为何有3.2亿美元涌入电子游戏数据领域用于机器人训练
General Intuition 已以 23 亿美元的估值筹集了 3.2 亿美元资金,用于利用从数十亿小时的游戏视频片段中提取的人类动作数据来训练物理人工智能代理。这种逆向而行的方法绕过了物理数据采集的瓶颈,挑战了当前的主流共识——即物理人工智能需要通过缓慢的遥操作收集海量的现实世界数据。

机器人学领域的普遍共识是,训练物理人工智能需要海量的现实世界数据,而这些数据只能通过遥控操作或物理模拟的方式收集,不仅耗时且成本高昂。然而,一轮规模庞大的新融资表明,存在一种截然不同的方法。 General Intuition公司已完成3.2亿美元的A轮融资,估值达23亿美元,计划利用数十亿小时的电子游戏片段来训练自主行为模型。
观察与行动的区别
这家从游戏片段平台Medal分拆出来的初创公司认为,基于文本的模型仅能描述现实,而纯视频模型则缺乏意图。通过利用包含嵌入式动作标签的游戏画面——这些标签精确记录了玩家按下哪些按键以及按下时间——General Intuition声称,其能够以远快于传统方法的速度,教会AI模型时空推理和因果关系。
这种方法的意义在于“观察”与“行动”之间的区别。当AI模型观看人类执行任务的标准视频时,它必须推断出物理规律、意图以及复制该动作所需的具体运动指令。这不仅计算成本高昂,而且容易出错。 General Intuition的数据集填补了这一空白:在复杂的基于物理的环境中,建立了人类意图与最终动作之间的明确联系。
突破物理数据瓶颈
该公司已证明,一个最初用于在《堡垒之夜》虚拟世界中导航的单一模型,只需八分钟的物理数据,即可迁移到物理四足机器人上,并针对现实世界导航进行微调。此次投资由Khosla Ventures领投,General Catalyst、杰夫·贝索斯、埃里克·施密特以及谷歌的研究人员参与。
DeepMind 和麻省理工学院(MIT)的举措,凸显了这一数据战略的潜力。General Intuition 的战略绕过了目前制约具身人工智能行业的物理数据采集瓶颈。通过利用视频游戏中已记录的数十亿小时人类问题解决过程,该公司正试图构建一个基础世界模型,该模型具备对物理、空间及后果的泛化直觉。
23亿美元的估值是对这一逆向数据策略的重大押注。如果他们关于“可从游戏行为中提取人类直觉”的观点正确,他们将拥有人工智能行业中最有价值的专有数据集之一。 这种方法凸显了物理人工智能竞赛中一个关键现实:胜出者未必是拥有最佳机器人硬件的公司,而是能够以最低成本为其模型提供最高质量动作数据的公司。如果虚拟动作数据能够成功为物理部署的模型进行预训练,那么制造智能机器人的准入门槛将大幅降低。
主要来源:
1. TechCrunch — General Intuition 筹集 3.2 亿美元,旨在通过电子游戏构建世界模型(2026 年 6 月)
2. General Intuition 新闻稿 — A轮融资公告(2026年6月)
免责声明:所有编辑内容均由 RobotAIGeek 基于公开的中英文资料独立撰写。引用内容均注明原始发布方,RobotAIGeek 未对其进行独立核实。












