拒绝OpenAI的90后，靠游戏录像撬动400亿

作者丨晨阳

编辑丨小龙

2025年秋天，OpenAI曾以5亿美元报价，试图收购游戏录像平台Medal，但创始人Pim de Witte选择了拒绝。

一年后，Pim用一家新公司给出了答案。

9月30日，General Intuition完成2.2亿美元融资，投后估值达到62亿美元。Valor Equity Partners、Point72、Seven Seven Six等机构参与本轮投资，Khosla Ventures、General Catalyst等老股东继续加注。

从5亿美元的收购报价，到62亿美元的独立估值，Pim没有离开游戏，却换了一种方式重新定价手里的资产。

General Intuition并不是一家传统意义上的AI创业公司。它真正的起点，是Medal过去十年积累的游戏数据。

Medal目前拥有超过1000万月活用户，每年产生约20亿条游戏视频。对玩家而言，这些只是游戏录像；对Pim而言，它们记录的却是另一件更稀缺的东西——人在一个数字世界里如何观察、判断并采取行动。

General Intuition正在尝试把这些游戏中的视觉和操作数据，转化为机器人训练所需的空间交互数据。

游戏录像，正在从娱乐内容变成Physical AI的训练资产。

从游戏创业

到机器人训练数据

Pim de Witte很早就开始从游戏中寻找生意。

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

1994年出生于荷兰的他，十几岁时搭建并运营私人RuneScape服务器，赚到150万美元。此后，他创办游戏录像平台Medal，让玩家录制、保存和分享游戏内容。

随着游戏直播、短视频兴起，Medal快速扩张。目前平台月活用户超过1000万，每年产生约20亿条游戏视频片段。

但对Pim而言，Medal积累的价值并不止于用户规模。

游戏录像记录的并非单纯的视觉内容。玩家在游戏中移动、瞄准、驾驶、躲避障碍，每一次操作背后都对应着对距离、方向、速度和环境变化的判断。如果录像能够与键盘、鼠标、手柄等操作数据同步，它记录的就不仅是“发生了什么”，还包含了人在一个动态环境中如何做出行动决策。

这类数据恰恰是机器人训练长期缺少的部分。

互联网已经沉淀了规模庞大的文本、图片和视频，但这些内容很少完整记录人类如何在三维环境中行动。机器人需要的却不只是识别一个物体，还要理解物体在哪里、应该从什么角度接近，以及下一步该采取什么动作。

游戏提供了一个相对低成本、可重复的训练环境。

数以千万计的玩家每天在虚拟世界中移动、交互和完成任务，也在持续产生与这些行为对应的数据。对Pim来说，Medal过去十年积累的这些内容，因此有了新的价值。

用来训练的游戏录像｜图片来源：General Intuition

2025年10月，他从Medal分拆出General Intuition，将业务重心从游戏内容转向世界模型和机器人。

General Intuition的创始团队中，还包括Eloi Alonso、Adam Jelley和Vincent Micheli等世界模型研究者。他们此前参与的DIAMOND论文曾入选NeurIPS 2024 Spotlight。

目前，General Intuition团队约25人，Medal团队约65人。

Pim将公司的方向概括为一句话：

“AI从比特走向原子。”

所谓“比特”，是游戏里已经积累的数字世界；“原子”，则是这些数据最终要进入的现实世界——机器人。

机器人训练长期受制于一个现实问题：真实世界的数据既昂贵，又难以规模化获取。

让机器人在现实环境中持续学习，需要设备、场地和人工操作，还要承担碰撞、损坏以及安全风险。另一条成熟路径是仿真——机器人可以在虚拟环境中反复试错，训练效率更高，但虚拟世界与现实环境之间始终存在差异。

General Intuition试图从中间切入：利用人类已经在虚拟世界中留下的行为数据，训练机器人理解环境和采取行动。

游戏录像提供视觉信息，玩家的键盘、鼠标和手柄操作则提供与之对应的行动数据。两者结合后，模型学习的不再只是场景如何变化，还包括人在特定环境下如何判断、移动和做出下一步动作。

随着数据规模扩大，模型试图从具体的游戏规则中抽象出更通用的能力，例如空间关系、物体运动以及行动决策。

这也是General Intuition开发世界模型MIRA的基础。

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

相比模型有多少参数、采用什么架构，General Intuition更需要证明的是另一件事：

在虚拟世界中学到的能力，能否迁移到现实世界？

目前，公司已经展示了初步结果。

在游戏环境中，General Intuition的AI智能体可以连续运行100小时；与此同时，一台搭载单颗前置摄像头的四足机器人，能够在办公室环境中自主导航，避开行人和障碍物。

公司称，仅使用约8分钟的真实机器人运动数据进行微调后，这台机器人便能够在此前没有见过的室内环境中完成导航。

如果这一结果能够在更多环境和任务中稳定复现，游戏数据的价值就不再局限于训练游戏AI。

它可能成为机器人进入真实世界前的一层预训练数据。

但这条路径距离成熟仍有距离。

办公室环境相对可控，建筑工地、家庭、野外等真实场景则更加复杂，光照、材质、障碍物和突发事件都会改变机器人的决策。

过去几年，AI训练数据主要来自互联网。

文本训练语言能力，图片和视频帮助模型获得视觉能力。但对机器人而言，仅仅“看懂”还不够，它还需要知道，人面对一个三维环境时如何判断距离、选择路径，并最终完成动作。

这类数据很难像网页内容一样批量获取，现实世界采集的成本又很高。于是，围绕机器人训练，市场正在形成几条不同的技术路线。

NVIDIA的Isaac Sim试图把机器人训练搬进大规模仿真环境；DeepMind的Genie系列探索生成和理解可交互世界；World Labs的Marble则聚焦3D世界生成。

General Intuition选择的切口不同：先利用人类已经完成的大量行为，再把这些行为转化为模型的训练经验。

这条路线最大的吸引力，是数据获取方式。

Medal已经拥有超过1000万月活用户，每年产生约20亿条游戏视频。General Intuition不需要从零搭建机器人数据采集网络，而是可以建立在既有的数据和用户基础之上。

这也是资本愿意给出高估值的原因之一。

截至目前，General Intuition的机器人客户规模仍不足以支撑62亿美元估值。投资人真正押注的，是它能否把已有的数据资产进一步标准化、规模化，最终形成一套面向Physical AI的训练基础设施。

国内玩家的切入方式，则呈现出三种不同路径。

光轮智能更接近“数据基础设施”。它从物理AI数据和评测切入，同时覆盖人类行为数据、仿真合成数据和工业级评测，试图解决的是机器人训练数据如何生产、管理和验证的问题。

黎曼动力押注的是“模型”。昆仑万维旗下黎曼动力推出机器人世界行动模型Riemann-1.0，核心思路是利用大规模交互数据训练机器人，让模型直接连接感知与行动。

网易伏羲走的是“产业场景”。相比从数据或模型切入，网易伏羲更依托游戏AI、数字孪生等既有技术能力，将其向工程机械、人机协作等真实工业场景迁移。

三家公司分别对应了Physical AI产业链的三个环节：数据、模型和应用。

游戏产业过去积累的实时交互、用户行为、3D渲染和物理仿真能力，正在被重新评估为Physical AI的潜在基础设施。

但游戏世界和现实世界，到底有多远？

玩家在游戏中开车、射击、跳跃、躲避障碍，并不意味着机器人就能在现实环境中搬运物体、打开门，或者穿过拥挤的人群。

游戏可以模拟物理规律，却很难完整复现现实世界中的摩擦、材质、光照、碰撞以及各种不可预期的情况。模型在虚拟环境中表现越好，也不代表它已经获得了足够的现实世界能力。

因此，General Intuition能否支撑62亿美元估值，最终并不取决于它拥有多少游戏录像，而取决于这些数据究竟有多少能够迁移到现实世界。

目前，“8分钟真实数据微调”已经给出了一个值得关注的技术信号，但距离大规模商业化仍有明显距离。

而General Intuition接下来要证明的是，这笔沉淀了十年的数据资产，究竟能不能在现实世界里兑现价值。

本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。