据 TechCrunch 于 2026 年 7 月 9 日发布的内容显示，围绕通用人工智能（AGI）的训练路径，业内出现了一个值得关注的新判断：仅依赖互联网文本并不足以让大模型获得更强的通用理解能力。来源提到，ChatGPT、Claude 等大型语言模型在文本处理上表现突出，但在理解物体如何在空间与时间中运动方面仍存在短板。而 General Intuition 的思路，正是尝试用视频游戏数据来补足这一缺口。
这一路线的核心并不是简单地把“游戏”当作娱乐内容，而是把游戏世界视作一种可交互、可观测、带有物理与因果关系的数据环境。对于关注 OpenAI、Claude、Gemini 等模型 API 接入的开发者来说，这类方向意味着未来模型能力的竞争，可能不只发生在文本语料规模、上下文长度或推理速度上，也会进一步延伸到时空理解、动作预测与多模态世界建模。
为什么互联网文本可能不够用
来源摘要指出，大语言模型擅长处理文本，但文本本身并不等于现实世界。互联网内容能够提供海量知识、语言模式和推理线索，却很难完整呈现一个物体从当前位置移动到下一位置的过程，也难以让模型真正理解“动作会带来什么结果”。
这也是 AGI 讨论中长期存在的一个问题：如果模型主要通过静态文本学习世界，它可以总结大量经验，却未必具备稳定的空间、时间与因果推断能力。换句话说，模型知道很多描述，但不一定真正理解“事情如何发生”。在机器人、自动驾驶、虚拟代理、游戏 AI、视频生成等场景中，这种能力差异会直接影响可用性。
游戏数据的价值：更接近可控的动态世界
据报道，General Intuition 押注的方向是利用游戏数据来弥补上述不足。相比普通网页文本，游戏数据通常包含角色、环境、动作、反馈和目标等要素。玩家或智能体在游戏中采取行动后，系统会产生即时变化，这种连续过程天然包含时间序列与空间关系。
从训练角度看，游戏环境可能为模型提供更明确的“状态—动作—结果”结构。它既不是完全无序的互联网内容，也不同于只包含图片或视频的被动观察数据。对于需要理解动态世界的 AI 系统而言，这类数据或许能帮助模型学习如何预测变化、规划步骤，并在虚拟环境中形成更可泛化的行为模式。
- 更强的时序信息：游戏过程天然包含前后状态变化，有助于训练模型理解时间推进。
- 更清晰的空间关系：角色、物体与场景之间的相对位置变化更容易被记录和分析。
- 可观察的因果反馈：一次操作会触发结果，便于模型学习行动与后果之间的联系。
- 适合多模态训练：画面、动作、规则、任务目标可以组合成更丰富的数据形态。
对 API 使用者意味着什么
对本站读者而言，这条资讯的重点不在于某一家公司的概念本身，而在于它反映了模型能力演进的方向。当前 API 用户普遍关心价格、额度、并发、稳定性与接入成本，但下一阶段的模型差异，可能会更多体现在是否具备动态环境理解能力。
如果游戏数据、仿真数据或其他交互式数据被证明有效，未来通过 API 调用的模型可能在以下场景表现更明显：复杂任务规划、虚拟角色控制、视频内容理解、实时交互助手、具身智能前期验证，以及需要连续决策的自动化系统。届时，开发者在选型时可能不仅比较文本生成质量，也会比较模型对场景变化、步骤执行和结果预测的稳定性。
这也会影响中转与接入层的需求。多模态和交互式模型通常意味着更高的数据吞吐、更复杂的请求格式，以及更严格的并发和延迟要求。对于依赖 OpenAI、Claude、Gemini 等模型 API 的团队来说，未来若接入具备游戏式或世界模型能力的服务，需要提前关注上下文窗口、媒体输入限制、调用频率、失败重试机制以及成本控制。
行业解读：AGI 竞争正在从“读懂文本”走向“理解世界”
来源中的观点强调，通用智能需要能泛化的能力，而不只是语言表面能力。游戏数据之所以被看重，是因为它可能提供一种介于真实世界与纯文本之间的训练材料：足够复杂，能够呈现动态过程；又相对可控，便于规模化收集和建模。
当然，游戏数据能否真正成为 AGI 的关键训练来源，仍有待验证。游戏世界与现实世界之间存在差异，不同游戏的规则也可能带来偏差。但这一方向提醒开发者：未来模型生态可能不再只由“谁拥有更多网页文本”决定，高质量动态数据与交互数据将成为重要变量。
总体来看，General Intuition 的押注代表了一种新的训练数据思路：让 AI 不只是阅读互联网，而是在更具结构化和反馈机制的环境中学习世界如何运转。对于 API 使用者和应用开发团队，这意味着未来模型能力边界可能继续外扩，选型和成本评估也需要从纯文本能力，转向多模态、时序理解与真实任务执行效果。