機器人最缺的不是算力，是動作資料——General Intuition 募 3.2 億美元押遊戲這條路

重點一：2026 年 6 月 25 日，AI 新創 General Intuition 公布募得 3.2 億美元、估值 23 億美元，由 Khosla Ventures 領投，Jeff Bezos、Eric Schmidt 等跟投；連同 2025 年 10 月的種子輪，已揭露募資約 4.54 億美元。

重點二：它押的不是更大的模型，而是機器人最稀缺的東西——帶動作標籤的真實操作資料。來源是姊妹公司 Medal 旗下逾 1700 萬名玩家、數十億段「記錄了每一次按鍵」的遊戲片段。

重點三：公司同時推出接案平台 Nerve，讓玩家從資料標註做到遠端遙控機器人，而它鎖定的，正是最可能被自動化取代的那群人。

要讓一台機器人學會走路、開門、把杯子從桌邊挪回中央，最貴的一段往往不是晶片，也不是模型參數，而是一筆很樸素的東西：真實世界裡，有人實際做過這個動作的紀錄。動作要被機器學起來，得先有人示範——而示範通常靠人坐在控制台前，用搖桿一遍遍遙控機器人去折衣服、開微波爐，慢、貴，還涵蓋不了真實環境的千百種變化。

2026 年 6 月 25 日，一家叫 General Intuition 的公司公布募得 3.2 億美元、估值 23 億美元，押的正是這個瓶頸的另一種解法。領投的是 Khosla Ventures，跟投名單包括 General Catalyst、Jeff Bezos、Eric Schmidt、賽車手 Nico Rosberg，以及來自 Google DeepMind 與 MIT 的研究者。連同 2025 年 10 月同樣由 Khosla 領投的 1.34 億美元種子輪，已揭露募資約 4.54 億美元。

它的賭注用一句話說得清：數千萬名玩家早就在遊戲裡，留下了海量、帶標籤的動作紀錄——那為什麼不拿來教機器人？

機器人學會「動作」，為什麼最貴的一段是資料？

語言模型有整個網際網路的文字可吃，機器人沒有對應的東西。一台機器要學會在物理世界裡動，需要的是「在什麼情境下、做了什麼動作、結果如何」的紀錄，而這種資料不會自己長在網路上。

業界的主流辦法是遠端遙控（teleoperation）：請人操作機器手臂，重複做同一件事，把過程錄下來當訓練資料。據 Rest of World 的報導，這條路成本高、耗時，而且難以涵蓋真實環境的多樣性——機器人在工廠學會的那幾招，換到家裡的廚房常常就不管用。資料，而不是算力，是這一輪實體 AI 的窄口。

把兩種取得動作資料的方式並排，就能看出 General Intuition 想繞過什麼：

取得動作資料的方式	規模與成本	動作標籤	多樣性	勞動來源
遠端遙控（主流）	一次一台、人工操作，慢且貴	直接，但筆數有限	受限於受控場景	專門聘的操作員
遊戲動作資料（GI 路徑）	數十億段現成片段、邊際成本低	內建於每次按鍵	涵蓋海量遊戲情境	既有玩家社群

兩條路解的是同一個瓶頸，但 General Intuition 賭的是：現成、海量、自帶標籤的那一條，能把資料這道窄口拓寬。

遊戲畫面憑什麼能當訓練資料？

關鍵在「action label」。General Intuition 與遊戲剪輯平台 Medal 同屬一個母公司，而 Medal 每月有超過 1700 萬名玩家，累積了數十億段遊戲片段。重點不只是畫面——這些片段裡記錄著玩家在每一刻按了哪個鍵、何時按。畫面是結果，按鍵是動作，兩者對齊，就成了「看到這個情境、做了這個操作」的成對資料。

公司用這批資料訓練「世界模型」（world model）：一個能預測「在這個環境裡採取某個動作會發生什麼」的模型。據 TechCrunch，公司展示的成果包括：一個 agent 連續玩了 100 小時 Fortnite；而同一個世界模型只用 8 分鐘的真實機器人資料微調，就能驅動一台四足機器人。公司並稱模型自行學到了一些物理規律——牆會擋住去路、梯子能垂直攀爬、陰影會隨光線變化。

這些都是公司提供的示範，尚未有獨立第三方複現，看的時候要記得這個但書。但方向是清楚的：把遊戲當成一座現成、海量、自帶動作標籤的動作資料礦場。對機器人來說，遊戲世界和真實世界共享一套底層邏輯——重力、碰撞、物體在空間裡的相對位置；一個在無數遊戲場景裡學會「怎麼動才不會撞牆」的模型，理論上可以把這套直覺遷移到實體機器上，剩下的只是用少量真實資料校正細節。8 分鐘這個數字，賭的就是這個遷移成本能壓到很低。

Nerve 把玩家放到哪個位置？

故事還有第二層，和勞動有關。除了拿玩家的「資料」，General Intuition 也要拿玩家的「時間」。

公司推出了一個叫 Nerve 的接案平台，讓玩家用手上現有的設備賺錢：任務從資料標註起步，再逐步開放到遠端遙控機器人等工作。據 TechCrunch，這個平台鎖定的，正是最可能被 AI 自動化波及的那群人——也就是 Medal 的玩家社群。對一個原本就坐在高階電腦前、熟悉搖桿與鍵盤操作的玩家來說，遙控一台機器人完成精細動作，幾乎是無痛轉場；對公司來說，這是一支現成、技能對口、規模可觀的遠端勞動力。

把兩層疊起來看，畫面就完整了：玩家過去的遊戲紀錄被煉成模型，玩家現在的閒置時間被組織成標註與遙控的勞動力，去訓練同一批會走進工廠與服務現場的機器。最可能被取代的人，被請進來訓練取代品。這不是修辭，是這家公司明確的商業設計。

這筆 3.2 億美元，押的是資料路徑，還是估值故事？

23 億美元的估值、Bezos 與 Schmidt 的名字，足以讓人警覺這裡有多少是敘事溢價。值得如實標註的幾點：示範數字都來自公司本身；公司說目前在遊戲、模擬、機器人領域有「少數客戶」，但未具名；API 預計夏末才更廣泛開放。換句話說，這是一個押在「資料路徑」上的早期賭注，不是一個已被市場驗證的產品。

各家對這輪的描述也不完全一致——輪次字母與完成時間有不同說法，因此這裡只取所有報導都同意的事實：公布募得 3.2 億美元、估值 23 億美元。但無論這筆錢最後證明押對或押錯，它都把一件事擺到了檯面上：當實體 AI 的競爭從「誰的模型大」轉向「誰拿得到動作資料」，遊戲——以及打遊戲的人——成了一個被認真出價的答案。

台灣在做「身體」，那「誰來教動作」？

這條線和台灣的距離，比看起來近。

台灣這一兩年正猛攻人形機器人的「身體」與產線：Techman、Foxconn 與 Nvidia 都在推自己的機器人，政府並設了一個 6.29 億美元的國家機器人中心（2026–2029），動機之一是高齡化與勞動力短缺。硬體與整合，台灣有底氣。

但「身體」會動，靠的是前面說的那段——動作資料與遙控勞動力。這段「誰來教」目前是開放的。從 General Intuition 的路徑回看台灣，可以這樣盤點：

1. 資料供給端：台灣龐大的遊戲與電競人口，本身就是「帶動作標籤的紀錄」與遙控勞動的潛在來源。
2. 技術取用端：做「身體」的台灣團隊，未來可能是這種遊戲訓練世界模型的取用方，少量真實資料就校正出一台會動的機器。
3. 競爭對照端：若動作資料成為實體 AI 的關鍵供給，握有資料與勞動入口的玩家平台，會和造得出機器人的硬體廠，站在價值鏈的不同位置。

誰掌握動作資料，會和誰造得出機器人，是兩道不同的題。

看實體 AI 的下一程，值得把「動作資料從哪來、誰來提供」放到和算力同一個高度去看——這筆 3.2 億美元，押的就是這個問題目前還沒有標準答案。

資料來源：TechCrunch〈General Intuition’s $2.3B bet that video games can train AI agents for the real world〉（2026-06-25）、TechCrunch〈General Intuition lands $134M seed…〉（2025-10-16）、GamesBeat（獨家專訪）、AI Weekly、MLQ News、Rest of World〈How China is using human labor to win the humanoid robot data race〉、Robotics & Automation News（台灣國家機器人中心）。

矽基前沿 · 工作現場線（編輯：廖玄同），《機器人最缺的不是算力，是動作資料——General Intuition 募 3.2 億美元押遊戲這條路》，矽基前沿 [Si]gnals，2026-06-26。https://signals.tw/articles/general-intuition-gameplay-world-model/