具身智能稀缺的数据，可能藏在这个游戏手柄里？|动作|机器人|游戏手柄|游戏画面|真实世界

游戏录屏平台 Medal 掌握的数十亿条玩家操作记录，正成为机器人模型训练的核心数据。

Medal 创始人皮姆·德·维特（Pim de Witte）透露，2024 年底，OpenAI 曾提出用 5 亿美元收购 Medal，但皮姆最终拒绝了这笔交易。

或许是受到 OpenAI 的启示，2025 年 10 月，皮姆亲自下场，创办了机器人模型公司 General Intuition，并获得 1.337 亿美元种子轮融资。2026 年 6 月，这家只有 25 位员工的公司宣布完成 3.2 亿美元 A 轮融资，杰夫·贝索斯（Jeff Bezos）等人参投，公司估值达到 23 亿美元。

截至目前，公司的少数客户分布在游戏、仿真和机器人三个领域，据称 2025 年总计获得约 4,000 万美元收入。

游戏录像，也可以是具身智能预训练的燃料

General Intuition 被看好的根源，正来自 Medal。

在电子竞技社区，玩家总会乐于分享自己的“高光时刻”。瞅准这一需求，皮姆于 2018 年创办了游戏录屏分享平台 Medal。

玩家在打游戏时顺手按个热键，即可将前几秒的游戏画面剪成短片，保存并发布。平台目前在全球拥有 1,700 万月活跃用户，每年上传约 20 亿条来自上千款游戏的游玩片段。

与大多数从第三人称视角记录的游戏视频不同，Medal 上的视频不止包含酷炫的视觉设计和过场动画，还有玩家的具体操作。

按照皮姆的说法，数十亿条带按键标注的游戏数据，组成了一个庞大的“意图-动作”数据库。所有能被游戏手柄和键鼠控制的事物，模型都能学会，进而驱动机器人在真实环境中实现目标。

这种能力无关身体形态，有望拓展至四足机器人的关节控制信号、无人机的姿态调整信号，以及自动驾驶汽车的方向盘和油门等。

一款专注服务游戏社区的工具，由此成为 General Intuition 的数据基座。

为机器人模型提供物理直觉的新来源

具身智能领域的主流模型是视觉-语言-动作模型（VLA），其基本逻辑是：用自然语言告诉机器人要做什么，模型结合视觉观察和语言指令，输出对应的动作序列。VLA 的预训练基础是视觉-语言大模型，再针对真实机器人操作数据进行微调。

但 VLA 模型的物理直觉一直是个短板，执行任务时，模型无法对周遭世界建立正确的物理规律认识，机器人就无法准确行动或实现交互。

对于这一问题，不同公司有不同的解法。

在 VLA 路线内部，Physical Intelligence 借助人类示范，直接采集机器人在真实世界中执行任务的操作数据，认为机器人模型必须在真实世界中学习；Skild AI 同时收集人类活动视频和物理引擎模拟得到的仿真数据。

General Intuition 推出的动作模型直接绕开了 VLA：不依赖语言指令，模型直接从视觉场景中自主判断下一步行动，并输出适配具体机器人的原生控制信号。

该策略的理论基础是将游戏录像的视觉帧和玩家操作统一编码为可预测序列，用处理语言的方式处理游戏交互。与语言模型预测下一个词类似，动作模型预测的是下一步动作。

训练动作模型时，Medal 的游戏录像用来做基础预训练，游戏设备产生的操作数据代替了传统的语言指令或动作示范，让模型掌握与真实世界交互的基本规律。

General Intuition 还为模型构建了“训练场”（the gym），利用世界模型逐帧生成近乎无限的仿真环境，具备初步交互能力的动作模型智能体（agent）在其中自主探索，以此实现能力的规模化扩展。

演示显示，General Intuition 构建的 AI 智能体已在一个类《堡垒之夜》的游戏中连续玩了 100 小时。而与其共用一个基础模型的大型四足机器人，依赖一只摄像头充当单眼，再加上户外真实世界中采集的 8 分钟微调数据，即可自主探索完全没见过的室内环境，只是偶尔会撞上垃圾桶或剐蹭椅子腿。

Medal 的数据不够全怎么办？

AlphaGo Zero 早已证明，在围棋等规则封闭、目标明确的领域，AI 通过自我对弈掌握的技能足以超越人类。因此，对于动作模型，只要它的虚拟“训练场”够强大，也就不再需要人类数据了？

答案可能是否定的，领投 General Intuition 种子轮和 A 轮的维诺德·科斯拉（Vinod Khosla）强调，Medal 上的视频记录能提供一类特殊的“人类反应数据”，即玩家在游戏中面对突发意外时的本能选择。作为一种从数亿年生物进化和数十年个人经验中产生的先验，人类的即时反应可能是 AI 在短期内难以自主涌现的能力。

不过，在 Medal 的热度榜单中，前十名几乎全是第一人称（FPS）或第三人称（TPS）的射击类游戏以及竞技类游戏。这些游戏更看重导航、瞄准、走位，模拟驾驶、飞行或物理解谜相关的游戏数据不够多，训练数据的多元性存在局限。

为解决这一问题，General Intuition 推出了众包平台 Nerve，让玩家用自己的游戏设备赚钱。Nerve 可以按需主动补齐数据缺口，不用“坐等”现有数据覆盖所有场景。无需重新设计游戏或改变操作习惯，用户就能完成基础的数据标注，甚至是远程操控机器人等复杂任务。

General Intuition 还有一类特殊的数据来源。皮姆称，他们会根据客户“能否提供对研究有价值的真实世界数据”，优先选择合作对象。比如能提供有趣、有用、能推动研究进展的真实世界数据的客户；以及团队组织灵活、能作为深度合作伙伴共同学习的公司。

按照 General Intuition 的思路，客户是 API 的购买者，也是数据供应商。相比之下，多数以 API 形式提供 AI 服务的公司，在商业化阶段都会明确承诺，不使用客户输入的数据来训练自己的模型，或者至少提供退出选项。

这种不同寻常的安排有其合理性：在具身智能领域，真实世界的多形态数据极度稀缺。四足机器人、无人机、工厂机械臂，以及自动驾驶等场景都需要专门的数据采集设施和大量投入。要想全覆盖，成本难以想象。

而和不同领域的机器人公司合作，General Intuition 可以直接从客户手中拿到不同形态的数据反馈，以此反哺基础模型。对数据敏感的大客户来说，这种安排可能会成为障碍。但对于一些早期机器人公司而言，“用数据换一个越来越强的基础模型 API”，比从零训练更划算。

要当具身智能领域的下一个 OpenAI

皮姆希望，General Intuition 可以成为具身智能领域的 OpenAI，他们也确实正沿着这一路径前行。

OpenAI 以非营利研究机构起家，2015 年成立时的使命宣言是“以最有可能造福全人类的方式推进数字智能的发展”。为了融资和吸引顶级人才，2019 年设立了具有利润上限的营利实体架构，此后经过多次调整，2024 年一度提出彻底转型为普通营利公司，引发巨大争议。

General Intuition 目前的架构同样是公益公司（Public Benefit Corporation），一种要求企业在追求利润的同时必须考虑更广泛社会影响的法律实体。

公司有意避开硅谷的 AI 创业氛围，将知识产权和数据放在荷兰，团队大部分成员分布在纽约、日内瓦、巴黎、伦敦等世界各地，皮姆本人声称，“找不到任何待在硅谷的理由”。

General Intuition 的价值观承诺是明确不做致命自主武器系统，这源于皮姆本人在人道主义领域的工作履历，此外，首席幕僚布里安娜·马丁（Brianna Martin）曾公开辞去在国防 AI 公司 Palantir 的职务，抗议后者与美国移民与海关执法局（ICE）的合作。

只不过，OpenAI 在规模化过程中遭遇的选择与摇摆，对 General Intuition 来说，或许只是时间问题。

不容忽视的问题

维诺德曾给出判断，General Intuition 与 Medal 的专有数据位置将使其成为一次“世代级的赌注”。无论如何，公司都该独立走下去。

然而，General Intuition 的发展依旧存在一些不容忽视的问题。用于演示的四足机器人，默认模式是漫无目的地“探索”。这虽然证实了动作模型具备自主导航能力，但在真实落地场景，具身智能的应用不可能止于导航，能否根据指令完成任务才是检验标准。目前，General Intuition 并未介绍其模型在具体任务表现上的进展。

而且，不同场景对应的具体交互方式需要细分：工厂场景的抓取，仓储场景的分拣，家庭场景在柔软、易碎、不规则的物体上精细操作，这要求模型必须具备力度控制、材质感知、形变预判等能力。截至目前，公司同样没有公开展示精细操作的案例。

游戏数据在具身智能的物理交互方面虽然有巨大潜力，但从导航到操作的跨度，可能比从游戏到导航更大。

据此，除非 General Intuition 能为不同场景的机器人“量身打造”一套游戏规则，否则，动作模型大概率将成为机器人模型中的一层，类似于人的运动神经和空间直觉，为机器人提供在物理环境中移动和交互的底层能力，执行层面依然由 VLA 模型等具备任务规划能力的模块完成。