为何CEO坚信游戏数据优于互联网培训AI

在人工智能领域，大型语言模型（LLM）如ChatGPT和Claude已经证明了自己在文本生成和语言理解方面的强大能力。然而，当涉及实现真正的通用人工智能（AGI）时，这些模型却显得力不从心。它们擅长处理静态的、基于文本的信息，但在理解物体如何在实际空间中移动、相互作用以及随时间演化方面，却远不如人类直观。正是这一差距，让一家名为General Intuition的初创公司另辟蹊径——他们将目光投向了视频游戏数据。

为什么互联网数据不够“智能”？

当前的AI训练主要依赖互联网上的海量文本、图像和视频。这些数据虽然丰富，但往往缺乏动态的三维空间信息。例如，一张静态图片可以告诉我们“苹果从树上掉下来”，但无法提供重力、碰撞、速度等物理因素的完整模拟。视频数据虽然包含时间维度，但受限于拍摄视角和分辨率，难以捕捉到所有物理细节。更关键的是，互联网数据多由人类视角记录，缺乏对场景因果关系的系统建模。

“语言模型就像一位只读过物理学书籍但从未做过实验的学生。他们能背诵公式，却无法预测一个球在斜坡上的实际轨迹。”——General Intuition CEO在一次采访中如此比喻。

视频游戏：天然的物理仿真场

视频游戏，尤其是3A大作和开放世界游戏，其内部引擎实时模拟了重力、光照、碰撞、流体动力学等复杂物理现象。更重要的是，游戏世界中的所有物体都有明确的三维坐标、运动轨迹和交互规则。这些数据不仅包含视觉信息，还包含了深度缓冲、法线贴图、光线投射等底层几何和物理数据，天然适合训练AI进行空间推理。

General Intuition公司已经开发了一套工具，能够从游戏引擎中提取这些“隐形数据”。与传统人工标注不同，游戏数据是自动生成的，且可以无限次重复、调整难度和场景。例如，在《侠盗猎车手》中训练AI驾驶汽车，不仅可以获得无限多的交通场景，还能精确记录每帧的车速、方向盘角度、行人反应等参数。这种数据的丰富性和精确性远超互联网上的驾驶视频。

攻破“常识物理”难关

现代AI在语言测试中表现优异，但在“常识物理”问题上频频出错。例如，问LLM“如果把杯子推下桌子，会发生什么？”它能回答“杯子会摔碎”，但若要求它预测具体的碎片飞溅轨迹或杯子落地的声音变化，答案就会变得模糊。游戏数据则能弥补这一缺陷：通过从《Half-Life 2》等物理引擎游戏中提取物体破碎的帧序列，AI可以学习到物体在不同材质、速度、角度下的真实反应。

这种能力对于机器人、自动驾驶、虚拟现实等应用至关重要。以家用机器人为例，若只通过互联网图片学习“拿杯子”，机器人可能在真实世界中遇到无数边缘情况（例如杯子装满了水、杯把朝向错误等）。而游戏数据可以模拟成千上万种杯子摆放和注水场景，让机器人提前习得稳健的控制策略。

编者按：游戏数据并非万能药

尽管游戏数据提供了高质量的物理和空间信息，但并非没有缺陷。首先，游戏中的物理规则是程序员设定的简化版本，可能与现实有偏差（例如沉没成本效应被忽略）。其次，游戏中的物体纹理、光照和环境往往是艺术风格化的，与真实世界的视觉差异较大。最后，游戏数据难以覆盖所有的社会交互、情感表达和伦理决策——这些仍然是人类世界独有的复杂性。

因此，General Intuition的方法不是要替代互联网数据，而是要与其互补。未来的AGI可能需要同时从语言文本、现实世界传感器数据和虚拟游戏环境中学习，才能真正实现跨领域的智能泛化。这家公司的赌注背后，反映了一个更广泛的趋势：AI训练正从“数据量竞赛”转向“数据质量与多样性竞赛”。

挑战与未来

目前，General Intuition已经与多家游戏工作室合作，获取了包括《Minecraft》《Roblox》等开放世界游戏的底层数据流。他们计划在2027年推出首个基于游戏数据的空间推理模型，并在机器人操作系统上开源部分训练脚本。如果成功，这可能会重塑整个AI训练数据行业——毕竟，全球每年生产的游戏数据量是互联网视频数据量的数十倍。

不过，行业观察者也指出，训练数据的版权问题仍然是悬而未决的障碍。游戏公司是否会允许第三方提取其引擎数据？这可能需要新的许可协议或法律框架。此外，游戏数据可能无意中放大偏见——例如大多数游戏中暴力场景占比过高，可能导致AI对现实世界产生不合理的预期。

尽管如此，用游戏数据训练AI的思路已经引起了包括DeepMind、OpenAI在内的多家顶尖机构的关注。也许，通往AGI的道路并不在浩瀚的网页文本中，而是藏在那一帧帧虚拟世界的代码里。

本文编译自TechCrunch