人工智慧訓練的新前沿

人工智慧開發的版圖已達到一個關鍵節點，正從靜態文本數據轉向動態、交互式的環境。專注於下一代機器智能的先鋒公司 General Intuition 最近宣佈了一輪 3.2 億美元的重要融資。這輪融資對該公司的估值達到了 23 億美元，凸顯了一個大膽的市場信念：電子遊戲中複雜且高風險的環境，可能正是構建更具能力、基於推理的現實世界 AI 代理（AI Agents）的秘訣。

多年來，AI 行業極度依賴海量的網際網路文本語料庫來訓練大型語言模型（LLMs）。雖然這些模型在預測語言學方面很有效，但它們在物理推理、長程規劃和即時決策方面往往表現吃力。General Intuition 押注透過利用數百萬小時的遊戲數據，他們可以彌補這一差距，從而教會人工智慧如何應對現實世界中固有的不確定性。

遊戲驅動開發背後的邏輯

為什麼 電子遊戲 是訓練高階 AI 的首選領域？現代遊戲中的環境——從超逼真的模擬到複雜的策略類遊戲——為強化學習提供了一個獨特的「沙盒」。與標準數據集不同，電子遊戲提供持續的反饋流、視覺複雜性以及實現長期目標的需求。

General Intuition 的方法論圍繞著「行動數據」的概念。透過剝離圖形介面，該公司分析高階玩家的底層狀態變化和決策模式。這種方法有助於系統發展出：

• 空間智慧： 理解 3D 環境與物體交互。
• 序列化決策： 在較長的時間跨度內權衡風險與回報。
• 適應性彈性： 在不斷變化、不可預測的環境條件下維持效能。

AI 訓練範式的比較概覽

為了更好地理解為什麼這種方法代表了對傳統模型的背道而馳，我們分析了不同訓練方法在應對現實世界部署的準備度方面有何不同。

訓練方法	主要焦點	關鍵優勢	限制
大型語言模型	預測文本 模式識別	複雜推理 多語言流暢度	缺乏物理直覺 無即時行動力
傳統機器人技術	感測器驅動控制 硬編碼邏輯	結構化環境中的 精確度	在新場景中脆弱 維護成本高
基於遊戲的代理	動力學與物理 策略模擬	適應性問題解決 現實世界過渡	高運算成本 複雜數據映射

對 AI 代理與機器人技術的影響

這筆 3.2 億美元資本注入的影響遠超遊戲行業。General Intuition 打算將這些洞察力應用於構建能夠在物流、製造甚至複雜家庭輔助等領域運作的自主 AI 代理。目標是超越那些執行重複性、預編程任務的機器人，轉而構建展現出真正「常識」推理的系統。

利用電子遊戲作為物理現實的代理並非全新的概念，但 General Intuition 執行這一願景的規模是前所未有的。透過聚合數百萬人類互動的數據，該公司正在有效地構建一個「思想的物理引擎」，使機器能夠預測人類意圖並即時應對障礙。

應對向現實世界的過渡

該領域最持久的障礙之一是「模擬到現實」（sim-to-real）的差距——即在模擬環境中訓練的模型，一旦引入實際硬體或不可預測的人類環境，就無法可靠運行的技術難題。General Intuition 指出，他們的內部架構透過一層專有的抽象層解決了這個問題，該層在捨棄遊戲特定怪癖的同時，保留了核心的邏輯行為。

AI 資金與策略的未來

23 億美元的鉅額估值突顯了投資者情緒向 AI 資金 的轉移。儘管許多初創公司仍專注於「LLM 大戰」，但資本正日益流向那些展示如何解決現有模型根本性限制的公司。

投資者正在尋求「代理式」（agentic）能力——即 AI 在無需人類不斷干預的情況下完成多步驟任務的能力。General Intuition 的成功傳遞了一個訊號，即市場開始優先考慮那些能帶來具體、具備具身智能（embodied intelligence）的基礎研究。

未來的主要焦點領域

1. 模擬擴展： 擴大處理遊戲的種類，以拓寬代理的感官輸入範圍。
2. 邊緣執行： 優化這些龐大的模型，以在本地部署的硬體上運行，而不是僅僅依賴龐大的雲端叢集。
3. 人類參與的反饋循環（Human-in-the-loop）： 將專業人類行為作為複雜長尾任務的黃金標準，這是單靠遊戲無法解決的部分。

隨著行業觀察 General Intuition 的進展，顯然通往通用人工智慧（AGI）的道路可能是由像素鋪就的。透過將大師級遊戲的挑戰轉化為 AI 的課程，該公司正在朝著一種不僅能理解我們所說的話，還能理解我們所居住的世界的技術，邁出巨大且消耗資源的一步。Creati.ai 將持續關注這些經由遊戲訓練的代理在離開虛擬競技場、進入現實世界工業與服務應用時的表現。