General Intuition: игровые данные для AI-агентов
General Intuition делает ставку на игровые данные Medal: action labels должны помочь AI-агентам учиться причинности, но перенос в роботов ещё не доказан.
General Intuition: игровые данные для AI-агентов
По состоянию на 25 июня 2026 года General Intuition - AI-лаборатория, выросшая из Medal. Компания обучает агентные модели на игровых клипах с action labels, чтобы улучшить пространственно-временное reasoning в симуляциях, играх и роботах.
Главная новость не только в деньгах, хотя сумма заметная: General Intuition сообщила о раунде на $320 млн при оценке $2,3 млрд. Важнее ставка компании: обычного видео мало, если модель должна не просто смотреть на мир, а понимать, какое действие к чему приводит. Поэтому General Intuition делает ставку на игровые данные, где рядом с картинкой есть действия игрока.
Что произошло
TechCrunch 25 июня 2026 года сообщил, что General Intuition привлекла $320 млн при оценке $2,3 млрд. Раунд возглавила Khosla Ventures, среди участников названы General Catalyst, Джефф Безос, Эрик Шмидт, Нико Росберг, а также исследователи из Google DeepMind и MIT. С учётом seed-раунда на $134 млн общий раскрытый объём финансирования дошёл до $454 млн.
Компания появилась как spin-out из Medal, платформы для записи и публикации игровых клипов. Medal даёт General Intuition редкий тип обучающих данных: не только видео, но и связь между тем, что происходит на экране, и тем, что делает игрок. В официальном объяснении Medal пишет, что actions - это семантические описания вроде «игрок пошёл вперёд» или «забит гол», а не сырые нажатия клавиш.
На официальном сайте General Intuition описывает себя как лабораторию для моделей, которые действуют в пространстве и времени. Компания прямо говорит о двух направлениях: action models, которые выбирают действия, и world models, которые предсказывают последствия этих действий.
Почему action labels важнее обычного видео
Для обычной видеомодели клип отвечает на вопрос «что было дальше». Для агентной модели этого мало. Ей нужно связать состояние среды, выбор действия и результат. Если персонаж повернул, ускорился, прыгнул или ошибся, модель должна видеть не только новый кадр, но и причину перехода.
Именно поэтому General Intuition делает акцент на action labels. По версии компании, попытка восстановить действия только из видео оставляет слишком много неопределённости. Один и тот же кадр может быть следствием разных решений игрока; один и тот же визуальный паттерн в разных играх может означать разный риск. Данные Medal дают более плотную связку: экран, действие, событие, исход.
Medal в своём блоге пишет, что платформой пользуются более 15 млн игроков в месяц, а за год пользователи создают свыше 2,5 млрд клипов. Для General Intuition это не просто большой архив роликов. Это поток крайних случаев: удачные и провальные моменты, быстрые реакции, столкновения, манёвры, неожиданные события. Такие данные трудно собрать в реальном мире быстро и безопасно.
World model здесь не главный продукт
Вокруг General Intuition легко ошибиться с рамкой. Компания строит world model, но TechCrunch пишет, что внутри General Intuition этот слой называют тренировочной средой, «gym». Продуктовая ставка лежит выше: агентная модель и API, которые смогут применяться в играх, симуляциях и робототехнике.
Это разводит тему с Google Genie world models. Genie интересен как линия интерактивных миров и симуляций. General Intuition делает другой акцент: как action-labeled gameplay помогает модели учиться причинности и отделять «себя» от среды. С Microsoft Mirage различие ещё жёстче: Mirage решает задачу пространственной памяти для video world models, а не строит агентную модель на игровых действиях.
| Подход | Данные и механизм | Что считается продуктом | Главный риск |
|---|---|---|---|
| General Intuition | Игровые клипы Medal с action labels и событиями | Агентная модель и API для игр, симуляций и роботов | Перенос из игр в физический мир пока не доказан на масштабе |
| Google Genie | Интерактивные world models, где среда реагирует на действия | Инструмент для создания и исследования интерактивных миров | Риск смешать демо с готовой инфраструктурой для робототехники |
| Microsoft Mirage | Latent spatial memory для генерации видео с устойчивой сценой | Исследовательская архитектура, а не пользовательский продукт | Ограничения статической памяти и зависимость от геометрии |
Почему это интересно робототехнике
Роботам и embodied agents нужны модели, которые понимают не текстовую инструкцию саму по себе, а последствия действия в среде. Поворот камеры, шаг, столкновение, обход препятствия, потеря цели - всё это пространственно-временные задачи. General Intuition пытается использовать игры как дешёвую тренировочную площадку для такого типа reasoning.
По данным TechCrunch, компания уже показывала один и тот же базовый подход на игровом агенте и на quadruped-роботе. В статье также говорится, что для fine-tuning робота использовали всего восемь минут реальных robotics data, собранных не в офисе, где проходила демонстрация. Это сильный сигнал, но его нельзя читать как доказательство универсального sim-to-real. Сам TechCrunch отдельно фиксирует, что устойчивый перенос таких моделей в физический мир на масштабе ещё не доказан.
Здесь есть параллель с Gemini Robotics-ER 1.6: рынок ищет способы дать роботам более сильное пространственное reasoning и доступ к действиям в реальной среде. У Google это линия API и embodied reasoning, у General Intuition - ставка на игровые действия как исходный обучающий материал.
Где бизнес-логика
В ближайшей перспективе General Intuition хочет расширять compute и pre-training. TechCrunch пишет о сделке с CoreWeave и планах сделать API доступнее для клиентов к концу лета 2026 года. Сейчас у компании, по данным статьи, уже есть несколько клиентов в играх, симуляциях и робототехнике.
Логика похожа на модель поставщика foundation model, но с другим источником данных. General Intuition не строит собственную студию игр, автопилот или компанию роботов. Её тезис: если модель лучше понимает действия и последствия, другие команды смогут быстрее строить игровых ботов, тестировать роботов в digital twin или отправлять quadruped в опасные зоны.
У этой логики есть слабое место. Чтобы data flywheel работал, клиентские внедрения должны приносить новые данные по разным embodiments: игры, дроны, роботы, симуляторы, транспортные сценарии. Иначе компания останется сильной на игровых паттернах, но не докажет перенос в физический мир.
Какие ограничения нельзя замалчивать
Первое ограничение - смещение данных. Medal даёт много клипов, но это не равномерная запись всего игрового процесса. Пользователи чаще сохраняют яркие моменты: победы, провалы, редкие события, смешные ошибки. Для обучения это полезно, но модель может получить перекос в сторону «клиповых» ситуаций.
Второе - физика игр не равна физике мира. Игры отлично дают пространство, цель, действие и обратную связь, но там действуют правила движка. Реальный робот встречает трение, шум сенсоров, плохой свет, случайные препятствия, задержки связи и поломки железа. General Intuition как раз делает ставку на то, что gameplay станет масштабируемым shortcut, но эту ставку ещё нужно доказать.
Третье - данные и доверие пользователей. Medal подчёркивает, что пользователи владеют своими данными и могут отключить участие через Settings > Medal AI. Для модели, выросшей из пользовательских клипов, это не юридическая сноска, а центральная часть доверия. Если платформа хочет превращать игровые действия в исследовательский актив, пользователи должны понимать, какие данные используются и как отказаться.
Короткий FAQ
Почему игровые клипы полезны для AI-агентов?
В играх есть среда, цель, действие и быстрый результат. Агентная модель может учиться не только распознавать кадры, но и связывать выбор действия с последствиями.
Чем action labels отличаются от обычного видео?
Обычное видео показывает последовательность кадров. Action labels добавляют слой действия: что игрок сделал и когда. Для обучения агента это ближе к причинной структуре задачи.
Доказан ли перенос из игр в роботов?
Нет. General Intuition показывает ранние демо и делает убедительную ставку на данные, но устойчивый перенос из gameplay в реальные физические системы на большом масштабе пока остаётся открытым вопросом.
Главное
General Intuition интересна не как ещё одна компания вокруг world models, а как ставка на новый тип обучающих данных. Текст, изображения и обычные видео хорошо учат модель распознавать мир. Игровые клипы с action labels должны научить её действовать в нём: выбирать шаг, видеть результат, корректировать поведение.
Если ставка сработает, игровые данные станут мостом между симуляциями и embodied AI. Если нет, General Intuition останется дорогой лабораторией с сильным data moat, но без доказанного sim-to-real. Поэтому эту новость стоит читать трезво: $320 млн и оценка $2,3 млрд показывают доверие инвесторов, а не готовность универсальных роботов. Самый важный вопрос теперь технический: смогут ли действия игроков стать достаточно хорошим учебником причинности для AI-агентов.
Источники и проверка фактов
Факты, цифры, ссылки и изображения проверены 25 июня 2026 года. General Intuition и Medal могут обновлять продуктовые формулировки, доступность API и политику данных, поэтому перед публикацией существенного апдейта эти страницы нужно перепроверить.
- TechCrunch: General Intuition’s $2.3B bet that video games can train AI agents for the real world, 25 июня 2026 года - использован для суммы раунда, оценки, инвесторов, total disclosed funding, связи с Medal, action labels, CoreWeave, планов API, клиентов и ограничений sim-to-real.
- General Intuition, официальный сайт - использован для формулировки миссии, $320 млн Series A, action models, world models и action-labeled datasets.
- Medal: How Clips And Gameplay Actions Create Spatial Intelligence, 19 марта 2026 года - использован для объяснения actions, политики opt-out, 15M+ monthly gamers и 2.5B+ clips за год.
- TechCrunch: General Intuition lands $134M seed, 16 октября 2025 года - использован для seed-раунда, исходной рамки spatial-temporal reasoning и сравнения с другими world model approaches.
