大语言模型把文字玩得炉火纯青，可一旦要理解”东西怎么在空间和时间里动”，就明显露怯了。ChatGPT、Claude 这类模型擅长生成句子，却不太懂物理世界里的因果。General Intuition 这家公司觉得，答案不在更多文本里，而在数十亿小时的游戏录像中。
“我们把它看作预训练的下一个阶段，”CEO Pim de Witte 说，”我们有一个单一模型，既能对着屏幕里的《堡垒之夜》做决策，又能适应真实世界的动态——这是大语言模型永远做不到的。”
从游戏片段里长出来的公司
General Intuition 脱胎于 Medal TV，一个让玩家上传和分享游戏高光的平台，月活大约 1000 万。过去几年沉淀下来的数亿小时录像，成了训练数据的起点。但真正值钱的不是画面本身，而是画面里内嵌的动作标签——玩家在哪个瞬间按了哪个键、按了多久。
这家公司刚完成一轮 3.2 亿美元融资，估值 23 亿美元，总融资额累计到 4.54 亿美元（去年 10 月成立时先拿过 1.34 亿美元种子轮）。投资方阵容相当扎眼：Khosla Ventures 领投，General Catalyst、杰夫·贝索斯、埃里克·施密特，甚至还有 F1 世界冠军尼科·罗斯伯格，以及 DeepMind 和 MIT 的研究人员。更有意思的是，de Witte 据称在 2024 年底拒绝过 OpenAI 开出的约 5 亿美元收购 Medal 数据的邀约。
八分钟真实数据，让机器人学会走路
公司最终要卖的不是世界模型，而是一个能从游戏泛化到现实世界的智能体。演示里最抓人的一幕，是一台四足机器人用和游戏智能体完全相同的”大脑”在办公室里自主探索，偶尔撞上椅腿，像个刚学步的孩子。令人意外的是，给这个机器人的模型做微调，只需要八分钟在户外街道采集的真实数据。
de Witte 把世界模型当成”训练场”——一个逐帧生成、而非传统引擎渲染的仿真环境。他让人走向一堵墙，角色没有穿过去。这种对物理常识的把握，正是他们押注的核心：游戏数据是一条能规模化的捷径。2025 年公司靠早期接入拿到了约 4000 万美元收入，产品计划在今年夏末正式开放。
为什么是游戏，而不是更多视频
多数竞争对手想仅凭视频画面反推动作，General Intuition 认为这远远不够。他们坚信，玩家按键的精确记录能帮模型区分”自我”和”环境”，建立起更深层的因果理解。Khosla 在采访里说，吸引他的是这份愿景加独有的数据壁垒：”对于世界模型，我认为那次跃迁会是 AI 里’直觉’的涌现。”
- 资金大头投向算力扩张，已与 CoreWeave 合作，准备下一版模型的预训练
- API 计划在今年夏末更大范围开放，让客户在工厂数字孪生、游戏工作室里检验模型
- “我们不会去做一家自动驾驶公司，我们要让下一个人做这件事容易十倍”
一条明确的红线
de Witte 早年做过三年人道主义工作，包括在无国界医生组织。他给技术划了一条硬杠：不碰致命自主武器。”假设我公开说要做致命自主武器，你觉得别国会怎么反应？”但他欢迎模型用在搜救上。公司还做了个叫 Nerve 的平台，给玩家提供数据标注、再到机器人远程操控的工作机会——这代玩家最容易被 AI 冲击，他想让他们站在牌桌这边。