2026年6月26日，AI创业公司General Intuition宣布完成3.2亿美元的新一轮融资，估值达到23亿美元。公司的核心理念是——电子游戏中蕴含的海量人类行为数据，是训练AI Agent理解现实世界的"黄金教材"。通过在虚拟游戏世界中学习的人类行为模式，AI Agent能够发展出在现实世界中同样适用的推理和决策能力。
General Intuition的训练方法与主流的"大规模语言数据训练"路线截然不同。传统的AI Agent训练依赖文本数据来学习知识和推理能力，而General Intuition使用游戏录像数据——记录人类玩家在游戏中的每一次操作、每一个决策和每一段反应。这些"动作数据"包含了丰富的行为信息：玩家面对挑战时的策略选择、在不确定性下的风险判断、资源有限时的优化决策等。
公司的训练数据覆盖了超过2000种电子游戏，从《我的世界》这样的开放式沙盒游戏（训练创造力和空间推理）到《星际争霸》这样的即时战略游戏（训练策略规划和资源管理），从赛车游戏（训练实时反应和物理直觉）到复杂策略模拟游戏（训练长期规划和系统思维）。总训练数据量超过数亿小时的人类游戏录像。
General Intuition的核心技术突破在于，证明了在虚拟游戏世界中训练的AI Agent能够将在游戏中获得的推理能力迁移到现实场景中。这并非简单的"在游戏里学会了一个技能就在游戏中执行"，而是AI从游戏行为中抽象出了通用的推理模式——如"先探索后利用"的决策策略、"在信息不完全时做出最优判断"的风险管理能力以及"在多个约束条件之间找到平衡"的多目标优化能力。
公司进行了一项令人印象深刻的能力迁移实验：让经过《我的世界》游戏数据训练AI Agent学习在现实仓库环境中操作机械臂进行物品分拣。在仅有少量现实数据微调的情况下，AI Agent就学会了根据物品特征进行分类和搬运——这一能力的核心正是从游戏中的"资源收集和分类"行为中抽象出来的模式识别和空间操作能力。
General Intuition的CEO David Chen在采访中解释道："电子游戏是人类设计的最复杂的交互式环境之一。每个游戏本质上都是一个'微型世界'，具有自己的规则、约束和挑战。当人类在游戏中做出决策时，他们实际上在进行复杂的认知操作——这正是我们希望AI学习的。"
3.2亿美元的新融资将用于三个核心方向：扩大训练数据规模、提升模型能力和加速商业化落地。在数据方面，General Intuition计划与更多游戏开发商合作获取游戏录像数据，目标在2027年将训练数据量提升到10亿小时级别。在模型方面，公司正在开发新一代的游戏学习基础模型——"Game GPT"，能够泛化到数千种游戏而无需针对特定游戏进行专门训练。
商业化方面，General Intuition已经在与多家机器人公司、自动驾驶公司和工业自动化企业进行合作洽谈。这些企业对于将AI的"游戏推理能力"应用于现实场景表现出浓厚兴趣。例如，一家仓储机器人公司正在测试General Intuition的AI系统在复杂仓库环境中的路径规划和物品分拣能力。
投资方对General Intuition的技术路线表示高度认可。领投方Andreessen Horowitz的合伙人表示："General Intuition代表的是一条完全不同的AI发展路线——不是让AI读更多的文字，而是让AI做更多的动作。我们认为这种'以行动为中心的AI训练范式'可能是通往更通用AI的关键路径之一。"
General Intuition的方法在AI学术界和产业界引发了广泛的讨论和争议。支持者认为，游戏数据训练确实为AI Agent提供了比纯文本训练更加丰富的"认知训练场景"——AI不仅能学习"知道什么"，还能学习"如何行动"。反对者则质疑游戏与现实的差距问题——游戏中的物理规则、社会规则和因果逻辑与现实世界存在本质差异，游戏中学到的东西可能并不适用于现实场景。
加州大学伯克利分校的AI研究者Sergey Levine教授表示："在特定场景下，游戏训练确实能够带来显著的技能迁移效果，特别是那些涉及空间推理、模式识别和资源管理的任务。但对于涉及复杂社会交互、文化语境和道德判断的任务，游戏与现实之间的鸿沟可能过于巨大。"
无论如何，General Intuition的3.2亿美元融资表明，资本市场对这一差异化路线的信心十足。如果公司能够在未来一年内拿出更多令人信服的能力迁移案例，这条"游戏数据训练AI Agent"的技术路线可能会成为AI研究的一个全新范式，与当前的"大规模语言模型"路线并驾齐驱。
来源：TechCrunch、General Intuition官方博客、VentureBeat、MIT Technology Review、Berkeley AI Research
发布时间：2026-06-26