AI 的下一站：从你蹩脚的游戏操作中学习
游戏手柄里的“物理教科书”
Worldmodeldata 是一家英国初创公司，它正在把玩家在 3D 游戏中的操作——拇指摇杆的转动、扳机的扣压、按键的敲击——转化为训练数据，用来训练能够理解物理世界的 AI 模型。
这家公司由 Yann LeCun 担任顾问，CEO 是 Rhea Loucas。他们的核心洞察很简单：游戏是海量的、多样化的、越来越接近真实世界的体验。为什么不用这些数据来教 AI 呢？
语言模型的“物理盲区”
当前 AI 行业有一个日益强烈的共识：大语言模型（LLM）终将受限于它们无法在物理世界中导航。只靠文字训练出来的模型，很难胜任自动驾驶、操控机械臂，或者任何需要精细动作的任务。
为了弥补这个短板，包括 Fei-Fei Li（李飞飞） 和 Yann LeCun 在内的一批知名研究者，正把精力转向另一类 AI——世界模型（world models）。世界模型需要结合视觉和动作数据来训练，才能真正“理解”物理规律。
问题在于：LLM 有海量文本可供训练，但世界模型没有类似的“语料库”。
“对世界模型来说，你需要因果，”萨里大学 AI 副教授 Xiatian Zhu 说。“而在互联网上，这类数据非常稀少。”
游戏数据：被忽视的“因果”富矿
Worldmodeldata 的解法是：把游戏工作室收集到的控制器输入和其他数据打包成训练数据集。这些数据在游戏行业大量存在，过去基本被当作“废气”排掉。
有些公司已经在行动：General Intuition 和 Niantic 正在从自家平台收集游戏数据来构建模型。但 Worldmodeldata 把自己定位为数据经纪商——负责整理和组织数据，让模型实验室不必逐个和游戏工作室签约。
这个假设尚未被完全验证，但研究者普遍认为，世界模型的性能会随着动作数据的丰富而提升。
为什么值得关注
如果这条路走通，AI 的下一波进化可能不是来自更庞大的文本库，而是来自数百万玩家在游戏里无意中留下的操作轨迹。那些看似“蹩脚”的游戏技能，或许正是训练下一代具身智能的关键原料。