视频游戏不再只是一个娱乐市场，并可能成为下一代人工智能最具战略意义的资源之一。虽然大型语言模型已经从网络数据中学习，但机器人、自动驾驶汽车和未来的物理代理需要不同类型的学习：了解他们的行为如何改变他们的环境。虚拟世界恰恰提供了这个实验领域。
英国初创公司 Worldmodeldata 筹集了 800 万欧元，这说明了这一趋势。该公司并不是在开发语言模型、机器人或电子芯片，而是正在构建一个视频游戏训练数据库，以便为“世界模型”提供动力，这些模型不仅能够理解世界，而且能够在世界中行动。对于当今面临严峻挑战的行业来说，这项创新可能会带来变革。因此，视频游戏可以成为物理人工智能的战略基础设施，并根据其虚拟宇宙的价值找到第二种经济模型。
互联网之后，下一个AI原材料去哪里寻找
生成式人工智能建立在互联网上捕获的丰富资源之上。大型语言模型已经学会通过吸收数十亿网页、书籍、代码行和图像来预测下一个单词。这种策略取得了惊人的进展，但当目标不再是生成文本而是与世界互动时，它就达到了极限。
识别照片中的锤子是一回事，知道如何抓住它、根据其重量调整握力、击中钉子或预测移动物体的轨迹则是另一回事。未来的机器人、自动驾驶汽车或工业代理将必须从行动、后果和物理动力学方面进行思考。他们必须学习因果关系。
这正是世界模特的野心。与预测最可能的内容的生成模型不同，它们试图根据给定的动作预测环境的演变。如果机器人推门，会发生什么？如果车辆在湿滑的路面上制动，其周围环境会发生怎样的变化？这种在心理上模拟决策后果的能力构成了人工智能实验室的主要研究领域之一。
为什么研究人员现在对视频游戏感兴趣
为了训练这些模型，互联网上可用的数据不足。视频显示一辆汽车左转。它没有说明原因、转向角度、轮胎抓地力、速度或对车辆施加的力。
相反，视频游戏引擎知道模拟中的每个变量。它计算重力、碰撞、速度、质量、轨迹、机械约束以及物体之间的所有相互作用。每个玩家的动作都会被记录下来，并附有其背景和后果。
这种差异是根本性的，Epic Games 使用 Unreal Engine 或 Unity Technologies 开发的引擎并不简单地生成图像，而是生成每个状态已知的完全模拟环境。对于研究机器人或自动驾驶汽车的实验室来说，这些世界构成了前所未有的丰富数据源。
这正是Worldmodeldata的经济模型。该初创公司将 Unreal 或 Unity 开发的游戏中的游戏转变为供人工智能实验室使用的结构化数据游戏。与法学硕士兴起时的大规模收集做法不同，该公司声称通过与工作室和创作者签订许可协议独家运营，为内容持有者提供了获得报酬的可能性。
游戏引擎成为关键基础设施
这种发展远远超出了视频游戏领域。多年来，视频游戏技术逐渐向行业迁移。
在虚幻引擎上开发的 CARLA 项目已成为自动驾驶汽车研究人员使用的主要仿真平台之一。微软设计的 AirSim 也基于 Unreal，用于在实际部署之前在虚拟环境中训练无人机和自动驾驶汽车。
就 NVIDIA 而言，它已经大大扩展了 Omniverse 平台的野心。它最初是为工业数字孪生设计的，现在用于通过 Isaac Sim 来训练机器人，Isaac Sim 是一个基于与游戏引擎相同原理的模拟环境：忠实地再现物理定律，以便让机器能够无风险地学习。
Google DeepMind 的逻辑与 Genie 和 Genie 2 相同，能够从图像生成交互式世界；Meta 也正在开发 Habitat，以在虚拟环境中训练化身代理。
目标是用模拟中进行的数十亿次迭代来取代现实世界中的部分学习。
经济风险是巨大的，因为在工厂训练机器人需要昂贵的设备、固定设备并涉及风险，但在虚拟宇宙中同时训练数千个机器人只需要计算资源。
出版商发现第二种经济模式
这一变化可能会深刻改变视频游戏行业本身。到目前为止，游戏的经济价值基于销售、订阅、附加内容或微交易。明天，虚拟宇宙也可能成为训练人工智能的战略资产。
工作室已经拥有实验室正在寻找的东西：城市、道路、建筑物、角色、人类行为、物理交互和数百万小时的游戏时间。
他们的遗产将不再局限于用于娱乐的知识产权，并将成为训练未来机器人的可利用资源。
Worldmodeldata正是在尝试组织这个新的价值链。它的目标是到 2026 年底建立一个包含超过 100 万小时数据的库，而目前可用的最大数据集的数据量约为 40,000 小时。如果兑现这一承诺，该公司将拥有难以复制的战略资产。
这一前景可能会在游戏发行商和人工智能实验室之间开辟前所未有的许可市场。随着音乐平台已经学会通过流媒体服务将其目录货币化，工作室明天可以向自主系统的开发人员推广他们的宇宙。
新的人工智能价值链正在形成
Worldmodeldata 并不是一个孤立的案例，多家公司已经在构建这种新经济的不同砖块。
Encord 开发平台来注释和管理物理人工智能的数据。 Scale AI 继续扩展到国防、机器人和自动驾驶汽车领域使用的数据。 Labelbox同样定位于工业数据集的组织。
在世界模特领域，竞争正在加剧。 World Labs 由李飞飞创立，旨在构建能够理解和生成连贯三维环境的模型。 Stanhope AI 致力于研究机器人和国防的自适应模型。物理智能正在开发一个基础模型，旨在控制来自不同制造商的机器人。 Skild AI 通过嵌入式人工智能通用平台追求类似的目标。 BeyondMath 将这些方法应用于物理模拟。
这些公司并不直接制造未来的机器人，而是开发软件基础设施、数据和培训环境，然后允许其他参与者设计它们。
模拟的局限性
然而，认为机器人只能在电子游戏中学习的想法仍然有些过分。机器人技术长期以来面临着以下问题 模拟与真实的差距。在模拟中表现良好的系统可能会在首次实际部署中失败。材料老化、传感器漂移、人类行为不可预测，工业环境很少像数字环境那样干净。
电子游戏也引入了自己的偏见。玩家所承担的风险是任何真正的车手都不会接受的。物理引擎有时会偏向于体验的流动性，从而损害绝对的科学保真度。最后，罕见事件虽然对于训练关键系统至关重要，但仍然难以重现。
因此，模拟不会取代现场数据，但会显着减少在实际条件下验证之前的学习阶段的成本和持续时间。
下一场人工智能之战将是数据之战
三年来，全球竞争的焦点集中在语言模型、半导体和计算能力上。现在出现了一个新的价值层，即允许人工智能与其环境交互的数据。
这一发展为视频游戏行业带来了意想不到的机遇。为创造沉浸式世界而开发的引擎可能成为物理人工智能的关键基础设施。出版商的目录可以获得的价值远远超出娱乐范围。数百万玩家产生的数据可能成为机器人、自动驾驶汽车或工业代理实验室最抢手的资源之一。
如果伟大的语言模型是互联网的孩子，那么能够在现实世界中行动的人工智能明天很可能就是虚拟世界的孩子。
