General Intuition 用遊戲片段教機械人，AI 下一步睇 action data

點解呢單值得睇

General Intuition 呢排想講嘅故事，表面係一間 AI startup 融資同做 demo；睇深一層，佢踩中咗而家 AI 投資最熱嗰條線：agent 要識喺世界入面做動作，唔淨係識覆文字。TechCrunch 今次訪問 CEO Pim de Witte，佢嘅講法好直接：機械人同 embodied AI 會似 LLM 咁，由一堆為單一任務訓練嘅模型，慢慢轉去可重用嘅 foundation model。呢個 pitch 好大，亦好容易講大咗，所以重點要睇 data 到底有冇特別。

圖片：General Intuition / Kyutai

遊戲片段最值錢嗰 part 係動作

General Intuition 背後連住 Medal，呢個平台本來係畀玩家上載同分享 gameplay clips。公司官網話 Medal 玩家每年上載數以十億計遊戲片段；TechCrunch 6 月底報道就話，呢堆片一開始畀佢哋拎嚟訓練空間同時間推理。畫面靚唔靚只係表面，片入面同步記低玩家幾時撳咩掣先夠肉。AI 見到「我撳跳，車飛起；我轉左，鏡頭同位置點變」，先有機會學到動作、後果同「自己」喺環境入面嘅關係。

圖片：NVIDIA

world model 點幫到機械人

world model 可以理解做一個腦內 simulator：模型唔只睇到而家畫面，仲要估到下一秒會點變，同自己做咗某個動作之後會有咩後果。General Intuition 想做嘅，就係先用遊戲呢種乾淨、便宜、可大量收集嘅環境學出直覺，再用少量真實機械人 data 調校。TechCrunch 引述公司 demo，話同一套 model 可以長時間玩遊戲，亦可以經八分鐘真實機械人 data fine-tune 之後推動四足機械人喺辦公室行。呢個說法吸睛，但要記住，性能 claim 主要來自公司示範。

MIRA 示範咗呢條路點行

佢哋講得清楚啲嘅公開研究係 MIRA：用約 10,000 小時 Rocket League 2v2 對戰訓練一個 5B 參數 diffusion transformer，配 600M 參數影片 codec，四個玩家畫面同步，以 20fps 生成可操作賽事。官方 blog 講明呢批 MIRA data 係 bot 自玩，冇用人類玩家資料，仲公開咗 4,000 小時 Rocket Science dataset。呢個唔等於機械人已經搞掂，但好清楚示範咗 action-conditioned world model 想解咩題：唔只生成似樣影片，仲要跟住動作變。

同 Nvidia、DeepMind、World Labs 差喺邊

放埋其他玩家一齊睇，條路線就清楚好多。Nvidia Cosmos 3 主打 physical AI 平台，開發者可以用 world foundation model 生成合成影片、做閉環模擬、訓練 robot policy；DeepMind Genie 3 由文字 prompt 生成可即時行入去嘅互動世界，重點喺長時間一致性同 embodied agent 研究；World Labs Marble 就偏 3D 空間生成同 API，畀開發者把相、影片或者 360 圖變成可探索世界。General Intuition 嘅路線就集中啲：佢賭玩家動作紀錄可以補到「片」欠缺嘅因果訊號，之後再接去遊戲 bot、模擬同機械人。

八分鐘 fine-tune 係靚 demo，唔好當產品化

最容易俾人 hype 住嘅係四足機械人 demo。TechCrunch 引述公司講法，同一套 model 經八分鐘真實機械人 data fine-tune 之後，可以靠前置鏡頭喺辦公室避人同物件行；六月嗰篇現場報道亦提到，機械人有時撞到椅腳同垃圾桶。呢段要咁睇：八分鐘好吸睛，但 source 主要係公司示範同記者觀察，未見第三方喺倉庫、街道、工廠長時間壓測。現實世界有反光、塵、遮擋、地面高低、法律責任，同遊戲引擎出嚟嘅乾淨資料差好遠。

點解投資者仲肯落重注

咁點解 23 億美元估值仲有人買單？原因唔難明，文字同圖片 data 喺公開網上已經愈食愈乾，下一批護城河好可能係有動作標籤嘅資料。Medal 呢類平台本身唔為機械人而生，但佢攞到大量玩家輸入同畫面結果，呢種 closed-loop data 外面唔易抄。TechCrunch 報道指今輪 3.2 億美元主要會用喺 compute，同 CoreWeave 有 deal，API 亦打算喺今年夏天尾擴大開放。投資者買嘅其實係一個問題：如果 agent 之後要控制軟件、遊戲同機械人，邊個手上有最多「做咗動作之後世界點變」嘅資料？

香港暫時唔係主場

至於香港，呢單冇港行產品、冇售價、亦未有可用服務，硬扯成即刻改變本地機械人市場就過火。不過如果你做倉務物流、自動化或者創科投資，值得留意嘅位要放喺 action data 供應鏈：遊戲、遙控、CCTV、digital twin、機械人操作紀錄，全部都可能變成訓練 agent 嘅燃料。到時公司唔只要買 GPU，仲要睇手上有幾多可用、可授權、又同動作有關嘅 data。

下一步睇咩

接落嚟最實在係睇三樣：API 開放後有冇真客戶肯用、MIRA 呢類遊戲 world model 能唔能夠用少量 real-world data 遷移到多種機械人、同埋第三方測試可唔可以重現八分鐘 fine-tune 呢類 claims。General Intuition 個方向合理，因為文字模型再勁都未必識郁；但 physical AI 冇得淨靠漂亮 demo 過關，撞一次貨架、夾錯一次貨、或者喺人旁邊判斷錯一次，成本即刻唔同晒。

參考來源

• TechCrunch — This startup thinks robotics is about to have its ChatGPT moment — original report
• General Intuition’s $2.3B bet that video games can train AI agents for the real world — 補充融資金額、估值、Medal data 來源、投資者同 API 計劃。
• General Intuition official site — 官方講法，確認 action-labeled video datasets、Medal clips、world models 同 action models 方向。
• MIRA: Multiplayer Interactive World Models with Representation Autoencoders — General Intuition、Kyutai 同 Epic Games 公開研究，交代 MIRA data、模型規模、20fps demo 同限制。
• NVIDIA Cosmos — 用作 physical AI 同 world foundation model 對照，睇 Nvidia 點定位 Cosmos 3。
• Genie 3: A new frontier for world models — Google DeepMind 官方資料，用嚟比較互動 world model 同 embodied agent 研究方向。
• Announcing the World API — World Labs 官方資料，補充 Marble / World API 點把 3D world generation 包成開發者工具。

本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。