电子游戏成为人工智能世界模型的数据来源

关键信息

这种方法把游戏中的三维视觉环境与玩家动作视为可大规模获取的经验数据来源，其中还包含通过重复人工演示难以收集的异常边缘场景。该方法的有效性尚未得到充分验证，而且游戏物理规律未必完全等同于现实物理规律，因此模型仍需要使用特定现实环境和任务的数据进行微调。

资讯摘要

许多人工智能研究人员认为，大型语言模型依赖文本，最终可能会受到理解和控制物理世界能力不足的限制。包括 Fei-Fei Li 和 Yann LeCun 在内的研究人员，因此开始关注世界模型，希望让人工智能理解环境如何因动作而变化。例如，要操作机械臂，模型可能需要学习工厂地面的视频，以及抓握力度、施加扭矩等物理动作信息。萨里大学的 Xiatian Zhu 表示，互联网上几乎没有同时记录原因和结果的同类数据。

Worldmodeldata 正试图通过整理游戏工作室收集的游戏画面和控制器输入来填补这一空白，并作为数据中介，帮助人工智能实验室避免分别与大量游戏工作室谈判。General Intuition 和 Niantic 等公司也在收集游戏数据，而 Worldmodeldata 称自己已经从未公开名称的工作室获得了近 100 万小时数据的授权。该公司认为，电子游戏能够提供数量庞大且多样化的经验，以及现实世界中的边缘场景，但游戏数据能否像文本数据推动语言模型那样提升世界模型性能，目前仍未得到证明。模型最终仍需要使用现实环境数据进行适配，而且包括 Nvidia 在内的一些公司更倾向于使用专门构建的仿真引擎。

来源与参考

1. 原始链接
2. The Next Evolution of AI Is Learning From Your Dodgy Gaming Skills