当谈到实现通用人工智能（AGI）时，大型语言模型（LLM）似乎力不从心。像ChatGPT和Claude这样的模型擅长处理文本，但在理解事物如何在空间和时间中实际移动方面却显得笨拙——而这正是产生通用智能所必需的能力。

发生了什么

TechCrunch报道了一位CEO的观点：电子游戏比互联网上的文本数据更适合训练AI。他指出，当前LLM主要依赖静态文本数据，缺乏对物理世界动态交互的理解。而电子游戏提供了丰富的三维环境、物理规则和实时反馈，能够帮助模型学习空间关系、因果链条和时序逻辑。

为什么重要

这一观点直击当前AI发展的核心瓶颈：数据质量与多样性。互联网文本虽然海量，但本质上是对人类知识的静态记录，缺乏对“行动-结果”链的深度编码。相比之下，电子游戏是高度结构化的交互系统，玩家在其中的每一步操作都会触发可预测的反馈，这种闭环数据对于训练能理解“如果……那么……”的智能体至关重要。

此外，游戏环境可以模拟真实世界的物理规律（如重力、碰撞、运动），甚至创造超现实场景，帮助AI学习抽象推理和规划能力。例如，在《我的世界》中建造房屋需要理解空间布局和材料属性，在《星际争霸》中需要制定长期策略。这些任务比“预测下一个词”更接近AGI所需的通用问题解决能力。

影响与看点

这一观点对AI行业有多重启示：

  • 数据策略转变：未来训练数据可能从“爬取互联网”转向“生成式模拟环境”，游戏引擎或将成为AI实验室的基础设施。
  • 模型架构调整：为处理游戏中的多模态（视觉、文本、操作）和时序数据，模型可能需要引入更强的记忆和规划模块。
  • 行业合作机会：游戏公司可能成为AI训练数据的新供应商，其3D资产和交互日志具有独特价值。

值得关注的是，已有研究团队利用《我的世界》训练智能体完成复杂任务，但大规模应用仍面临计算成本和环境多样性的挑战。这位CEO的观点虽非全新，但将游戏数据与AGI直接挂钩，可能推动更多资源向这一方向倾斜。

独立判断：电子游戏数据不会是AGI的万能药，但它提供了一条弥补LLM“物理常识”缺失的可行路径，尤其是在机器人学习和自动驾驶等领域。