AI新进化：从你的糟糕游戏技巧中学习

一家英国初创公司正在押注一个看似不起眼的判断：玩家在电子游戏中那些笨拙的操作，可能正是训练下一代AI模型最稀缺的养料。这家名为Worldmodeldata的公司，由深度学习先驱Yann LeCun担任顾问，正在把游戏工作室积累的海量手柄输入和操作数据打包成训练数据集，卖给那些急于突破瓶颈的世界模型实验室。公司CEO Rhea Loucas对《连线》杂志直言：“有数百万款优秀的游戏，它们越来越接近真实世界。为什么不把游戏中那些丰富、多样、海量的经验拿来教AI？” 这背后的逻辑，要从当前AI行业的一个共识说起。越来越多研究者认为，大语言模型（LLM）虽然能写文章、编代码，但受限于只被文字训练过，它们很难真正理解物理世界——让LLM去开自动驾驶汽车、操控机械臂，或者完成任何需要精细动作的任务，基本力不从心。于是，包括李飞飞、Yann LeCun在内的一批顶尖学者，把目光转向了另一类AI：世界模型（World Model）。要让世界模型搞懂现实中的物理规律，光有视觉数据不够，还必须搭配动作数据——比如机械臂抓取物体时用了多大力、施加了多大扭矩。问题在于，互联网上根本没有这种“因果配对”的大规模语料。萨里大学AI副教授朱夏添指出：“世界模型需要因果关系，而互联网上这类数据极少。” Worldmodeldata的解法，是去游戏里“挖矿”。游戏天然产生大量视觉画面加玩家操作的配对数据，而且这些数据量大、场景多样，恰好能覆盖现实世界中那些罕见但致命的边缘情况。Khosla Ventures合伙人Nicole Fraenkel解释说，靠雇人演示抓取放置任务，重复再多也模拟不出真实世界的混乱，“而汽车、飞机、无人机、工厂叉车或自主四足机器人一旦出错，代价极高”。目前，Worldmodeldata已从多家热门游戏工作室获得了近100万小时的数据授权，但Loucas拒绝透露具体是哪些游戏。公司还计划未来让普通玩家也能从自己的游戏数据中获得分成。如果世界模型的性能真如业界假设的那样随数据规模增长而提升，那么游戏数据很可能成为破解训练数据瓶颈的关键钥匙。