Американская компания General Intuition привлекла $320 млн на обучение мировой модели с помощью игровых данных

Репортаж от Wedoany，Нью-йоркский AI-стартап General Intuition завершил раунд финансирования на $320 млн, после чего его оценка достигла $2,3 млрд. Компания выделилась из игровой платформы Medal TV и вместо расширения текстовых корпусов сосредоточилась на использовании игровых видео, действий игроков и данных взаимодействия с виртуальной средой для построения мировой модели, обладающей способностью понимать пространство и время.

Технический подход General Intuition направлен на устранение недостатков больших языковых моделей в понимании физического мира. Такие модели, как ChatGPT и Claude, отлично справляются с генерацией текста, написанием кода, рассуждениями и ответами на вопросы, но они в основном обучаются на языковых и мультимодальных статических данных, и им всё ещё не хватает достаточно стабильных пространственно-временных моделей для понимания того, как движутся объекты, как персонажи избегают препятствий, как действия приводят к результатам и как среда меняется со временем. Особая ценность игровых данных заключается в том, что они естественным образом содержат непрерывную цепочку «действие — обратная связь — изменение среды»: перемещение игрока, прыжки, повороты, прицеливание, лазание, уклонение и столкновения — всё это даёт проверяемые результаты на экране. Модель может учиться на этих непрерывных фрагментах пониманию стен, теней, пространственных границ, выбору пути, углу обзора персонажа и последствиям действий, а не просто понимать «физический мир» из текстовых описаний. General Intuition использует такие игровые данные в качестве основного материала для обучения мировой модели, стремясь наделить AI-системы более сильными способностями к пространственному рассуждению, причинно-следственным суждениям и прогнозированию динамической среды.

Среди инвесторов этого раунда — Coatue, Эрик Шмидт, а также исследователи из MIT и Google DeepMind. Капитал, связанный с Безосом, также участвовал в компании. Средства будут направлены на расширение вычислительных мощностей, обучение новой версии модели и продвижение открытия API.

Мировая модель — это не просто генерация игровых сцен. General Intuition стремится обучить интеллектуальную систему, способную понимать состояние среды, предсказывать следующие изменения и различать «себя» и «внешнюю среду». Для физического AI такие способности критически важны: роботы, дроны, автономные транспортные средства и промышленные интеллектуальные агенты должны не только отвечать на вопросы, но и знать своё положение в пространстве, понимать, что изменят их действия, как препятствия влияют на траекторию, достижима ли целевая цель и несут ли последовательные операции риски. Хотя игровые сцены являются виртуальной средой, они предоставляют огромное количество недорогих, повторяемых динамических данных с метками действий, что подходит для обучения модели внутреннему представлению пространства и времени.

Генеральный директор General Intuition Пим де Витте ранее основал Medal TV, платформа которой накопила множество игровых клипов, загруженных игроками. После выделения из Medal TV ключевой актив компании сместился с игрового контент-сообщества на инфраструктуру обучения на игровых данных. Внутри компании среда обучения мировой модели называется «gym» — тренировочная площадка, где AI изучает закономерности действий в массе игровых поведений и изменений среды, а конечным внешним продуктом, вероятно, станет модель интеллектуального агента, способного к действиям.

Этот подход также поднимает вопросы о границах применения. Модель General Intuition в будущем может использоваться в сценариях с дронами, роботами, поисково-спасательными операциями и обороной. Как только соответствующие способности попадут в высокорисковые системы, это будет не просто вопрос обучения на игровых данных, но и ограничения на использование, проверка развёртывания, безопасность модели и этическая оценка. Текущая ключевая задача компании — преобразовать пространственно-временные закономерности из игровых данных в модельные способности, переносимые в реальную среду, и доказать, что такие модели применимы не только в виртуальных сценах, но и могут служить восприятию, прогнозированию и планированию действий физических AI-систем.