游戏录像，可能是物理AI最便宜的一座矿

有些融资新闻看完就过去了，有些会让人停一下。General Intuition 这一轮属于后者。

一家从游戏视频平台 Medal 里拆出来的 AI 公司，刚拿到 3.2 亿美元融资，估值 23 亿美元。TechCrunch 报道说，它的 31 岁荷兰创始人 Pim de Witte 在纽约办公室里展示了一个正在玩类似《堡垒之夜》的智能体，又让同一个“脑子”去驱动一只四足机器人在办公室里走。这个画面最抓人的地方不是机器人会走，也不是游戏智能体能连续玩 100 个小时，而是这句话：同一个模型，既能理解屏幕里的空间，也能迁移到现实里的身体。

这就是让人忍不住说“原来还可以这样”的地方。过去我们总觉得具身智能的数据来自真实世界：机器人手臂要一遍遍抓杯子，自动驾驶车要一公里一公里跑，仓库机器人要在真实货架前犯错。真实数据当然重要，但它贵、慢、危险、规模有限。General Intuition 的想法是，先别急着把机器人放进真实世界，先去游戏世界里挖矿。

关键不是视频，是视频背后的动作

只拿游戏录像训练 AI，这件事并不新。OpenAI 在 2022 年做 Minecraft Video PreTraining 时，就用少量带键鼠标签的数据训练逆动力学模型，再给 7 万小时网络 Minecraft 视频补动作标签，最后让模型学会砍树、合成工作台，甚至通过微调学会做钻石工具。DeepMind 的 AlphaStar 也先从 StarCraft II 人类回放里做模仿学习，再进入多智能体强化学习。游戏一直是 AI 的训练场。

General Intuition 的不同点在于，它背靠 Medal。TechCrunch 报道称，Medal 每年产生约 20 亿条游戏视频，来自 1000 万月活玩家，横跨数万款游戏。更重要的是，这些不是普通 YouTube 或 Twitch 视频。Medal 的素材里带着玩家当时按了什么键、什么时候移动鼠标、什么时候转向、什么时候开枪、什么时候失败。

这层动作标签很要命。纯视频只告诉模型“发生了什么”，但动作标签告诉它“为什么发生”。一个角色从门口闪身进入房间，不只是画面变化，而是玩家在某一刻选择了前进、转向、跳跃、瞄准。模型如果能把视觉、动作、后果连起来，就开始接近具身智能最核心的东西：我在世界里做一个动作，世界会怎样回应。

这也是 de Witte 在采访里反复强调的点：很多竞争者试图从视频里反推动作，但他认为这还不够。General Intuition 要做的是带动作标签的空间-时间预训练。它不只是学“墙长什么样”，而是学“墙挡住我，梯子能让我上去，阴影会随着太阳变化”。

游戏世界为什么可能通向物理世界

游戏不是现实。这个前提一定要摆在前面。游戏物理有简化，角色不会真正受伤，摩擦、重量、触觉、传感器噪声都和现实不一样。所以不能说游戏数据能直接解决机器人。

但游戏有一个现实世界很难给的东西：低成本、高密度、带目标的交互。

人在游戏里不是随机走路。他在追敌人、躲子弹、找资源、穿过建筑、判断高低差、处理遮挡、利用地图。每一段录像都是“视觉输入—动作选择—环境反馈”的压缩片段。对于一个要学会行动的模型来说，这比静态图片和文字更接近生命。

OpenAI 当年说过，复杂电子游戏开始捕捉真实世界的混乱性和连续性，Dota 这类游戏有长时间跨度、团队协作和高维动作空间。DeepMind 也把 Atari、StarCraft 视为通向更广泛智能的测试场。Minecraft 研究里的 MineDojo 和 Voyager 又证明，开放世界游戏可以承载探索、技能积累、工具使用和长期目标。

General Intuition 把这个逻辑又往前推了一步：不是只在游戏里赢，而是把游戏当成训练“行动模型”的矿山，再把模型放进机器人、无人机、自动驾驶仿真、工厂数字孪生、游戏 NPC 里继续收反馈。

这对游戏公司，是一次资产重估

如果这个方向跑通，游戏公司的价值就不只是 DAU、付费率、皮肤收入、IP 授权。它们手里真正稀缺的，可能是可交互世界和人类行动轨迹。

一款游戏越开放，玩家越多，操作越丰富，录像越长，越可能变成空间-时间智能的数据源。过去这些数据只是复盘、直播、剪辑、社区传播；以后它可能进入 AI 训练供应链。

这会改变游戏产业和物理 AI 产业之间的关系。游戏公司不再只是内容公司，也可能变成仿真环境公司、行为数据公司、世界模型基础设施公司。具身智能公司也不必只盯着昂贵的真实机器人数据，可以从虚拟世界拿到更多预训练素材，再用少量真实数据做校准。TechCrunch 里一个细节很有意思：General Intuition 展示的四足机器人，据称只用了 8 分钟真实机器人数据做微调。这个数字还需要更多公开验证，但方向已经很清楚：真实数据负责对齐，虚拟数据负责打底。

不止具身智能，大模型也会被这个思路影响

这件事最值得兴奋的地方，是它把“训练数据”的想象力打开了。

过去大模型吃的是文本、网页、代码、图片、视频。它们知道很多，但很多时候是旁观者视角。游戏录像加动作标签不一样，它天然包含意图、决策、失败、反馈、时间顺序和因果。

这类数据未必只能训练机器人。它也可能训练更强的电脑使用智能体、游戏内智能 NPC、自动测试系统、3D 内容生成工具、数字人、模拟经营系统，甚至训练大模型理解“如果我现在做 A，下一步世界会怎么变”。语言模型擅长解释世界，但行动模型要学会参与世界。游戏数据刚好站在两者中间。

当然，坑也很多。版权和玩家授权怎么处理？游戏里的物理规律如何迁移到现实？模型学到的是技巧还是幻觉？不同游戏的动作空间如何统一？真实机器人遇到触觉、重力、硬件故障时怎么办？这些都不是一轮融资能解决的。

但好点子本来就不是没有风险的点子。好点子是让你突然看到一条新路。General Intuition 让人兴奋的地方，正是它把游戏从“娱乐内容”变成了“行动智能的预训练世界”。

真正的大门刚打开

如果说文本互联网训练出了会说话、会写代码、会推理的模型，那么游戏互联网可能训练出更会行动、更懂空间、更能预测后果的模型。

这对具身智能公司是降本，对游戏公司是重估，对大模型公司是补课。虚拟世界不再只是现实世界的替代品，它可能变成现实世界的训练场。

所以这条新闻不只是 3.2 亿美元融资，也不只是一个 31 岁创始人的新故事。它真正有意思的地方是：游戏里的每一次跳跃、转身、失败和重来，都可能成为未来机器理解现实的一小块砖。以前我们说游戏是浪费时间。现在看，游戏可能是在替物理 AI 积累时间。

参考资料

• TechCrunch: General Intuition’s $2.3B bet that video games can train AI agents for the real world
• TechCrunch: General Intuition lands $134M seed
• General Intuition official site
• OpenAI: Learning to play Minecraft with Video PreTraining
• DeepMind: AlphaStar and StarCraft II
• Voyager: An Open-Ended Embodied Agent with Large Language Models