目前，AI 技術的採用與投資正在邁入新階段，也就是將 AI 的應用版圖，逐漸擴展至實體經濟中。在這一波實體 AI（Physical AI）與世界模型熱潮中，總部位於紐約的 AI 新創 General Intuition 正嘗試在競爭激烈的市場中開闢一條新路。
《TechCrunch》旗下 Podcast 節目《Equity》，近期特別專訪 General Intuition 的共同創辦人暨執行長 Pim de Witte，深入剖析 General Intuition 如何利用電子遊戲數據，顛覆傳統機器人的訓練模式。
傳統大型語言模型（LLM）的預訓練方法，主要是複製網路上所有的文字數據，並要求模型預測下一個文本標記以發展出理解能力。雖然文字是極佳的資訊壓縮媒介，但這種模式會產生在某些領域表現出色，卻在某些領域表現不佳的狀況。這個癥結點在於，文字本質上會移除現實世界運作所需的空間與時間資訊；相較之下，卻有一種數據來源不只包含網際網路級別的資訊密度，更具備現實世界的空間及時間動態，那就是「電子遊戲」。因此，General Intuition 也將電子遊戲數據，視為預訓練實體 AI 的新藍海。
General Intuition 看見的資料缺口：實體 AI 需要真實動作標籤
傳統大型語言模型所依賴的文字數據，本質上都是從作者的主觀視角出發，所以難免帶有個人偏見。由於文字代表的是一種「被描述的現實」，但實體 AI 必須在「被感知的現實」中訓練，以一種中立且無偏差的方式理解世界，這就是為什麼網路上雖然有數百萬部 YouTube 影片，卻無法直接用來訓練高品質的實體 AI 世界模型，因為最關鍵的局限就在於，這些網路影片缺乏畫面外的「真實動作標籤」。例如，在一段飛機降落的影片中，飛行員移動方向舵的具體物理動作，無法在影片像素流或畫面影格中呈現。
Pim de Witte 指出，雖然有些 AI 實驗室主張可以單純從像素中推導出動作資訊，但當客戶要求模型在極端情況下依然要做出完美表現時，這種推測出來的數據就會出現嚴重誤差，進而導致系統失控。因此，如果缺乏真實的動作標籤，AI 模型在面對邊緣案例（Edge Cases）時，誤差會不斷累積，且模型將無法有效把自身的動作與周遭環境區隔開來。面對這樣的挑戰，General Intuition 決定利用獨家的「遊戲畫面加上玩家按鍵輸入數據」進行訓練，讓模型得以在精確的時空維度中推理與控制。
數億小時遊戲影片與玩家操作數據，如何變成機器人的世界模型？
為了實現這個願景，General Intuition 擁有獨特且具規模的專有數據庫，因為該公司是從 Metal TV 平台拆分而來，這讓他們可以直接繼承數億小時的遊戲影片，以及玩家按下按鍵的真實動作數據。這種規模高達數兆個標記（Tokens）的獨家數據集，為其提供了網際網路級別的預訓練庫，這在當前的世界模型研發中是絕無僅有的。
基於這些富含動作標籤的遊戲數據預訓練出來的基礎模型，在實體機器人應用上展現極其驚人的泛化能力。Pim de Witte 舉例，在 General Intuition 辦公室內，一台大型四足機器狗只接受短短八分鐘來自真實世界街道的機器人後訓練數據進行微調，就能在從未見過辦公室環境的情況下，僅憑前方鏡頭，在充滿走動行人和動態障礙物的辦公室中，成功進行零樣本導航。
這項突破對研發團隊而言是一個巨大的驚喜，這代表機器人開發者或許不再需要耗費巨資收集數百萬小時的真實世界數據，因為基礎模型的空間推理與泛化能力，就已經是可以直接輸出的產品。
Nerve 平台啟動資料飛輪：玩家遠端操控機器人，反過來訓練 Physical AI
物理世界模型的本質，就是在像素空間中精確預測隨著時間展開的環境動態。General Intuition 在預訓練中使用真實的動作數據而非推測數據，讓模型能夠內化物理與碰撞規則，提供直覺且可預測的模擬環境，而這正是與傳統模型最根本的不同。
這樣的差異，可以從 General Intuition 的模型與 Google DeepMind 開發的 Genie 模型對比中看出。Genie 為了追求極致的廣泛性，允許用戶輸入任何圖片，但這也導致模型容易遇到未曾內化物理碰撞規則的特定環境，進而產生不穩定的結果。相較之下，General Intuition 的模型能確保環境的預測與實體運作完全一致。
為了延續並擴大這個訓練生態，General Intuition 推出 Nerve 平台，提供數據標註與機器人遠端操控（Teleoperation）工作。當玩家透過 Nerve 平台遠端操作機器人時，系統便能即時收集人類在真實世界中實際採取的動作數據。因此，這項計畫不僅能減緩 AI 帶來的就業衝擊，更為 General Intuition 建立「創造工作與收集數據」的雙向飛輪。
透過多元且具備真實動作標籤的遊戲數據，General Intuition 正在打造一個能預測時空物理規則、控制模擬行為的通用基礎模型。General Intuition 的投資人 Vinod Khosla 對此指出，如同推理能力改變大型語言模型的遊戲規則，對於物理世界模型與具身 AI（embodied AI）而言，「直覺」（Intuition）與對物理規律的理解，將會是下一個重大飛躍。
【推薦閱讀】
◆ 歐洲人形機器人新勢力：特斯拉前科學家成立 UMA，靠什麼吸引 50 家企業洽談？
◆ 不賣家用人形機器人夢：Agility Robotics 如何用 RaaS、工業認證與真實數據打進倉儲物流現場？
◆ 【人形機器人家用化】22 度手指自由度、22 分貝靜音，1X NEO 用硬體差異化搶進家庭市場
＊本文開放合作夥伴轉載，資料來源：《TechCrunch》、《Axios》，首圖來源：General Intuition
