naiyan
WANG Naiyan trägt ein sehr seltenes Label: Er stand an den entscheidenden Knotenpunkten jeder KI-Welle genau auf dem Gipfel der Welle.
Im Jahr 2013, als Deep Learning gerade erst im Bereich der Bilderkennung seine Fähigkeit bewiesen hatte, nutzte WANG Naiyan, der noch an der Hong Kong University of Science and Technology promovierte, Deep Learning für die Zielverfolgung – er war der weltweit erste Forscher, der Deep Learning auf die Zielverfolgung anwandte. Zur selben Zeit beteiligte er sich als Kernentwickler an der Entwicklung von MXNet.
Dieses Framework wurde später zu einem der drei weltweit größten Deep-Learning-Frameworks, gleichrangig mit TensorFlow und PyTorch. In einer Zeit, in der das Deep-Learning-Framework noch völlig unerschlossen war, war diese Gruppe von Pionieren, die Framework-Level-Code schrieben, vergleichbar mit Prometheus.
Was ihn aber wirklich geprägt hat, ist die folgende 9-jährige Karriere bei TuSimple.
Nach seinem Doktoratsabschluss im Jahr 2015 trat WANG Naiyan als Mitbegründer und Chefwissenschaftler bei TuSimple ein und konzentrierte sich auf L4-autonome Lkw. Seine erste Aufgabe war: von Null an das Algorithmus-Team von TuSimple in China aufzubauen.
Der heutige KI-Talentmarkt ist bereits ausgereift, überall gibt es erfahrene Ingenieure und fertige Open-Source-Tools. Aber im Jahr 2015 war das überhaupt nicht der Fall. Es gab fast keine Talente im Bereich Deep Learning, die Engineering des Frameworks hatte gerade erst begonnen, und auf dem Markt gab es noch keinen systematischen Entwicklungsprozess für das autonome Fahren – wie man Probleme definiert, Daten organisiert, Modelle bewertet und Algorithmen in das eingebettete System des Fahrzeugs einbaut, um es auszuführen, alle diese „Infrastrukturen“ mussten von Grund auf selbst erstellt werden.
WANG Naiyan hat das nicht nur geschafft, sondern auch sehr schnell.
Im September 2016 war TuSimple gerade ein Jahr alt. Die von dem Team von WANG Naiyan selbst entwickelte Deep-Learning-Wahrnehmungsalgorithmus hat auf KITTI und Cityscapes, den zwei weltweit maßgeblichsten Datensätzen für das autonome Fahren, auf einen Schlag 10 Weltspitzenplätze erreicht.
Ein chinesisches Startup, das nur ein Jahr alt ist, dominiert die Rangliste der weltweit schwierigsten Bewertungen für das autonome Fahren – das hat damals fast einen Rekord aufgestellt.
In den 9 Jahren bei TuSimple hat WANG Naiyan nacheinander zwei völlig unterschiedliche Dinge getan. Das erste war, das Team bei der Entwicklung des vollständigen L4-autonomen Fahrsystems zu führen – die Grenzen der Technologie zu verfolgen.
Das zweite war, später die Umsetzung der Serienproduktionslösungen der Stufen L2+/L3 zu leiten und intelligente Fahrprodukte wie „Kraftstoffsparender Pilot“ auf den Markt zu bringen – die Kosten auf ein kommerziell tragbares Niveau zu senken und die Zuverlässigkeit so zu gestalten, dass sie an Flotten ausgeliefert werden kann.
Das zielt auf die Zuverlässigkeit der Produkte und die kontrollierbaren Kosten ab.
Zwei völlig unterschiedliche Fähigkeiten: eine ist das Denken des Wissenschaftlers, das die Grenzen der Technologie verfolgt; die andere ist das Denken des Ingenieurs, das Stabilität und Reproduzierbarkeit verfolgt.
Im Mai 2024 trat WANG Naiyan bei Xiaomi Automobile ein und übernahm die Rolle des technischen Leiters für die Stufe L3. In dem riesigen Team von Xiaomi Intelligent Driving mit über 1800 Mitarbeitern zählt er neben YE Hangjun, CHEN Guang und CHEN Long zu den vier Kernmitgliedern, die für die Zuverlässigkeit des intelligenten Fahrsystems verantwortlich sind.
Die Kernfähigkeiten, die die Position erfordert – systemweite Sicherheitsgarantie, ingenieurmäßige Qualitätskontrolle, die vollständige Kette vom Labor bis zur Serienproduktion – sind genau die Dinge, die er bei der Entwicklung der Serienproduktionslösung bei TuSimple angesammelt hat.
Mit anderen Worten: Was Lei Jun damals schätzte, war nicht nur seine Fähigkeit, „Papiere zu veröffentlichen“, sondern auch seine Fähigkeit, „das Auto sicher auf die Straße zu bringen“.
Und diese Person hat am 7. September seinen letzten Arbeitstag abgeschlossen und sich der Embodied Intelligence zugewandt.
Wie genau funktioniert das Embodied-Intelligence-Gehirn von WANG Naiyan
Das Gehirn der Embodied Intelligence, ist die Hauptrichtung, auf die sich das neue Unternehmen von WANG Naiyan konzentriert.
Aber wie genau man das „Gehirn der Embodied Intelligence“ umsetzen soll, hat die Branche bis heute keine Antwort.
Seit 2023 wird VLA (Vision-Language-Action-Modell) allgemein als die Standardantwort für das Gehirn der Embodied Intelligence angesehen – man bringt Vision, Sprache und Aktion in dasselbe End-to-End-Modell ein, sodass Roboter die nächste Aktion aus menschlichen Demonstrationen lernen. Fast alle führenden Unternehmen setzen VLA oder seine Varianten ein.
Aber im Jahr 2026 wurde diese Standardantwort öffentlich herausgefordert.
Der Kernnachteil von VLA besteht darin, dass es die Modellierung der physischen Umgebung und die kausale Schlussfolgerung überspringt und vollständig auf die Anpassung der Aktionszuordnung an markierte Daten angewiesen ist. Gegenüber unbekannten, nicht trainierten Szenarien oder neuen Objekten verschlechtert sich die Generalisierungsfähigkeit erheblich.
Gleichzeitig beginnt eine andere Route, WAM (World-Action-Modell), aufzusteigen. Es verwendet eine vorausschauende Architektur von „zuerst vorhersagen, dann handeln“: Zuerst wird die Änderung des Weltzustands nach der Ausführung der Aktion vorhergesagt, dann werden die optimalen Steueranweisungen rückwärts abgeleitet. Es hat eine stärkere Fähigkeit zur Planung langfristiger Aufgaben, aber seine Einschränkungen sind ebenfalls ausgeprägt: Die Fähigkeit zum semantischen Verständnis ist weit schwächer als die von VLA, und die vorausschauende Berechnung des physischen Zustands Frame für Frame erfordert enorme Rechenleistung.
Daher befindet sich die Branche derzeit in einem Zustand von „mehrere Routen koexistieren, niemand kennt das Endergebnis“.
Der Grund, warum sich die technische Route lange nicht festlegen lässt, liegt in den Daten. Bis heute besteht kein Konsens über den Standard der Embodied-Daten – jedes Unternehmen hat unterschiedliche Anforderungen an die Form der benötigten Daten, die enthaltenen Modalitäten und die Genauigkeit.
Die Dateniteration und die Modelliteration sind stark miteinander gekoppelt. Man weiß nicht, welche Art von Daten für welche Route gesammelt werden sollen, schließlich ist man sich nicht sicher, welche Route am Ende gewinnen wird – das ist ein Patt des Huhn-Ei-Problems.
Das Besondere an den technischen Überlegungen und Praktiken von WANG Naiyan ist, dass er möglicherweise einen Weg gefunden hat, dieses Patt zu umgehen.
Das letzte Papier von WANG Naiyan bei Xiaomi, DriveZero, das wir gerade ausführlich analysiert haben, hat in technischer Hinsicht bereits den Grundstein für seinen nächsten Schritt gelegt.
In diesem Papier wird ein Trainingsparadigma „Entkopplung – Destillation“ vorgeschlagen: Man trennt „Entscheidung“ und „Wahrnehmung“ voneinander. Der Entscheidungsteil wird mit Verstärkungslernen in einer Simulationsumgebung trainiert, der Wahrnehmungsteil lernt durch Destillation aus dem Basismodell, und schließlich werden beide zusammengeführt.
Der Wert dieser Methodik geht weit über das autonome Fahren hinaus – jedes intelligente Wesen, das in der physischen Welt handeln muss, steht vor demselben Dilemma: Die Kosten für Versuch und Irrtum in der realen Umgebung sind zu hoch, und die in der Simulation erlernten Strategien lassen sich nur schwer auf die realen Wahrnehmungseingaben übertragen.
DriveZero zeigt genau den gangbaren Weg zur Lösung dieses Kernkonflikts.
WANG Naiyan hat in Interviews einmal eine Ansicht ausgedrückt: „Ein Modell, das nur mit Daten des autonomen Fahrens trainiert wurde, kann das autonome Fahren mit Sicherheit nicht perfekt lösen“.
Die Embodied Intelligence steht eigentlich vor demselben Problem: Roboter dürfen nicht nur lernen, „wie sie sich bewegen“, sie müssen zuerst verstehen, „wie die Welt beschaffen ist“.
Und das „Verstehen der Welt“ wird derzeit meist als Datenproblem eingestuft.
Aber WANG Naiyan hat eine neue Überlegung vorgelegt: Das kognitive Problem ist im Wesentlichen eine neue Art des Repräsentationslernens – wenn „die Welt verstehen“ und „handeln“ zwei verschiedene Dinge sind, warum sollte man sie ständig mit einem Black-Box-Modell zusammenbinden?
Die Antwort auf diese Frage liegt in seinem neuen Unternehmen.
Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Intelligent Vehicle Reference“ (ID: AI4Auto), Autor: JIA Haonan, veröffentlicht mit Genehmigung von 36Kr.