打游戏打出来的机器人：用游戏数据训练具身智能的 General Intuition

事情是这样的。

昨天刷到一条融资新闻，数字本身不算最炸的，3.2 亿美元，估值 23 亿美元。这两年 AI 圈一天能蹦出三四个这种量级的盘子，看多了会麻。让我停下来的是这家公司干的事。

它叫 General Intuition。训练数据不是爬来的网页，不是买来的论文库，是一群人打游戏时顺手上传的录屏剪辑。然后用这堆剪辑，教一台四足机器人在办公室里走路。

我盯着那行字看了几秒。打游戏的录像，拿去教机器人走路。

好家伙。

TechCrunch 那篇报道的标题起得很直白，From Fortnite to robots，从堡垒之夜到机器人。我一开始以为是那种为了融资硬编的故事，VC 圈最不缺的就是把一个普通生意包装成下一个 AGI。结果往里翻了翻，越看越觉得，这事儿的逻辑链是真的能站住的，而且站得比我想象的稳。

我想跟你唠唠这个。不是因为它融了多少钱，是因为它背后那个判断，可能会让你重新想一下，过去这些年我们打的那些游戏，到底是什么。

先把这家公司是谁讲清楚。

CEO 叫 Pim de Witte，31 岁。他手里原本有个东西叫 Medal，一个让玩家上传、分享游戏高光剪辑的平台。你打了一把神仙操作，五杀也好、极限逃生也好，截下来发上去给朋友看，就这么个产品。听起来平平无奇对吧，但它沉淀下来的数据量很吓人，每年大概 20 亿条视频，月活一千万，累计是数亿小时的游戏画面。

2025 年 10 月，他把一个团队从 Medal 里拆出来，单独成立了 General Intuition，干的就是用这堆游戏数据训练 AI。当时那轮种子轮就融了 1.34 亿美元，是有记录以来最大的种子轮之一。加上昨天这轮，累计披露融资 4.54 亿美元。

领投的是 Khosla Ventures，就是当年最早押注 OpenAI 的那家。跟投名单也挺唬人，General Catalyst、Jeff Bezos、Eric Schmidt，连 F1 退役车手 Nico Rosberg 都在里面，还有 Google DeepMind 和 MIT 的一线研究者。

钱和名头先放一边。真正让我坐直的是它的三个联合创始人，Eloi Alonso、Adam Jelley、Vincent Micheli。

这几个名字如果你混世界模型这块可能眼熟。他们是 DIAMOND 的作者，2024 年那篇用扩散模型做世界模型的工作。

聊到这我得停一下，把世界模型这个词给你说人话。

世界模型，world model，你可以理解成 AI 脑子里那个会自己脑补的小电影。它不靠外面真实的游戏引擎给它画面，而是自己预测下一帧会长啥样。你往左推摇杆，它脑子里就生成出往左转之后的那一帧；你按了跳跃键，它生成出腾空那一帧。整个游戏世界，是它自己在脑子里渲染出来的。

DIAMOND 这篇工作骚的地方在于，它用扩散模型直接预测下一帧画面。扩散模型就是画 AI 图那套，从一团噪声里一点点把图捞出来的那个东西。以前大家做这事是先把画面压成一串离散的 token，类似把图切成一个个小方块编号，再让模型去猜下一个编号。DIAMOND 不绕这道弯，直接生成像素帧。糊不糊、连不连贯，全靠它自己想象。

所以你看，这帮人不是临时下海蹭具身智能热度的。他们是先有了一套能让 AI 自己脑补游戏画面的硬核研究，手里又正好攥着 Medal 那座游戏数据金矿，然后才想到，诶，这两个东西能不能凑一块？

凑出来的结果，就是昨天那个 demo。

我得把这个 demo 单独拎出来讲，因为它是整篇报道里最有冲击力的一段，也是我看完愣了一下的地方。

第一步，他们让一个 AI 智能体在堡垒之夜里连续玩了 100 个小时。注意是连续，不是攒了 100 小时的录像，是一口气跑了 100 小时。游戏里跑图、找掩体、应对各种乱七八糟的局面，模型自己在玩。

这一步其实不算最炸，AI 打游戏这几年见得多了。炸的是第二步。

同一个模型，一个字都没重训，直接拿去驱动一台四足机器人。然后这台机器人，只用了 8 分钟的真实世界数据做微调，就能用一个单摄像头在办公室里自己导航走路了。

8 分钟。

我重新读了一遍确认没看错。一个在虚拟游戏世界里泡了 100 小时的模型，喂它 8 分钟现实数据，它就能指挥一台真机器人在物理世界里挪动了。报道里很诚实地补了一句，机器人偶尔还会撞到家具。但兄弟，它能走，它能看着摄像头自己绕，这件事本身就已经够让人后背发凉了。

为啥这一下这么关键？

因为具身智能这块，过去最大的一根刺，就是真实数据太贵了。你想训一个能干活的机器人，得真的搭一堆机械臂、机器狗，让它们在真实世界里一遍遍试错，摔坏了再修，慢得要死还烧钱。这就是为什么机器人这事喊了这么多年，落地还是磕磕绊绊。数据采集的成本卡在那儿，绕不过去。

General Intuition 的赌注就是，能不能让 AI 先在游戏这个虚拟世界里把基本功练扎实，把那种对空间、对运动、对因果的直觉先长出来，再花极少的真实数据把它对齐到物理世界。

100 小时游戏 + 8 分钟现实，如果这条路真能规模化，那它捅破的是具身智能最贵的那层窗户纸。

那问题就来了，凭什么游戏数据能练出这种迁移到现实的直觉？网上爬来的视频那么多，YouTube 上随便一搜几亿小时，为啥非得是游戏？

这就要讲到 General Intuition 真正的护城河，也是我觉得这家公司最聪明的地方。

不是数据量。是数据里有动作标签。

英文叫 action-labeled data。普通的视频，AI 看到的只是画面在动，但它不知道画面为什么动。一个角色往右跑了，是玩家按了 D 键？还是被人推了一把？还是脚本自动跑的？光看画面，模型只能猜。

而 Medal 这种平台沉淀的游戏剪辑，是能精确对上每一帧画面，玩家在那一刻到底按了哪个键、什么时候按的。画面动了，旁边清清楚楚记着，因为玩家按了空格。

这个差别看着小，意义大得离谱。

有了动作标签，模型才能真正分清两件事，哪些是我自己干的，哪些是环境对我的反应。报道里用的词是 self 和 environment，自我和环境。这俩一分开，因果关系就立起来了。我按了跳，所以我腾空了，这是我的动作导致的；我撞到墙弹回来了，这是环境给我的反馈。

这不就是直觉的底层吗。

一个婴儿学会认识世界，靠的就是不停地动手动脚，然后观察自己的动作给世界带来了什么变化。伸手碰到杯子，杯子倒了。这种我做了 A、世界变成了 B 的因果配对，攒得足够多，直觉就长出来了。

游戏里玩家的每一次操作，配上每一帧画面的变化，就是海量的、天然标好的、第一人称的因果配对。这玩意儿在物理世界里要花大价钱采，在游戏数据里它本来就免费躺在那。

公司名字起得也讲究，General Intuition，通用直觉。Khosla 那句话我觉得点透了，他说，在世界模型里，真正的量子跃迁是 AI 里直觉的涌现，而来自游戏的人类动作数据，是关键的一环。

我看到这句的时候是真的有点服气。

因为这帮人想明白了一件别人没太当回事的事。过去十几年，全世界几十亿玩家在游戏里按下的每一个键、做出的每一个操作，其实是人类用动作给虚拟世界做的、规模大到不可思议的因果标注。我们以为我们只是在打游戏放松，结果这是一座一直没被认真开采的矿。

聊到这我有点走神，想起小时候在网吧通宵，那会儿真没觉得自己在干什么了不起的事，就是单纯地，就是想多打两把，就是不想回家。现在回头看，那些深夜里几千万人重复按下的方向键，居然有一天能变成教机器人走路的教材。

是谁来自山川湖海，却囿于昼夜厨房与爱。这句词我一直很喜欢，今天忽然有种别的读法。那些被困在屏幕前、被困在一把又一把游戏里的普通人，他们打出的操作记录，正在悄悄地走向山川湖海，走向真实世界里那些机器人要去的地方。有点恍惚。

好，从天上拉回来，继续讲这家公司接下来要干嘛，因为这部分也透着他们的克制和聪明。

第一，他们不打算自己做终端产品。

de Witte 的定位很清楚，他们要做的是底层能力，把模型能力通过 API 开放出去，让别人拿这个能力去搭各种应用。API 计划今年夏末广泛开放。说人话就是，他们想做具身智能这一层的供水公司，而不是去跟每一个做机器人、做游戏 NPC 的公司抢生意。这个站位我觉得是对的，世界模型这种东西，越底层越值钱。

他们内部把那个世界模型叫 the gym，健身房。意思是，这个能自己脑补画面的模型，是用来训练智能体的练功房，不是最终交付给客户的成品。智能体在这个虚拟健身房里把本事练出来，再放到真实任务里去。

第二，他们对边界画了条线。

de Witte 明确说了，不做致命性自主武器系统。但支持像搜救这种应用。我对这条蛮在意的。一个手握能让 AI 在虚拟和现实之间自由迁移能力的团队，一开始就把军用致命武器这条路堵死，至少是个让人安心一点的信号。当然，公司说不做和最后真不做之间隔着多远，这个我也不敢替它打包票，先记下这句话，往后看它做不做得到。

第三，这部分我没想到，他们还顺手推了个东西叫 Nerve。

是个给玩家开的工种市场。玩家可以通过做数据标注赚钱，未来还能接机器人遥操作的活儿。遥操作就是人在远端实时操控机器人，机器人怎么动你怎么带。

你品品这个循环。玩家打游戏，产生带动作标签的数据，喂给模型；模型练出能力，要去现实世界，又需要人帮它做更精细的现实数据标注和遥操作；这活儿又交回给玩家来干，还给钱。

打游戏的人，先是不知不觉当了模型的老师，现在还能正式上岗，继续教它。这个设计有点子牛逼了，它把一群本来只是在消费内容的人，变成了整条具身智能产业链上游的劳动力。

当然了，泼盆冷水的话也得说。

我一向对这种听着特别顺、特别像新范式的故事保持一点警惕。这两年 AI 圈太会讲故事了，什么数据飞轮、什么涌现、什么范式转移，词儿一个比一个大，真到落地全是另一回事。我也曾经信过一些后来证明是 PPT 的东西。

具体到 General Intuition，我心里至少挂着几个问号。

100 小时游戏加 8 分钟微调能驱动机器人在办公室走路，这是一个被精心准备的 demo，还是一个能稳定复现、能往复杂任务上扩的能力？走路撞家具这种程度的导航，离真正能干活的机器人，中间还差着十万八千里。报道里也只给了这一个 demo，没有更硬的 benchmark 数字。这块我是存疑的，得等它 API 真开放出来，有人拿真东西跑过才算数。

还有就是，游戏世界和物理世界终究是两回事。游戏里的物理是程序员写死的，重力、碰撞、摩擦力都是简化过的近似。一个在简化物理里练出来的直觉，迁移到真实世界那些脏乱差的细节里，能撑多远，这是个真问题。从虚拟到现实那道坎，业内叫 sim-to-real gap，仿真到现实的鸿沟，这是机器人学多少年都没彻底填平的老坑。8 分钟微调听着很美，但它到底是真跨过去了，还是只在办公室这种规整环境里碰巧能凑合，我不好下定论。

不过话又说回来，就算打个对折，这个方向本身的想象力也够了。

我自己平时工作是给大模型搭那层让它真正能干活的工程脚手架，agent 的工具链、调度、上下文管理这些。天天看着模型在生产环境里怎么跑、怎么翻车，所以对数据从哪来这件事格外敏感。我们这行有句老话，模型架构大家迟早会趋同，最后真正分出高下的是数据。谁手里有别人弄不到的、又干净又对路的数据，谁就有护城河。

General Intuition 这一手，妙就妙在它找到了一个所有人都见过、但没人当回事的数据源。游戏剪辑，全世界到处都是，但只有 Medal 这种平台手里同时攥着画面和精确到帧的动作标签。这个组合，钱买不来，得靠多年的平台沉淀。

这才是它估值 23 亿美元、能拉来 Khosla 和 Bezos 的真正底气。不是它现在能做出多牛的机器人，是它占住了一个别人复制不了的数据位置。这本轮大部分钱要拿去干嘛？通过跟 CoreWeave 的合作扩算力，全力做下一代模型的预训练。翻译一下就是，数据位置我占住了，现在就是堆算力把这座矿往死里挖。

写到这我又想起开头那个画面。一个人深夜打完一把游戏，随手把高光剪辑传上去，关电脑睡觉。他不会知道，自己刚才那几下操作，连同几千万人的几千万次操作，正在被喂进一个模型，而这个模型，正在学着怎么在真实世界里走第一步路。

我们总以为是我们在玩游戏。也许从某个时刻起，是游戏，连同游戏里的我们，在偷偷教 AI 怎么理解这个世界。

这事儿有点浪漫，也有点让人发怵。说真的我现在还没太想明白该用哪种心情看它。先记在这，往后这家公司 API 一开放，我大概率会去亲手摸一摸，到时候再回来跟你接着聊。

反正，下次你再打开游戏，手指搭上方向键的那一瞬间，可以多一个念头，你按下的不只是一个键。