核心内容总结
General Intuition这家AI公司，靠“用游戏录像训练机器人”的独特思路火了——它把游戏平台Medal积累的数十亿小时带人类操作数据（比如鼠标移动、按键决策），用来训练机器人的空间推理能力，解决了传统机器人训练“真实环境成本高、纯仿真与现实脱节”的痛点。最近它完成3.2亿美元A轮融资，估值达23亿（是两年前OpenAI想买Medal出价的5倍），资本押注它所在的“世界模型”赛道（让AI理解物理世界）。下一步它要开放API，验证技术能否从演示走向实际应用。
一、游戏录像里藏着机器人最缺的“本能数据”
机器人训练一直有两个难题：要么在真实环境里采集数据（比如让机器人反复走路、搬东西），成本高到离谱；要么在仿真软件里练（比如Unity），但练出来的机器人到真实世界就像“路痴”——比如仿真里的地板是光滑的，真实地板有灰尘，它就不会走了。
General Intuition的破局点是：游戏数据既不是纯仿真也不是真实环境，但它是“带人类意图的桥梁”。Medal的录像不是普通视频，每一帧都对应玩家的操作（比如《堡垒之夜》里玩家跳窗户时的鼠标转向、《Apex英雄》里选落点的按键）。这些数据里藏着人类处理三维空间的本能：比如怎么绕开障碍、怎么预判物体移动、怎么在动态环境里快速决策——这些恰恰是机器人在真实世界需要的能力。
创始人说：“文字描述世界会丢信息，但游戏里的操作是最原始的感知数据”，就像你教孩子认苹果，直接看苹果比听“红色圆形水果”更直观。
二、8分钟微调：从虚拟到真实的“魔法跳跃”
在纽约发布会上，他们做了个震撼演示：先用游戏数据预训练模型，再用机器人在街道上采集8分钟真实数据微调，结果机器人能在从未去过的办公室里正常导航。
为什么8分钟很关键？传统机器人要在目标环境（比如办公室）采集几十小时甚至几百小时数据才能适应，但General Intuition的模型因为有游戏数据打底，只需一点点真实数据就能“学会”迁移。不过这个方法有个问号：现在演示的是街道到办公室，那复杂工业场景（比如工厂里的油污地面、多变光线）能不能也用8分钟搞定？他们说今年晚些时候会公开测试结果，这是验证技术实用性的关键。
三、资本疯抢的“世界模型”赛道：下一轮AI竞争在物理
General Intuition的融资不是偶然——今年类似公司都拿到了大钱：World Labs融10亿、Decart融3亿、Odyssey融3.1亿（亚马逊参与）。这些公司的共同标签是“世界模型”：让AI像人一样理解物理世界（比如东西掉下来会落地、推一下会动），而不是只会处理文字。
资本认为：AI的下一个战场不是语言（比如ChatGPT），而是物理交互（比如机器人做家务、工厂干活）。General Intuition的护城河很明确：Medal积累的数十亿小时游戏数据是独家资产，别人想复制得花几年时间采集，这也是OpenAI当初愿意出5亿买Medal的原因。
融资的钱主要用来扩算力（处理海量游戏数据）和开放API——让更多开发者用它的模型做机器人，这是它从“实验室项目”变成“平台级公司”的关键一步。
四、和传统方法的区别：不是“教公式”而是“看老司机开车”
之前也有人用游戏引擎（比如NVIDIA Isaac）训练机器人，但General Intuition的不同在于：它用的是“人类实际玩游戏的痕迹”，而不是引擎生成的纯仿真数据。
打个比方：教机器人走路，传统仿真就像给它看物理公式（摩擦力、重心），而General Intuition是让它看1000小时人类玩家在游戏里跳、跑、躲障碍的录像——后者建立的是“本能反应”，而不是死记硬背规则。当然，游戏里的物理规律和真实世界有差距（比如游戏里跳得更高），这个差距能不能用数据弥合，还要看后续测试。
五、未来的考验：API开放后见真章
General Intuition的估值23亿，靠的是“游戏数据训练机器人”的故事，但真正的分水岭在今年夏末——它要开放API给开发者。
到时候开发者会用它的模型做什么？比如能不能让机器人快速适应新工厂环境？能不能让家用机器人学会避障？如果开发者能做出实用产品，估值就站得住；如果不行，故事就会打折扣。
游戏行业用几十年训练了人类的空间推理能力，现在反过来用这些数据训练机器人——这个轮回本身就很有趣，但最终能不能成，还要看技术能不能落地。
总的来说，General Intuition的思路很巧妙，但还需要用实际应用证明自己。它的成功与否，不仅关系到机器人行业，也可能改变游戏数据的价值——原来我们玩游戏留下的操作痕迹，居然能变成机器人的“老师”。