拿游戏录像训练机器人，这家公司两个月估值从23亿涨到60亿美元

本文来自微信公众号： 42号电波 ，作者：小波，编辑：大吉，原文标题：《拿游戏录像训练机器人，这家公司两个月估值从 23 亿涨到 60 亿美元》

6月25日，31岁的Pim de Witte在General Intuition的纽约办公室安排了两个演示。

一台电脑上，AI已经连续玩了100个小时类似《Fortnite》的游戏；另一边，一只大约金毛犬大小的四足机器人沿着办公室走廊缓慢移动。机器人身上没有激光雷达，也没有预先加载办公室地图，唯一用于环境感知的传感器，是正前方的一颗摄像头。画面被传回数据中心，模型以每秒10次的频率输出下一步动作。它能绕开人、穿过走廊，也会撞到椅子腿和垃圾桶，研发人员暂时还不敢让它独自经过玻璃会议室。

真正让de Witte兴奋的不是机器狗走得多好，而是驱动它的模型来自哪里。「玩游戏的智能体和机器人用的是同一个大脑」，他对到访的记者说。为了让这个「大脑」适配机器狗，团队只补充了8分钟真实世界机器人数据，而且这些数据采集自楼下街道，不是机器人正在行走的办公室。TechCrunch对这次演示的记录显示，General Intuition想证明的是：人类玩家在虚拟世界里留下的大量行动经验，能否成为机器进入物理世界之前的预训练数据。

演示当天，General Intuition宣布完成3.2亿美元A轮融资，投后估值23亿美元。加上2025年10月成立时获得的1.337亿美元种子轮，这家创业不到一年的公司，累计公开融资已经达到4.54亿美元。

不到两个月后，它的价格又变了。8月21日，《华尔街日报》披露，General Intuition正在敲定新一轮融资，估值将超过60亿美元，成为目前估值最高的世界模型创业公司之一。严格来说，这一轮尚未正式完成，公司也没有公布融资金额；但如果交易落地，它的估值将在不到60天里从23亿美元增长至超过60亿美元，上涨约1.6倍。《华尔街日报》的报道也给出了这场估值跃迁最直接的解释：资本开始相信，游戏可能不只是人工智能的测试场，而是目前规模最大的「人类行动数据集」。

问题在于，游戏里控制汽车、跳跃和射击的经验，凭什么能够教会机器人理解真实世界？

它真正拥有的不是录像，而是动作

仅仅把游戏视频喂给模型，并不是一条特别新的路线。

从YouTube、Twitch到海量影视内容，互联网并不缺少运动中的图像。机器人研究者也一直试图从人类视频中学习空间关系、物体交互和动作先验。问题在于，一段普通视频通常只有结果，没有产生结果的动作记录。模型看见人物转身、汽车拐弯、杯子被拿起，却不知道操作者在那一刻发出了什么指令，更难区分画面变化究竟来自主体行动、摄像机运动，还是环境里其他对象的变化。

General Intuition得到的是另一种数据。

它脱胎于游戏录像平台Medal。Medal成立于2015年，产品类似游戏世界里的短视频平台：玩家可以自动录制、剪辑并分享自己的高光时刻。General Intuition成立时，Medal每月约有1000万活跃用户，每年产生约20亿段游戏视频；到2026年6月，公司公布的月活跃用户已经增长至1700万。CoreWeave披露，Medal累积的视频数据超过10亿小时。

这些视频最值钱的部分不是画面规模，而是画面与行动之间的对应关系。玩家看见什么、什么时候移动摇杆、按下哪个按键、随后游戏世界发生了什么，都可以在同一条时间轴上对齐。对于模型而言，这相当于把一段单纯的观察记录，变成连续的「状态—动作—结果」样本。

普通视频模型学习的近似关系是：给定当前画面，预测下一帧最可能出现什么。加入动作以后，模型学习的问题变成：给定当前状态和一个具体行动，世界接下来会如何变化。向左推动摇杆，镜头转向走廊；按下加速键，车辆前进；角色撞上墙壁，移动被阻止。动作在这里提供了因果线索，也帮助模型建立「自我」和「环境」的边界：哪些变化是我造成的，哪些变化来自我无法控制的外部世界。

General Intuition将这两种能力拆成了两个相互配合的模型。世界模型负责预测动作的后果，相当于一个由神经网络学出来的模拟器；动作模型负责根据观察决定下一步做什么，相当于在模拟器中训练的智能体。公司内部把世界模型称为「健身房」，真正准备出售的产品则是经过预训练的动作模型及其API。机器人可以先在这个由模型生成的世界里低成本试错，再用少量真实数据完成具体本体的适配。

这也是为什么General Intuition不愿意把自己描述成一家游戏生成公司。它并不打算用AI替代Epic Games制作《Fortnite》，而是希望成为物理智能时代的模型供应商。按照de Witte的说法，公司不会自己造自动驾驶汽车，而是想让下一家公司开发自动驾驶系统时，难度降低一个数量级。

游戏数据恰好处在传统仿真和真实机器人数据之间。和手写仿真相比，它具有更复杂的视觉环境、多人互动和人类行为分布；和真实机器人相比，它的采集成本几乎可以忽略，玩家每天自发产生新的路线、失败、碰撞和非常规操作；和普通互联网视频相比，它又多了一条最关键的动作流。Medal上的内容还存在一种特殊的选择偏差：玩家更愿意上传极端成功、极端失败或意外事件，而不是平淡无奇的过程。这种偏差不适合还原一个「平均玩家」，却可能让训练集天然富集大量边缘案例。

资本购买的首先是这套数据结构。互联网文本大多可以被竞争对手重复抓取，机器人真机数据则普遍昂贵、封闭而且规模有限；Medal已经运行十余年，拥有持续增长的用户和一条自动生成「视频—动作」配对数据的管道。2024年底，OpenAI据报道曾提出以5亿美元收购Medal，双方均未确认这笔报价。de Witte最终没有出售公司，而是把数据和研究团队单独拆出来，成立了General Intuition。

不过，公司关于动作数据的公开表述仍有一处值得继续核实。General Intuition在融资材料中强调，模型使用精确到时间点的按键和摇杆输入；Medal面向用户发布的数据说明则表示，它不会直接使用缺乏语义的原始键盘输入，而是使用「玩家向前移动」「完成进球」一类语义动作、事件和控制器叠层，而且用户可以随时退出并删除历史数据。两者可能对应不同的数据来源和处理阶段，但目前公开资料尚不足以说明，Medal全量数据中究竟有多少具有可直接用于训练控制模型的细粒度动作标签。

从Atari的「梦」，走到真实世界

General Intuition的故事很容易被写成一个拥有数据的平台突然转向AI，但它并不只是把Medal的录像交给一群新招来的工程师。

三位联合创始人Eloi Alonso、Adam Jelley和Vincent Micheli此前长期研究世界模型。2022年，Micheli和Alonso等人提出IRIS：先让模型通过少量真实游戏交互学习一个虚拟环境，再让强化学习智能体在模型生成的「想象」中训练。IRIS在Atari 100k基准上只使用相当于约两小时游戏的10万步交互，就在26款游戏中的10款超过人类水平，平均人类归一化得分达到1.046。IRIS论文证明了一件事：只要世界模型足够准确，智能体不必把所有训练时间都花在真实环境里。

两年后的DIAMOND又向前走了一步。此前的世界模型通常把画面压缩成离散token，再预测下一组token，但这种压缩容易丢掉细小却与控制有关的视觉信息。DIAMOND使用扩散模型生成环境的后续画面，让智能体在扩散模型产生的世界中训练，在Atari 100k上把平均人类归一化得分提高到1.46，并用静态的《反恐精英：全球攻势》录像生成了一个可以交互的神经网络游戏环境。DIAMOND论文后来入选NeurIPS 2024 Spotlight，三位主要研究者则共同加入了General Intuition的创始团队。

2026年7月，General Intuition、Kyutai与Epic Games又发布了MIRA。它试图解决一个比单人Atari更难的问题：世界模型能否同时理解多个参与者的动作，并正确判断究竟是谁造成了场景变化。

团队选择的环境是《Rocket League》。这款游戏把足球、汽车和多人对抗放进同一个高速运动系统，四辆车同时移动、碰撞、加速、跳跃和击球，任何玩家的操作都可能改变其他三个人看到的画面。MIRA使用约10000小时2V2比赛训练，由一个50亿参数的扩散Transformer和一个6亿参数的视频表征编解码器组成，可以在一块Nvidia B200 GPU上以每秒20帧的速度生成四名玩家的同步视角。模型没有读取游戏引擎的物理规则，也没有显式三维表示；训练阶段只看画面和动作，却学会了汽车碰撞、球的运动、加速值消耗、进球与重新开球等机制。MIRA的技术报告显示，模型在训练时只看四秒左右的短片段，生成分布却能在五分钟测试区间内维持稳定，团队还观察到它连续运行数小时而不完全崩溃。

MIRA是General Intuition目前最完整的公开技术证明，但它同时暴露了这条路线距离真实机器人还有多远。

首先，MIRA使用的10000小时训练数据并不来自Medal的人类玩家，而是由公开的Nexto游戏机器人自我对战生成。比赛被限制在三个场馆，四辆车全部由同一种高水平bot控制。这种数据动作准确、物理状态可用于评测，而且几乎没有现实录像中的噪声，却牺牲了人类行为和环境分布的多样性。因此，MIRA证明了团队可以做出可控制、长时间运行的多人世界模型，却没有直接证明「十七万百万Medal用户的数据」已经被有效转化为机器人能力。

其次，它仍会在训练分布之外出错。汽车被球短暂遮挡后可能消失；玩家故意不追球、把车停到异常位置，画面会开始融化；进球回放超出短期上下文以后，模型会编造一段看起来合理、但与刚才进球过程不一致的录像。这些错误在游戏里只是有趣的视觉故障，放进真实世界则可能变成碰撞、跌倒或设备损坏。MIRA团队自己列出的限制恰好解释了世界模型评测最困难的地方：生成画面「像真的」，不等于它遵守了正确的物理规律，更不等于机器人可以安全地在其中学习。

机器狗演示跨出了虚拟世界，但证据等级要低得多。目前没有公开论文说明游戏模型如何映射到机器狗的控制空间，没有披露导航成功率、测试路线长度、碰撞率和延迟，也没有提供「经过游戏预训练」和「只用八分钟真机数据训练」的对照实验。公司所展示的能力主要是单目视觉导航和简单探索，尚不是接触丰富的操作任务。

从游戏迁移到四足机器人、轮式设备和无人机，有一个天然便利：这些设备原本就可以通过摇杆、键鼠或游戏手柄控制，动作空间相对紧凑。模型在游戏中学到「画面输入—移动指令—环境变化」的闭环后，只需重新适配动作输出。到了双足人形机器人和灵巧手，问题会陡然变难。几十个关节需要连续协同，视觉之外还有本体感知、力、触觉、摩擦、柔顺和接触状态，而游戏录像几乎不包含这些信息。《华尔街日报》也特别指出，General Intuition当前路线更适合四足、轮式和飞行设备，尚不能覆盖多数双足人形机器人。

因此，「游戏录像训练机器人」更准确的说法，不是游戏数据替代机器人数据，而是游戏数据承担预训练，真实世界数据从「教会模型一切」变成「完成最后适配」。这条路线成立与否，最终要看同一个模型能否在不同本体、不同环境中，持续把真机数据需求降低一个甚至两个数量级。

60亿美元买的，是下一种基础数据的可能性

General Intuition的估值在两个月内从23亿美元升至超过60亿美元，并不是因为它已经卖出了大量机器人软件。

公司目前只披露拥有少量游戏、仿真和机器人客户，官网称第一批合作伙伴已经接入商业API，但没有公布收入、合同金额和实际部署规模。更广泛的API原计划在2026年夏末开放。

上一轮3.2亿美元融资中的大部分资金也不是用于量产或渠道扩张，而是投入CoreWeave的算力和下一代预训练。CoreWeave的案例显示，General Intuition仍在摸索世界模型训练的扩展规律，包括数据量、参数规模和多机训练性能之间的关系。

投资人押注的是另一个更大的命题：如果语言模型的关键原料是文本，那么物理智能的关键原料可能是带有动作的连续经验。

在这个命题下，General Intuition同时拥有三种稀缺资产。

第一是Medal持续产生的私有行动数据；第二是一支已经通过IRIS、DIAMOND和MIRA证明过世界模型研发能力的团队；第三是一种足够横向的商业想象——它不与Figure、特斯拉或任何具体机器人本体竞争，而是试图成为所有可移动机器共享的预训练模型和数据基础设施。一旦跨本体迁移成立，每增加一种机器人，合作方返回的真实数据又可以继续训练统一模型，形成从游戏数据起步、由真实部署强化的飞轮。

这也是资本愿意提前支付高价的原因。一个机器人制造商的市场规模，受限于它能卖出多少台设备；一个物理智能基础模型供应商的理论市场，则可以覆盖游戏NPC、自动驾驶、无人机、四足机器人、工业移动设备和未来的通用机器人。60亿美元并不是对当前收入的估值，而是对「物理世界的OpenAI」这一位置的竞价。

但从研究证据看，这笔估值目前仍然跑在能力前面。General Intuition已经证明，动作条件世界模型可以从游戏像素中学到复杂动态，也展示了少量真机数据适配四足机器人导航的可能性；它还没有证明，这种迁移能稳定扩展到新的机器人、新的控制结构和接触操作，更没有证明在真实客户环境中能够达到可用的可靠性。

接下来最值得关注的不是它还能融多少钱，也不是下一段机器狗视频看起来是否更加流畅，而是一组非常具体的实验：在相同任务和成功率下，游戏预训练到底减少了多少真实机器人数据；优势能否跨越四足、轮式、无人机和机械臂；当环境、视角和动作空间发生变化，模型是否仍然优于从头训练；进入长时间运行以后，碰撞和失控概率如何随时间累积。

如果这些实验得到肯定答案，Medal的游戏录像就不再是一堆供人消遣的高光片段，而会成为目前规模最大的具身行为语料库之一。General Intuition也可能证明，在机器人开始进入家庭和工厂之前，人类已经在虚拟世界里替它们完成了一部分预训练。

如果答案是否定的，那么今天的60亿美元，只是资本把「世界模型」「游戏数据」和「机器人」三个最热门的词，过早地乘在了一起。

General Intuition真正提出的并不是一个荒诞问题。它提出的是机器人行业早晚必须回答的问题：当真实世界的数据太贵、太慢，也太危险时，机器能不能先从人类玩过的世界里，学会如何行动？