This startup thinks robotics is about to have its

AI导读

初创公司General Intuition正通过海量视频游戏数据训练AI,以攻克机器人学习中现实数据昂贵、效率低下的瓶颈。其核心思路是将游戏作为高度结构化的物理模拟器,从中提取决策、运动等训练素材,打造能理解通用物理规律的“基础模型”。尽管面临从模拟到现实的迁移鸿沟及安全风险,若成功,该技术将大幅降低机器人学习成本,并推动制造业、服务业等领域的革命性应用。当前,科技巨头也在探索类似路径,竞赛刚刚开始。

AI Prism 智棱 - 机器人 分类封面图

在人工智能领域,一场围绕“物理AI”(Physical AI)的新竞赛正在悄然升温,而一家名为General Intuition的初创公司正试图用一条与众不同的路径来攻克这个难题。他们的核心策略听起来有些出人意料:利用海量视频游戏数据来训练AI,让机器人在现实世界中变得更聪明。这家公司的赌注是,数百万小时的游戏交互数据,或许正是解锁下一代智能机器人所需的关键钥匙。

长久以来,机器人研发面临着一个根本性的困境:现实世界的数据采集既昂贵又缓慢。一台机器人需要经过无数次的实际操作、反复试错,才能学会一个简单的抓取动作或避开障碍物。这种对真实物理数据的依赖,使得机器人学习效率低下,难以大规模部署。而游戏世界则提供了一个完美的平行宇宙:这里有丰富的场景、复杂的物理模拟和几乎无限次数的重复试验机会。将游戏中的数据迁移到现实世界,已经成为一条越来越被看好的技术路径。

General Intuition的核心洞察在于,视频游戏不仅仅是娱乐产品,它们本质上就是高度结构化的物理模拟器。从《侠盗猎车手》中复杂的城市街道,到《模拟人生》里的生活化场景,再到各类体育或驾驶游戏中精确的力学模拟,这些数字世界包含了海量的、带有标注的交互数据。当一名玩家在游戏中操控角色奔跑、跳跃、驾驶或互动物品时,背后产生的正是AI模型梦寐以求的训练素材——包含决策、运动、物理反馈和空间理解的完整数据链。

这家公司正在做的事情,可以理解为一个大规模的“数据采矿”工程。他们投入数百万小时的游戏视频数据,目标是训练出所谓的“基础模型”(Foundation Models),这些模型不同于那些专门处理特定任务的窄AI,而是试图成为物理世界的“常识大脑”。一旦这个基础模型学习到游戏世界中的通用物理规律——比如重力如何影响物体、碰撞后会发生什么、物体之间的抓取和堆叠逻辑——那么当它被部署到真实机器人上时,所需的新环境数据量将大幅减少。

从行业背景来看,这项技术探索正处于机器人AI发展的重要转折点上。过去几年,大语言模型(Large Language Model)的成功,让业界看到了“缩放定律”(Scaling Law)的力量——即数据规模越大、模型参数越多,性能提升就越显著。然而,这种逻辑从文本世界迁移到物理世界时遇到了瓶颈。物理世界的数据生成速度远慢于文本,且成本高昂。因此,很多研究者开始思考:能否像用互联网文本训练语言模型一样,用游戏数据训练一个“物理世界模型”?

一些前沿研究已经证实了这种思路的可行性。例如,Meta(原Facebook)的AI团队曾发布过Habitat模拟器,用于训练虚拟机器人导航;英伟达(NVIDIA)也推出了Isaac Sim平台,专门用于合成物理机器人训练数据。但General Intuition的独特之处在于,他们不依赖专门的模拟器重建,而是直接从现有的大众化游戏视频中提取训练信号。这意味着他们的数据源几乎取之不尽,且成本相对可控。

不过,挑战同样不容忽视。最大的问题在于“模拟到现实”(Sim-to-Real)的迁移鸿沟。游戏世界的物理引擎虽然是高度仿真,但与真实世界仍然存在细微差别。游戏中的光照、材质摩擦力、空气阻力等参数,都经过了艺术化的调整。一个在游戏中学会抓取虚拟杯子并完美执行动作的AI,当实际控制一个机械臂去抓取真实玻璃杯时,可能会因为真实世界的微妙阻力变化而失败。如何让游戏中学到的知识真正适应物理世界的“粗糙感”,是整个行业需要攻克的难题。

此外,通用AI的安全性和可解释性也是潜在风险。一个被海量游戏数据训练出来的基础模型,是否会将游戏中的“暴力”或“无序”行为错误地泛化到现实场景?比如,一个在射击游戏中学到“模拟伤害”的AI,是否会在现实中错误地理解物理碰撞的后果?尽管模型会经过严格的过滤和安全对齐,但这种不确定性依然让一些专家保持谨慎。

从商业角度看,General Intuition的尝试若成功,将对多个产业产生深远影响。制造业中,传统工业机器人需要数月时间进行编程和微调才能适应新任务;而如果有了一个通用的物理AI大脑,机器人可能只需要一小时的真实环境学习和环境感知,就能快速完成产线换型。在服务业,家庭机器人将不再需要为每一个家庭做定制的环境建模,而是基于游戏数据学习的通用常识,快速适应新居室。在医疗领域,手术辅助机器人的学习曲线也有望大幅缩短。

展望未来,游戏数据训练物理AI已经成为一条无法忽视的技术路线。不仅General Intuition这样的初创公司在押注,包括谷歌DeepMind、OpenAI在内的科技巨头也在积极探索类似方法。尽管目前业界对具体的实现细节多有保留,但一个共识正在形成:未来的机器人或许不再需要被逐一“教会”每一种技能,它们只需要一个强大的基础模型,就能像人类一样,借助在虚拟世界中获得的“直觉”,快速适应物理世界中的新挑战。对于行业来说,真正的竞赛才刚刚开始。而General Intuition的亿万小时游戏数据赌注,或许会为这场竞赛写下第一个重要的注脚。

内容声明

本文内容基于公开市场信息与媒体报道进行整理,部分观点来自社区讨论。如涉及事实性问题,欢迎通过 xurj005@163.com 与我们指正,我们将及时核实并更新。