这家公司用游戏训练机器人，估值 23 亿美元

投资人信了。

作者｜桦林舞王

编辑｜靖宇

两年前，OpenAI 拿出 5 亿美元想买下 Medal，一个游戏录像分享平台。创始人 Pim de Witte 拒绝了。

这个决定当时看起来可能有点莽。

General Intuition 创始人 Pim de Witte｜图片来源：techcrunch

但在 2026 年 6 月的今天，de Witte 旗下的 AI 公司 General Intuition 完成了 3.2 亿美元的 A 轮融资，估值达到 23 亿美元，由 Khosla Ventures 领投，Jeff Bezos、Eric Schmidt 以及 Google DeepMind 和 MIT 的研究人员也参与其中。算上去年 10 月启动时的 1.34 亿美元，他们的累计融资已经超过 4.54 亿美元。

OpenAI 当时出价 5 亿，今天 General Intuition 的估值已经是那个数字的将近五倍。市场用真金白银在告诉所有人：这堆游戏录像，比大多数人想象的值钱得多。

01

游戏录像里藏着什么

要理解 General Intuition 在做什么，需要先搞清楚一个前提问题——机器人到底缺什么训练数据。

传统的机器人 AI 训练，依赖两条路。一是在真实环境里采集数据，成本极高、周期极长；二是在仿真器里训练，速度快，但存在一个令所有人头疼的问题：「仿真与现实的差距」。你在 Unity 或者 Unreal 里训练出来的模型，放到真实的地板和墙壁前，往往表现得像个路痴。

General Intuition 的切入点是：游戏数据既不是纯仿真，也不是真实环境，但它可能是连接两者的桥梁。

Medal 作为一个游戏录像平台，积累了数十亿小时的游戏画面，但这些画面不是普通的视频。正如 Crypto Briefing 的分析所指出的，General Intuition 拥有的是「每一帧都配对了玩家实际输入——鼠标移动、按键操作、战略决策」的数据。

用来训练的游戏录像｜图片来源：General Intuition

这是纯粹的游戏录屏做不到的：你看到的不只是角色在动，你还知道人类玩家在那个时刻做出了什么决策。

从《堡垒之夜》的第一视角穿越建筑，到《Apex 英雄》里快速识别地形并选择落点，这些游戏场景包含了大量的空间推理信息。人类玩家每天都在训练自己的大脑处理三维空间、预判物体轨迹、在动态环境中做出实时决策——这些能力，恰好是真实世界里的机器人最需要的。

de Witte 在接受采访时说过一句话，点出了 LLM 路线的局限：「作为人类，我们创造文字来描述世界上发生的事情，但这样做，你会丢失大量信息。」他们想要的是更原始、更接近感知层的数据，而不是人类事后用语言总结出来的文字。

02

8 分钟数据

在纽约的发布现场，General Intuition 做了一个展示，细节值得仔细看一下。

他们用游戏数据预训练了一个空间推理模型，然后用仅仅 8 分钟的真实机器人运动数据对其进行微调。这个机器人，在街道上采集了这 8 分钟的数据，然后被放进一个它从未去过的室内办公室，依然能够正常导航。

8 分钟，这个数字是核心。

游戏录像中汇集了各种虚拟空间数据｜图片来源：General Intuition

通常的机器人训练需要在目标环境中反复采集大量数据，或者在高度精确的仿真环境中跑无数轮。而 General Intuition 的逻辑是：游戏数据已经给模型建立了足够强的空间推理基础，迁移到真实世界所需要的「真实数据微调量」因此被大幅压缩。

这条逻辑听起来足够优雅。但这里有一个地方目前还看不太清楚——这种迁移的泛化边界在哪里。

街道到办公室是一次演示，但复杂的真实工业场景、各种光线条件、地面材质的变化，这些能否同样被 8 分钟的数据桥接，目前还没有公开的基准测试来验证。AI CERTs News 的评论也提到了这一点：「仿真与现实的迁移差距仍然存在，需要严格的基准测试。」

General Intuition 承诺今年晚些时候会发布公开评估结果。

03

钱流向世界模型

General Intuition 的这轮融资，不是孤立事件，而是今年一波融资浪潮里的一部分。

World Labs 在 2 月完成了 10 亿美元融资；Decart 在 5 月拿到 3 亿美元；Odyssey 在 6 月关闭了 3.1 亿美元的轮次，亚马逊和 AMD 参与其中。这些公司的共同关键词，是「世界模型」——用大量真实或仿真的视觉数据，让 AI 建立对物理世界的理解。

资本正在一致押注一个判断：下一阶段的 AI 竞争，不在语言，在物理。

但这场竞争里，General Intuition 的护城河相对具体。游戏数据这条资产，别人很难复制。Medal 积累的数十亿小时录像，是多年积累的结果，不是今天开始采集明天就能有的东西。这也是 OpenAI 当年愿意出 5 亿美元来买的原因——数据本身就是壁垒。

新一轮融资的用途，公司透露大部分将投入算力扩容，同时计划在今年夏末把 API 开放给更多开发者。从封闭研发走向开放生态，这是 General Intuition 从一个「有趣的研究项目」，变成「平台级公司」的关键一步，也是这笔 23 亿美元估值能否撑住的真正考验。

对游戏开发者可能有的另一个疑问，de Witte 在播客采访中也回应过：他认为担心游戏模型取代开发者是「言过其实」，训练 AI agent 的空间推理，与游戏内容生成是两条完全不同的赛道。

游戏画面是原材料，而不是竞争对象。

04

这条路有多远

把游戏里的虚拟物理迁移到现实，这个想法并不是今天才有人想到。

游戏引擎在机器人仿真领域早就有广泛应用，NVIDIA Isaac、Unity Robotics 都在做类似的事。General Intuition 的不同之处，是它拥有的不是引擎本身，而是人类在游戏里实际行动的痕迹——带有意图的数据，而不是纯粹的物理仿真输出。

这个差异可以用一个简单的类比来理解：就像教一个学生开车，你可以给他看物理教材里关于摩擦力，和转弯半径的所有公式，也可以让他坐在老司机旁边，看一千个小时真实驾驶录像，然后感受方向盘在手里的力道。后者效率不一定更高，但建立的是一种更接近本能的能力。游戏录像对于机器人空间推理的价值，大概就在这里。

当然，驾驶游戏和真实驾驶之间有差距，《堡垒之夜》里的物理引擎和现实世界的物理规律也有差距。这个差距有多大、能被多少数据弥合，是 General Intuition 接下来需要用产品和基准来回答的问题，不是靠演示和估值来回答的问题。

在世界模型融资浪潮里，每家公司都在讲一个关于「物理 AI」的宏大故事。但真正的分水岭，往往出现在 API 开放之后——开发者拿到它，能做出什么，做不出什么，很快就会有结论。General Intuition 的夏末 API 计划，大概是比这轮融资更值得盯住的时间节点。

游戏行业用了几十年训练人类大脑处理三维空间，现在这些数据反过来训练机器人的大脑——这个轮回本身，就已经足够有意思了。

*头图来源：General Intuition

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

你认为游戏里的虚拟物理，
能迁移到现实世界的机器人身上吗？