在人工智能领域，通用人工智能（AGI）的追求始终是终极目标之一。然而，当前备受瞩目的大语言模型（LLMs）如ChatGPT和Claude，虽然在文本生成和理解上表现出色，却似乎缺乏实现真正通用智能的关键要素——对物理世界时空运动规律的深刻理解。这一认知缺口，正被一家名为General Intuition的新兴AI公司视为突破口，而他们的解决方案，竟源自看似与严肃科研无关的电子游戏数据。
General Intuition的核心洞察在于，大语言模型本质上是一种基于统计模式的文本预测器。它们能写出优美的诗歌、生成精妙的代码，甚至通过复杂的法律考试，但对于物体如何坠落、流体如何流动、生物如何运动这类物理直觉，却显得力不从心。这种“物理盲区”使得现有AI在需要与现实世界交互的场景中，如机器人控制、自动驾驶或物理模拟，表现远不如其在虚拟文字世界中的游刃有余。
公司创始人兼CEO Dr. Anima Anandkumar在近期的一次行业访谈中指出：“人类智能之所以强大，很大程度上源于我们对物理世界的本能理解。一个婴儿不需要学习牛顿力学，就能知道松手后的球会下落。这种‘直觉物理学’是认知发展的基石，而当前的大语言模型完全缺失这一能力。”她进一步解释，这种缺失并非单纯的数据量问题，而是训练数据本质上的偏差——文本数据是高度符号化、离散化的，它过滤掉了连续时空中的动态信息。
正是基于这一判断，General Intuition选择了一条与众不同的技术路径：利用海量游戏引擎生成的动态数据来训练AI。与传统的视频数据不同，游戏数据具有天然的优势：它包含精确的物理坐标、碰撞检测、运动轨迹和因果链条。在游戏世界中，每一个动作都有明确的物理反馈，每一帧画面都包含着三维空间中的位置信息。这种结构化的动态数据，恰好能为AI提供学习物理直觉所需的“感知训练集”。
行业分析人士认为，这一思路颇具前瞻性。近年来，游戏引擎如Unity和Unreal Engine的进步，使得生成高保真、多样化的物理场景变得极为廉价和高效。General Intuition的团队开发了一套专门的数据管道，能够从游戏引擎中实时提取“物理场景描述”，这些描述不仅包含视觉信息，更包含底层的时间-空间坐标数据。例如，当一个虚拟角色跳跃时，系统不仅记录下跳起的画面，还记录下起跳速度、重力加速度、落地冲击力等物理参数。
这种训练方式带来的直接效果是，AI模型开始展现出对物理规律的“理解”能力。在内部测试中，General Intuition的模型能够准确预测一个物体在不规则表面上的滚动路径，甚至能推断出不同材质物体碰撞后的能量传递模式。这种能力在传统的大语言模型中几乎不可能实现，因为文本数据中从未包含如此精细的物理信息。
从更宏观的视角看，General Intuition的探索触及了AGI研究中的一个根本性争论：智能的本质究竟是符号操作还是具身认知？以Yann LeCun为代表的“世界模型”学派一直主张，真正的智能必须包含对物理世界的内部表征，而大语言模型恰恰缺乏这种表征。游戏数据恰好提供了一种介于真实物理世界和纯符号世界之间的“中间介质”——它既有物理规则的约束，又具备数字世界的可操作性和可重复性。
不过，也有专家对这一路径持谨慎态度。麻省理工学院（MIT）的认知科学教授Josh Tenenbaum指出：“游戏引擎中的物理是简化的、确定的，而现实世界的物理充满了噪声和不确定性。从游戏中学到的物理直觉，能否迁移到真实世界中，仍然是一个巨大的问号。”他举例说，游戏中的流体模拟往往牺牲了真实流体力学的复杂性，而AI如果只学习这种简化版本，可能会在面对真实湍流时完全失效。
面对质疑，General Intuition团队表示，他们并不打算让AI只停留在游戏数据层面。公司的长期规划是构建一个“物理直觉的渐进式学习框架”，先利用游戏数据建立基础模型，再通过少量真实世界数据进行微调。这种“虚拟预训练+真实微调”的策略，已经在机器人领域的一些研究中显示出潜力。例如，NVIDIA的Isaac Sim平台就成功地将虚拟训练的技能迁移到了实体机器人上。
从商业角度看，General Intuition的技术路线也有其独特优势。游戏数据获取成本远低于真实物理实验数据，且可以无限生成各种极端场景——比如模拟龙卷风中的物体运动，或是在零重力环境下的流体行为，这些在现实中几乎不可能大规模采集。这种数据生成能力，使得AI模型可以在训练阶段就接触到可能永远不会在真实世界中出现的物理现象，从而增强其泛化能力。
值得注意的是，General Intuition并非唯一看到游戏数据价值的公司。OpenAI早期就曾利用《我的世界》（Minecraft）训练AI的规划能力，DeepMind则利用《星际争霸》（StarCraft）和《雷神之锤》（Quake）来测试强化学习算法。但General Intuition的特殊之处在于，他们专注于提取游戏引擎内部的物理参数，而非仅仅使用游戏画面作为视觉输入。这种“元数据驱动”的方法，使得AI能够直接学习到物理方程的本质，而非仅仅模仿视觉表象。
在融资方面，General Intuition已经获得了多家顶级风投的关注。据知情人士透露，公司正在完成一轮由Andreessen Horowitz领投的种子轮融资，估值达到2亿美元。这笔资金将主要用于扩大数据管道规模，并招聘具有物理模拟和机器人背景的研究人员。
随着AGI竞赛的日益激烈，大语言模型之外的技术路线正逐渐获得更多关注。General Intuition的尝试，或许为行业指明了一个新的方向：真正的通用智能，可能不是从更多的文本中涌现，而是从对物理世界的朴素理解中萌芽。毕竟，在人类认知的进化史上，我们首先是物理世界的行动者，然后才是符号世界的思考者。而游戏数据，恰恰为AI提供了一个从“行动”到“思考”的完美训练场。
