為何有 3.2 億美元正湧入用於機器人訓練的電玩遊戲數據領域

General Intuition 以 23 億美元的估值募得 3.2 億美元資金,旨在利用從數十億小時的電玩片段中萃取的人類動作數據,來訓練實體人工智慧代理。這種逆向而行的做法繞過了實體數據蒐集的瓶頸,挑戰了當前主流共識——即實體人工智慧需要透過緩慢的遙控操作來蒐集海量真實世界數據。

A
2分鐘閱讀Posted: 2026年6月27日
為何有 3.2 億美元正湧入用於機器人訓練的電玩遊戲數據領域

機器人學界的普遍共識是,訓練物理人工智慧需要海量的真實世界數據,而這些數據必須透過遙控操作或物理模擬來收集,不僅耗時且成本高昂。然而,一輪規模龐大的新融資卻暗示了一種截然不同的方法。 General Intuition 已完成 A 輪融資 3.2 億美元,估值達 23 億美元,該公司計畫利用數十億小時的電玩片段來訓練自主行為模型。

「觀察」與「行動」的差異

這家從遊戲片段平台 Medal 衍生出來的新創公司主張,基於文字的模型僅能描述現實,而純視訊模型則缺乏意圖。透過利用包含嵌入式動作標籤的遊戲畫面——這些標籤精確記錄了玩家按下哪些按鈕以及按下的時間點——General Intuition 聲稱,其能以遠快於傳統方法的速度,教導 AI 模型進行時空推理與因果關係的理解。

此方法的重要性在於「觀察」與「行動」之間的差異。當 AI 模型觀看人類執行任務的標準影片時,必須推斷出物理法則、意圖,以及重現該動作所需的具體動作指令。這不僅運算成本高昂,且容易出錯。 General Intuition 的資料集填補了這項缺失:在複雜的物理環境中,人類意圖與隨之產生的動作之間存在明確的關聯。

突破物理數據瓶頸

該公司已證實,一個最初訓練用於在《要塞英雄》(Fortnite)虛擬世界中導航的單一模型,僅需八分鐘的實體數據,即可轉移至實體四足機器人,並針對現實世界的導航進行微調。這項投資規模龐大,由 Khosla Ventures 領投,General Catalyst、傑夫·貝佐斯(Jeff Bezos)、艾瑞克·施密特(Eric Schmidt)以及 Google 的研究人員共同參與

DeepMind 與麻省理工學院(MIT)的合作,凸顯了這項數據策略的潛力。

General Intuition 的策略繞過了目前制約具身人工智慧產業的實體資料蒐集瓶頸。透過運用已記錄於電玩遊戲中的數十億小時人類解題過程,該公司正試圖建構一個基礎世界模型,使其具備對物理、空間及後果的泛化直覺。

 這 23 億美元的估值,實質上是一場對逆向數據策略的豪賭。若他們關於「能從遊戲行為中萃取人類直覺」的論點成立,該公司將掌握人工智慧產業中最珍貴的專有資料集之一。 這種做法凸顯了實體人工智慧競賽中的一項關鍵現實:勝出者未必是擁有最佳機器人硬體的公司,而是能找出如何以最低成本為其模型提供最高品質動作數據的公司。若虛擬動作數據能成功預訓練模型以供實體部署,打造智能機器人的進入門檻將大幅降低。

主要來源:

1. TechCrunch — General Intuition 募得 3.2 億美元,致力透過電玩遊戲建構世界模型(2026 年 6 月)

2. General Intuition 新聞稿 — A 輪融資公告(2026 年 6 月)

 

免責聲明:所有編輯內容均由 RobotAIGeek 根據公開的中英文資料獨立撰寫。引述內容均標明原始發布來源,且未經 RobotAIGeek 獨立核實。