这家CEO为何认为电子游戏数据比互联网更适合训练AI
当谈论实现通用人工智能（AGI）时，大型语言模型可能并不具备所需的一切。像ChatGPT和Claude这样的模型在文本处理上表现出色，但在理解事物如何在空间和时间中实际移动方面却相对薄弱——而这恰恰是产生通用智能的关键技能。这个差距，或许可以通过游戏数据来弥补。这正是General Intuition这家初创公司的赌注所在。
从文本到空间：AI训练数据的下一个前沿
当前的主流AI模型主要依赖互联网文本数据进行训练，这使它们掌握了丰富的语言知识，但缺乏对物理世界动态的理解。例如，模型可以描述“抛球”的动作，却无法真正预测球的轨迹。这种局限性源于训练数据的性质：文本是静态的、离散的，而现实世界是连续、动态的。
General Intuition的CEO认为，电子游戏提供了一个理想的替代方案。游戏环境本质上是物理世界的模拟，其中包含空间关系、运动规律、因果关系和实时反馈。通过从游戏中提取数据——比如玩家在《我的世界》中建造房屋，或在《GTA》中驾驶汽车——AI可以学习到物体如何交互、如何规划路径以及如何适应变化的环境。这些数据天然带有时间维度和空间坐标，有助于模型建立对物理世界的“直觉”。
游戏数据的独特优势
与互联网文本相比，游戏数据具有几个关键优势：
- 结构化动态：游戏中的每个物体都有明确的位置、速度和交互规则，这为AI提供了清晰的学习信号。
- 低成本标注：游戏引擎自动记录所有事件，无需人工标注，大大降低了数据获取成本。
- 场景多样性：从奇幻世界到现实模拟，游戏覆盖了极其丰富的场景，有助于模型泛化。
General Intuition并非唯一关注游戏数据的公司。此前，DeepMind曾利用《星际争霸》训练AI策略，OpenAI也在《Dota 2》中取得了突破。但General Intuition的特别之处在于，它试图将游戏数据与语言模型结合，构建一种能够同时理解文本和物理世界的混合模型。
挑战与前景
尽管游戏数据潜力巨大，但将其用于AGI训练仍面临挑战。例如，游戏中的物理规则可能与现实世界不完全一致，导致模型产生偏差。此外，如何从海量游戏数据中提取高质量、无偏见的样本，也是一个技术难题。
然而，随着AI对物理世界理解的需求日益增长，游戏数据很可能成为下一个重要的训练资源。General Intuition的探索或许会为AGI的路径开辟一条新路。
