当游戏世界开始训练 AI：为什么 GTA 和《我的世界》正在成为下一代智能的孵化器

最近两条看似无关的新闻放在一起，呈现出一个正在加速的趋势。

一条关于 GTA 6：根据零售商泄露的信息，Rockstar 的最新作品将使用"高级 AI"来驱动整个开放世界。NPC 不再只是按照预设脚本走来走去——他们拥有基于 AI 的独立日程，会在城市中自发产生随机事件；你的游戏内手机甚至会实时消费"病毒视频"，通过算法推荐让玩家发现隐藏任务。

另一条关于一家叫 General Intuition 的 AI 初创公司：它刚刚从 Khosla Ventures、General Catalyst 和 Jeff Bezos 那里筹集了 3.2 亿美元。这家公司的核心赌注是什么？用数百万小时的游戏录像来训练 AI 智能体，让它们学会理解空间、行动和现实世界中的因果决策。

两条消息，一个方向：游戏不再是 AI 要攻克的对象——游戏正在成为 AI 的训练场。

从击败人类到理解世界

过去十年，"游戏 AI"这个词基本上等于"AI 在游戏里打败人类"。1997 年深蓝赢了国际象棋，2016 年 AlphaGo 赢了围棋，2019 年 OpenAI Five 在 Dota 2 里击败了职业战队。每一次胜利的逻辑都一样：训练一个专门模型，在一个规则明确的封闭环境里做到超越人类。

但这次不一样。

General Intuition 并不想造一个能通关《艾尔登法环》的 AI。它想用游戏数据训练出的模型去理解现实世界中的物理交互和因果推理。你在《塞尔达传说》里砍树、点火、利用上升气流飞过悬崖——这些动作序列带着丰富的物理直觉和因果链。你在《GTA》里判断哪个 NPC 看起来可疑、决定是绕路还是硬闯——这些决策包含着社会推理和风险评估。

游戏，尤其是现代 3A 开放世界，提供了互联网文本永远无法提供的东西：具身化的、有因果结构的、可重复的交互数据。

文本之外，还有行动

当前主流大语言模型的训练数据主要来自互联网文本。这让它们在理解和生成语言方面极其强大，但也带来了一个根本性的局限：它们"知道"什么是对，却未必"理解"为什么对，更难以"执行"对的动作。

这个问题在学术界有一个名字——具身智能（Embodied AI）。简单说，就是让 AI 不只会说，还会做。而"会做"的前提是理解物理世界的基本规律：重力、碰撞、遮挡、因果关系、意图推断。

现实世界中的机器人训练又贵又慢。一台人形机器人可能要几百万美元，而且需要人类在旁边看护。但游戏是免费的（或者说边际成本极低）——你可以同时跑一万个 GTA 里的人物，每一个都在一个视觉逼真、物理合理、社会复杂的虚拟世界里行动。车祸了可以重置，失败了可以重来，不需要任何人受伤。

这就是为什么"游戏数据训练 AI"这个想法如此诱人。

开放世界正在变成开放实验室

回到 GTA 6。当 Rockstar 说"AI 控制开放世界"，这话有两层意思。

第一层是显而易见的：游戏里的世界更活了。NPC 有自己的作息，城市有自己的节奏，随机事件让每个玩家的体验都独一无二。这是 AI 在服务游戏。

但第二层更值得琢磨：这个由 AI 驱动的世界本身就是一座巨大的数据金矿。每一个玩家与 AI 驱动 NPC 的互动，每一次在复杂环境中做出的决策，都是在为未来的 AI 训练提供标注数据。游戏不再是单向的消费品，而变成了一个双向的数据引擎——你玩得越深，AI 学得越多。

这让我想起《安德的游戏》。小说里，安德以为自己在玩战略模拟游戏，实际上他一直在指挥真实的舰队。也许今天我们在 GTA 里的每一次追逐和躲藏，也在为某个未来的机器人提供决策参考。

认知科学的助攻

这个趋势还有一个被低估的推动力：认知神经科学。

今年 2 月，西北大学的神经科学家发表了一项有趣的研究：他们通过在 REM 睡眠期间播放特定声音，成功"植入"了梦境主题。听到对应声音提示的受试者，解决相关难题的成功率从 17% 提升到 42%。这暗示睡眠中的记忆重激活可以增强创造力。

这项研究的直接结论关乎睡眠工程和创造性问题解决。但放在更大的背景下，它回答了一个更根本的问题：认知不是静态的计算，而是动态的、可被环境信号塑造的过程。

这和游戏训练 AI 有什么关系？

关系在于：如果人类的认知可以被精心设计的环境信号（声音、视觉、交互）所塑造和增强，那么同样的逻辑也适用于 AI。游戏世界本质上就是一个可编程的信号环境——你可以控制其中的视觉输入、物理反馈、社会互动、奖励机制。它是研究"学习如何在复杂环境中发生"的完美沙盒。

一个新的循环

我们正在见证一个有趣的循环成型：

游戏公司用 AI 创造更真实的世界 → 玩家在这些世界中产生海量交互数据 → AI 公司用这些数据训练更强大的具身智能 → 更强的 AI 让游戏世界更真实 → 循环加速。

这不是科幻。Onsemi 刚刚以 70 亿美元收购 Synaptics，目标直指"物理 AI"——让 AI 走出数据中心，进入机器人、汽车和工厂。Samsung 宣布了一项 6480 亿美元的十年投资计划，核心就是 AI 芯片和数据中心。DeepSeek 在融资 74 亿美元后正在大规模招聘。整个科技行业都在为 AI 从"会说"到"会做"的跃迁下注。

而这场跃迁的训练场，很可能就在你下一次打开的游戏里。

结语：玩，是最严肃的事

人类幼崽通过玩耍学习空间关系、社会规则、因果推理。游戏是我们这个物种最古老、最高效的学习机制。

现在，我们开始用同样的方法训练 AI。这不仅仅是技术路线的选择——它也在重新定义游戏的意义。游戏不再是"不务正业"，而是通往通用智能的一条关键路径。

下次有人问你"打游戏有什么用"，你可以认真地回答：我在为通用人工智能贡献训练数据。

2026 年 6 月 28 日