机器人领域的ChatGPT时刻或许比想象中更近，但推动它的不是更多真实世界数据，而是游戏。
发生了什么
初创公司 General Intuition 正在探索一条新路径：利用数百万小时的视频游戏数据来训练机器人基础模型。其核心思路是，游戏世界中丰富的物理交互、场景多样性和任务复杂度，可以作为物理AI（Physical AI）的“预训练”数据，让机器人学会理解物理规律、物体操作和空间导航，从而在真实世界中只需少量数据即可快速适应新任务。该公司认为，这种做法有望复现类似ChatGPT在语言领域的效果——通过大规模预训练实现通用能力的涌现。
为什么重要
机器人领域长期面临数据瓶颈：真实世界的数据采集成本高、效率低、场景覆盖有限。相比之下，视频游戏提供了近乎无限、低成本且标注丰富的物理交互数据。如果General Intuition的方法可行，它将彻底改变机器人学习范式——不再依赖昂贵的真实机器人数据采集，而是通过游戏模拟先让模型掌握通用物理常识，再通过少量真实数据微调。这类似于自然语言处理中，先在大规模文本上预训练，再在特定任务上微调。
此外，这一思路也呼应了“基础模型”在机器人领域的应用趋势。目前，谷歌、特斯拉等公司也在探索类似方向，但通用智能的方法更聚焦于游戏数据这一特定来源，其可扩展性和效果值得关注。如果成功，它可能加速服务机器人、工业机器人等领域的商业化进程。
影响与看点
对开发者而言，这意味着未来机器人开发可能从“写代码”转向“训练模型”，且训练数据的获取门槛大幅降低。游戏引擎（如Unity、Unreal）和模拟器将成为机器人开发的基础设施。
对行业而言，这一方向有望降低机器人部署成本，尤其是针对非结构化环境（如家庭、仓库）的机器人。但挑战同样存在：游戏世界与真实世界之间的“模拟到现实”（Sim-to-Real）差距如何弥合？模型在游戏中学到的技能能否可靠迁移？
值得关注的点：General Intuition 是否会在近期发布实验成果或开源部分模型？其他公司（如Nvidia、Meta）在类似方向上的进展如何？以及，监管机构如何看待这种“先模拟后现实”的训练方式对机器人安全性的影响？
独立判断：游戏数据是机器人学习的“金矿”，但挖矿需要正确的工具——关键在于设计合适的任务、奖励和域随机化策略，而非单纯堆数据。
