|
|
https://nitrogen.minedojo.org/assets/documents/nitrogen.pdf
这个模型不是靠读游戏代码长大的，而是蹲在YouTube和Twitch上：
硬生生「看」了4万个小时带有手柄画面的游戏实况！
它就像个极其好学的「云玩家」，通过观察人类怎么操作，直接学会了在各种游戏里该怎么走位、怎么平A。
不管是RPG还是横版过关游戏，它都能拿捏。
你可能会问：光看视频咋学会操作？我又不知道主播按了哪个键。
这就不得不佩服英伟达研究员的脑洞了。
他们专门挖掘了YouTube和Twitch上那些带有「控制器叠加画面」的视频。
对，就是那种主播在屏幕角落放个小手柄，按哪个键，画面上的手柄也会跟着亮的视频。
NitroGen就盯着这4万个小时的视频素材，一边看游戏画面里发生了什么（比如林克挥了一剑），一边看角落里的手柄哪个键亮了（比如按了X键）。
这就像是一个想学吉他的人，不看乐谱，而是把几万场演唱会视频里吉他手的指法特写全看了一遍，硬生生把「听觉」和「手指动作」给对应上了！
也只有AI能干这活了。
拒绝「偏科」，做个通用的六边形战士
以前的游戏AI往往是「专才」，会玩《王者荣耀》的绝对不会玩《超级马里奥》。
但NitroGen主打的就是一个「通才」。
它学习了超过1000款不同的游戏。
这可能意味着它练就了一种「游戏直觉」!
就像我们人类玩游戏一样，你只要玩过魂游，比如《艾尔登法环》之类的，再上手一款新的动作游戏《黑神话：悟空》，哪怕没见过，你也大概知道左摇杆是跑，右边按键是打。
测试数据显示，当把NitroGen丢进一款它从未见过的新游戏里时，它的表现比那些从零训练的模型强了52%。
不管是动作RPG、平台跳跃，还是Roguelike，它都能迅速上手。
下一步：从海拉鲁大陆走向现实世界
英伟达这一波操作，仅仅是为了造一个更强的NPC陪我们玩吗？
格局小了，英伟达的野心更大！
先来看看最近AI在游戏中的表现。
The Decoder最新的研究发现，现在的AI甚至已经开始具备复杂的推理能力。
研究者通过一个《塞尔达传说》中的经典变色谜题，对当前顶尖大模型的推理能力进行了一场别开生面的「压力测试」。
测试要求模型在不联网的情况下，仅凭截图规划出六步操作以解开谜题。
结果显示，模型间的差距一目了然：
作者认为：这种强大的推理能力结合英伟达NitroGen等自主智能体技术，预示着:
人类撰写游戏攻略和软件文档的时代即将终结，AI将彻底改变我们获取指导信息的方式。
比如在《塞尔达传说》里那种需要预判6步以上的变色谜题，现在的AI模型已经能像解数学题一样解开了。
而NitroGen的潜力更进一步，它不仅能玩，还能记录和复盘。
想象一下，未来AI玩一遍游戏，顺手就能把「白金攻略」给你写出来，甚至把游戏里的Bug自动修了，这还要啥自行车？
（感觉游戏科学的《黑神话：钟馗》大概率要上AI技术了）
但老黄真正的野心，其实藏在代码里：NitroGen是基于英伟达的GR00T（机器人基础模型）构建的。
这波野心很大！
虚拟世界，其实就是物理世界最高效的「练兵场」。
英伟达正在用游戏里的千万次试错，为未来走进我们家里的机器人，打造一个能应对一切混乱的「通用大脑」。
或许有一天，当你感叹队友操作太神的时候，屏幕对面坐着的，真的可能不是人。
而是一个真的机器人拿着手柄在和你打游戏！
游戏即现实
视频游戏已经从单纯的AI测试基准，演变为物理智能的训练场。
这不仅是游戏AI的胜利，更是机器人技术跨越「莫拉维克悖论」的关键转折点。
从「大脑」到「身体」的跨越
在过去十年中，人工智能领域经历了从感知智能到认知智能的飞跃。
然而，尽管大语言模型能够撰写诗歌、编写代码甚至通过律师资格考试，它们在面对物理世界时却往往显得笨拙不堪。
一个能通过图灵测试的AI，可能无法控制机械臂完成最简单的「把杯子放进洗碗机」的任务。
这就是著名的「莫拉维克悖论」：对计算机而言，实现逻辑推理等高阶智慧只需要很少的计算能力，而实现感知、运动等低阶智慧却需要巨大的计算资源。
具身智能旨在解决这一问题，它要求智能体不仅要「思考」，还要拥有「身体」，能够与环境进行物理交互。
长期以来，具身智能的发展受限于两大瓶颈：
数据匮乏
互联网上充斥着万亿级别的文本数据，却缺乏同等规模的、带有精确动作标签的机器人数据。
泛化困难
传统的强化学习（RL）算法通常只能在特定的环境（如围棋棋盘或特定的工厂流水线）中表现优异，一旦环境发生微小变化，模型就会失效。
游戏作为现实的模拟器
2025年，我们看到了一条解决上述瓶颈的全新路径：利用视频游戏作为通向物理世界的桥梁。
游戏提供了丰富的视觉环境、复杂的物理规则和明确的任务目标，且天然具备数字化、可扩展的特性。更重要的是，游戏世界中的「感知-决策-行动」闭环与物理机器人完全同构。
具身智能体要在复杂且不可预测的现实世界中生存，仅靠条件反射式的反应是不够的。
它必须具备深度的推理与规划能力。
塞尔达变色球谜题的挑战
该谜题源自《塞尔达传说》系列游戏，规则看似简单实则极其考验逻辑：
这一谜题的本质是一个约束满足问题或图论问题。
其复杂性在于状态空间的组合爆炸和操作的不可逆性。
玩家不能只关注当前这一步的收益，必须预判未来几步的状态变化。
这需要极强的前瞻性规划能力，即在脑海中构建一棵「决策树」，并推演不同分支的结果，这正是人类认知心理学中定义的「系统2」思维——慢速、从容、有逻辑的思考。
根据The Decoder的深度评测：
当前最顶尖的AI模型在面对这一挑战时表现出了显著的代际差异，这直接反映了它们作为具身智能体「大脑」的潜力。
GPT-5.2-Thinking的成功不仅在于它解出了谜题，更在于它展示了一种算法内化的趋势。
例如，当机器人面对一个堆满杂物的桌子时，它能够像解决塞尔达谜题一样，在「脑海」中预演：「如果我先拿底下的书，上面的杯子会倒；所以我必须先移开杯子。」
这种能力是实现从「自动化机器」向「自主智能体」跨越的关键。
如果说GPT-5.2解决了「想什么」，那么英伟达的NitroGen模型则解决了「怎么做」。
NitroGen的发布标志着机器人学习进入了「ImageNet时刻」,利用互联网规模的数据来训练通用的运动控制策略。
NitroGen团队提出了一种极其巧妙的「数据挖掘」策略：利用游戏直播中常见的输入叠加层。
这一策略的精妙之处在于，它将原本「无监督」的视频数据瞬间转化为了「有监督」的「视觉-动作」对。
英伟达利用这一技术，构建了包含40,000小时、覆盖1000多种游戏的NitroGen数据集。
这在机器人学习领域是前所未有的规模。
仿真层：世界模型作为机器人的「黑客帝国」
在电影《黑客帝国》中，尼奥在虚拟世界中学习功夫。
而对于机器人而言，世界模型（World Models）就是它们的「矩阵」。
若机器人能在极其逼真的虚拟世界中每秒经历数千次试错，其进化速度将远超物理时间的限制。
综合上述分析，通过游戏实现通用智能体的路径不仅可行，而且已经初具雏形。
这条路径可以概括为：「在游戏中学会控制，在仿真中学会物理，在现实中学会适应。」
未来的通用智能体必然是分层架构的：
尽管前景光明，但仍有几个关键问题亟待解决： |
|
发表于 2025-12-25 14:00:38
